ارزیابی و کاربرد مدل های ترکیبی هوش مصنوعی برای تخمین هد پیزومتریک سد خاکی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی عمران- آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران

2 گروه مهندسی عمران-آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران

چکیده

شکست سدهای خاکی از چالشهای بزرگ مهندسی عمران به شمار میرود که یکی از عمده ترین علل وقوع آن، تراوش کنترل نشده از هسته و پی سد میباشد. از این رو تحلیل تراوش، از مسائل بسیار مهم در طی مراحل طراحی، ساخت و بهره برداری از این نوع سدها است. در این راستا بررسی هد پیزومتریک یکی از اولین مراحل بررسی تراوش میباشد؛ در تحقیق حاضر هد پیزومتریک سد خاکی ستارخان با استفاده از مدلهای جعبه سیاه هوش مصنوعی و جعبه سیاه کلاسیک بر اساس 2 سناریو مورد بررسی قرار گرفته است. در هر سناریو ترکیب ورودیهای مختلفی برای شرایط متفاوت در نظر گرفته شده است. در ادامه برای بهبود عملکرد مدلسازی، روش ترکیب مدل با استفاده از خروجی مدلهای منفرد جعبه سیاه انجام گرفته است. روش ترکیب مدل با استفاده از 3 روش میانگین گیری خطی ساده، میانگین گیری خطی وزندار و ترکیب غیر خطی با استفاده از شبکه عصبی مصنوعی انجام گرفته است. نتایج حاکی از آن است که به کار گیری مدلهای ترکیبی و به ویژه مدل ترکیبی غیرخطی با شبکه عصبی مصنوعی باعث افزایش دقت مدلسازی تا 10% شده است. علاوه براین، با مقایسه نتایج دو سناریو، نتیجه گیری میشود که به کارگیری سناریو2 می تواند روشی موثر برای شرایطی همچون خرابی یا از کارافتادگی برخی از پیزومترها باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation and Application of Ensemble AI-based Models for Estimating Piezometric Heads of Earth Fill Dam

نویسندگان [English]

  • Elnaz Sharghi 1
  • Vahid Nourani 2
  • Nazanin Behfar 2
1 Department of Water Resources Engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
2 Department of Water Resources Engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
چکیده [English]

Failure of earth fill dams is a great challenge in Civil Engineering, in which one of the main causes is uncontrolled seepage through the core and foundation of the dam. Thus seepage analysis is one of the most important complications in design, construction and operation of this type of dams; in this way, inspecting the piezometric heads is the first step in seepage analysis. In the following paper, Sattarkhan earth fill dam piezometric heads have been analyzed via Artificial Intelligence (AI) models and a classic black box model, based on two scenarios. Each scenario has different input combinations for modeling of various conditions. To continue ensemble models have been formed via outputs of the single black box models to improve modeling performance. Three methods of model ensemble were considered, including simple linear averaging model, weighted linear averaging model and non-linear neural ensemble model. Results show that employing model ensemble and in particular non-linear ensemble by neural network, improve the modeling accuracy up to 10%. Moreover, by comparison the both scenarios, it is concluded that in case of a failure of a piezometer, employing scenario 2 can be an effective way.

کلیدواژه‌ها [English]

  • Estimating Piezometric Heads
  • Artificial Intelligence Models
  • Model Ensemble
  • Sattarkhan Earth Fill Dam
Bandab Consulting Engineers, (2003) Technical reports of instrumentation of Sattarkhan dam. East Azarbayjan Regional Water Authority, 250p (In Persian)

Cortes C, Vapnik V (1995) Support-vector networks. Machine Learning 20:273-297

Hornik K (1988) Multilayer feed-forward networks are universal approximators. Neural Networks 2(5):359–366

Jang JSR (1993) ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems Man and Cybernetics 23(3):665–685

Jang JSR, Sun CT, Mizutani E (1997) Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence. Prentice Hall, NJ, 640p

Kia M (2012) Soft computing in Matlab. Kian Publication, Tehran, 624p (In Persian)

Krogh A, Vedelsby J (1995) Neural network ensembles, cross validation, and active learning. Advances in Neural Information Processing 7:231–238

Liu Y, Pender G (2015) A flood inundation modeling using v-support vector machine regression model. Engineering Applications of Artificial Intelligence 46:223–231

Nadiri AA, Taherkhani Z, Sadeghi Aghdam F (2017) Prediction of ground water level of Bostan Abad using combining artificial intelligence models. Iran-Water Resources Research 13(3):43-55 (In Persian)

Nourani V (2015) Basics of hydroinformatics. Tabriz University Press, 636p (In Persian)

Nourani V, Komasi M (2013) A geomorphology-based ANFIS model for multi-station modelling of rainfall–runoff process. Journal of Hydrology 490:41–55

Nourani V, Kisi Ö, Komasi M (2011) Two hybrid artificial intelligence approaches for modeling rainfall–runoff process. Journal of Hydrology 402:41–59

Nourani V, Sharghi E, Aminfar MH (2012) Integrated ANN model for earthfill dams seepage analysis: Sattarkhan dam in Iran. Artificial Intelligence Research 1(2):22-37

Novakovic A, Rankovic V, Grujovic N, Divac D, Milivojevic N (2014) Development of neuro-fuzzy model for dam seepage analysis. Annals of the Faculty of Engineering Hunedoara 12(2):133-136

Rankovic V, Grujovic N, Divac D, Milivojevic N (2014) Development of support vector regression identification model for prediction of dam structural behavior. Structural Safety 48:33-39

Schölkopf B, Smola AJ, Williamson RC, Bartlett PL (2000) New support vector algorithms. Neural Computation 12:1207–1245

Shamseldin AY, O’Connor KM, Liang G.C (1997) Methods for combining the outputs of different rainfall-runoff models. Journal of Hydrology 197:203-229

Tayfure G, Swiatek D, Wita A, Singh VP (2005) Case study: finite element method and artificial neural network models for flow through Jeziorsko earthfill dam in Poland. Journal of Hydraulic Engineering 131(6):431–440

Vafaeian M (2015) Earth dams & rockfill dams. Arkan Danesh, Isfahan, 464p (In Persian)

Wolpert DH (1992) Stacked generalization. Neural Networks 5(2):241-59

Zhang GP (2003) Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing 50:159–175

Zhang GP (2007) A neural network ensemble method with jittered training data for time series forecasting. Information Sciences 177:5329–5346

Zhang LM, Xu Y, Jia JS (2009) Analysis of earth dam failures: a database approach. Georisk 3(3):184-189