مدلسازی رفتار سدهای بتنی با استفاده از روشهای شبکه عصبی مصنوعی و رگرسیون لجستیک
نویسندگان
1 دانشجوی دکتری، گروه مهندسی آب، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران.
2 استادیار، گروه مهندسی آب، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران.
3 استادیار، گروه مهندسی آب، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران.
doi
10.30495/wsrcj.2022.19230چکیده
زمینه و هدف: اندازهگیری و رفتارسنجی سد موضوع جدیدی میباشد که میتواند به دلیل تغییر پارامترهای موجود برای ارائه مدلی باشد که رفتار پارامترهای منفرد را بر روی سد و همچنین روی یکدیگر بررسی کند و تغییرات ایجاد شده را آنالیز کرده و سیاستهای لازم را ایجاد کند. هدف این پژوهش ایجاد یک روش ترکیبی از رگرسیون لجستکی با بهینهسازی الگوریتم بهینهسازی گروه ذرات با مقدار حقیقی جهت پیشبینی رفتار تجهیزات سد میباشد.روش پژوهش: در این مطالعه از دادههای 365 روز، از 31/01/1397 تا 31/01/1398 که 600 مجموعه داده تجهیزات سد شامل پارامترهای دمای آب، سطح آب، فشار دریچه، میزان رسوبگذاری، فشار منافذ، دمای هوا، حجم آب ورودی، مشخصات ویژه سد، شرایط بتن، سطح آب مخزن، تغییر مکان افقی و عمودی، اجزای اتصال انتقالی و شتاب زمین، قدرت، فشار، کشش و تنش بالا برای مدلسازی استفاده شدند. برای آموزش مدلسازی الگوریتم بهینهسازی گروه ذرات مقدار حقیقی-رگرسیون لجستیک و 120 مجموعه داده جهت آزمایش استفاده گردید. برای ارزیابی عملکرد روش پیشنهادی، از چهار آماره شامل ضریب تعیین (R2)، ریشه میانگین مربعات خطا (RMSE)، ضریب پراکندگی (SI) و میانگین خطاهای انحرافی (MBE) استفاده گردید.یافتهها: نتایج نشان داد که مدل در پیش بینی فشار پیزومتریک در بدنه سد عملکرد قابل قبولی دارد. همچنین نتایج حاصل از مدل شبکه عصبی مصنوعی با کسب 930/0 R2= و 587/8SI= همگرایی قابل قبولی را نشان می دهد. نتایج مربوط به دادههای آموزش مدل نیز بیانگر این است که میانگین (µ) و انحراف معیار (σ) مدل ارائه شده، برای داده های آموزش به ترتیب برابر با 341/1 و 526/1 میباشد و برای داده های صحتسنجی این مقادیر برابر با 576/1 و 247/2 می باشد که این نشان از عملکرد خوب مدل پیشنهاد شده دارد. در معیار احتمال تجمعی، مدل پیشنهاد شده با 940/0P50= و 742/1P90= مبین این است که نتایج قابل قبول می باشد.نتایج: نتایج بیانگر این است که بهینهسازی گروه ذرات مقدار حقیقی-رگرسیون لجستیک در عوض به حداقل رساندن ریسک تجربی که تعمیم عالی برای اندازههای نمونه کوچک را فراهم میسازد، اصل کاهش ریسک سازهای را اجرا میکند. نسبت مقادیر پیزومتریک پیشبینیشده به مقادیر قرائتشده برای حدود 72 درصد دادهها در این مدل در حدود یک بوده که بیانگر آموزش و قدرت پیشبینی مناسب این مدل میباشد. در نهایت بر اساس معیارهای ارزیابی مدل ترکیبی عملکرد بهتری نسبت به روشهای بیان شده دارد.