فهرست نشریات علمی دسترسی آزاد ایران

پایش سنتی گود عمیق با استفاده از ابزار گذاری و یا نقشه برداری دقیق (میکروژئودزی) انجام میشود. هوش مصنوعی با توانایی پردازش حجم بالایی از داده‌ها، یادگیری از الگوهای خطر و پیش‌بینی شرایط بحرانی، می‌تواند به عنوان ابزاری کارآمد در ارتقای ایمنی گودهای عمیق به کار گرفته شود. پژوهش حاضر با هدف طراحی و پیاده‌سازی مدلی مبتنی بر شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) برای پیش‌بینی سطح ریسک ایمنی در گودبرداری‌های عمیق انجام شده است. مدل با بهره‌گیری از داده‌های سری زمانی هفت‌روزه یک گود پایش شده در شهر کرمان، ریسک روز هشتم را پیش‌بینی می‌کند. داده‌ها پس از پیش‌پردازش شامل نرمال‌سازی و کدگذاری ویژگی‌ها، به سه بخش آموزش ، اعتبارسنجی و آزمون تقسیم شدند. ساختار مدل شامل دو لایه LSTM، یک لایه خروجی Dense و به‌کارگیری تکنیک Dropout بوده و فرآیند آموزش با بهینه‌ساز Adam انجام گرفت. نتایج ارزیابی نشان داد دقت مدل در پیش‌بینی سطوح ریسک پایین و متوسط بیش از ۸۵ درصد و حساسیت آن در شناسایی ریسک بالا حدود ۸۲ درصد است. همچنین منحنی ROC و مقدار AUC بالاتر از 88/0 بیانگر توان تفکیک مناسب مدل است. یافته‌های پژوهش نشان می‌دهد این مدل می‌تواند به‌عنوان سامانه پشتیبان تصمیم، در ارائه هشدارهای پیشگیرانه و ارتقای ایمنی پروژه‌های گودبرداری عمیق مؤثر باشد.