مدل سازی رفتار سدهای بتنی با استفاده از روش های شبکه عصبی مصنوعی و رگرسیون لجستیک

زمینه و هدف: اندازه گیری و رفتارسنجی سد موضوع جدیدی می باشد که می تواند 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 سیاست های لازم را ایجاد کند. هدف این پژوهش ایجاد یک روش ترکیبی از رگرسیون لجستکی با بهینه سازی الگوریتم بهینه سازی گروه ذرات با مقدار حقیقی جهت پیش بینی رفتار تجهیزات سد می باشد. روش پژوهش: در این مطالعه از داده های ۳۶۵ روز، از ۳۱/۰۱/۱۳۹۷ تا ۳۱/۰۱/۱۳۹۸ که ۶۰۰ مجموعه داده تجهیزات سد شامل پارامترهای دمای آب، سطح آب، فشار دریچه، میزان رسوب گذاری، 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 مدل سازی استفاده شدند. برای آموزش مدل سازی الگوریتم بهینه سازی گروه ذرات مقدار حقیقی-رگرسیون لجستیک و ۱۲۰ مجموعه داده جهت آزمایش استفاده گردید. برای ارزیابی عملکرد روش پیشنهادی، از چهار آماره شامل ضریب تعیین (R۲)، ریشه میانگین مربعات خطا (RMSE)، ضریب پراکندگی (SI) و میانگین خطاهای انحرافی (MBE) استفاده گردید.یافته ها: 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 ۹۳۰/۰ R۲= و ۵۸۷/۸SI= همگرایی قابل قبولی را نشان می  دهد. نتایج مربوط به داده های آموزش مدل نیز بیانگر این است که میانگین (µ) و انحراف معیار (σ) مدل ارائه شده، برای داده  های آموزش به ترتیب برابر با ۳۴۱/۱ و ۵۲۶/۱ می باشد و برای داده  های صحت سنجی این مقادیر برابر با ۵۷۶/۱ و ۲۴۷/۲ می  باشد که این نشان از عملکرد خوب مدل پیشنهاد   شده دارد. در معیار احتمال تجمعی، مدل پیشنهاد   شده با ۹۴۰/۰P۵۰= و ۷۴۲/۱P۹۰= مبین این است که نتایج قابل قبول می  باشد.نتایج: نتایج بیانگر این است که بهینه سازی گروه ذرات مقدار حقیقی-رگرسیون لجستیک در عوض به حداقل رساندن ریسک تجربی که تعمیم عالی برای اندازه های نمونه کوچک را فراهم می سازد، اصل کاهش ریسک سازه ای را اجرا می کند. نسبت مقادیر پیزومتریک پیش بینی شده به مقادیر قرائت شده برای حدود ۷۲ 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 روش های بیان شده دارد.

Keywords:

سد بتنی , تحلیل رگرسیون , الگوریتم بهینه سازی گروه ذرات , سد ستارخان