پیش بینی هدایت هیدرولیکی از روی اطلاعات دانه بندی خاک با استفاده از مدل هوشمند SICM

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 197

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_HYDTR-7-1_006

تاریخ نمایه سازی: 13 اسفند 1401

Abstract:

نفوذ پذیری یکی از پارامترهای موثر بر جریان آب در محیط های متخلخل مانند توده سنگ و خاک می باشد که اهمیت ویژه ای در مطالعات ژئوتکنیکی مانند محل اجرای سازه های مهم و پراهمیتی مانند قطار شهری دارد و تعیین آن از اهداف اصلی در مطالعات ژئوتکنیک به شمار می رود. همچنین پارامتری مهم در حل مشکلات ژئوتکنیکی مانند نشت آب، محاسبه نشست، تحلیل پایداری و غیره می باشد. به دلیل گران، تخصصی، وقت گیر و غیرمطمئن بودن روش های اندازه گیری مستقیم (صحرایی و آزمایشگاهی) این پارامتر و همچنین به علت رفتار غیرخطی و شرایط ناهمگن و ناهمسان حاکم بر محیط های هیدروژئولوژیکی که موجب عدم قطعیت ذاتی روش های اندازه گیری مستقیم این پارامتر می شود، در سال های اخیر روش های مختلف هوش مصنوعی با دقت بیشتری نسبت به روش های فوق و برای جبران بخشی از این نقایص ارائه شده اند. در این مطالعه از دو روش هوش مصنوعی منفرد شامل مدل ماشین بردار پشتیبان کمینه مربعات (LSSVM) و مدل هیبرید موجکی عصبی (WANN) در خطوط ۱ و ۲ قطار شهری تبریز برای پیش بینی هدایت هیدرولیکی بر اساس اطلاعات دانه بندی استفاده شد؛ سپس نتایج این دو مدل انفرادی توسط مدل شبکه عصبی مصنوعی (ANN) ترکیب شده و با نام مدل هوشمند مرکب نظارت شده (SICM) موجب بهبودی نتایج گردید. مقایسه نتایج مرحله آزمایش سه مدل ارائه شده در این پژوهش نشان داد که هر سه مدل عملکرد نسبتا مناسبی در پیش بینی هدایت هیدرولیکی داشتند؛ اما مدل ترکیبی SICM با داشتنcm/sec  ۰۰۰۱۶۱/۰ =RMSE (ریشه میانگین مربعات خطا) و ۸۳/۰ R۲=(ضریب تبیین) نسبت به مدل های انفرادی نتایج بهتری را ارائه داده است.

Authors

محمد خلیلی ملکی

دانشجوی دکتری، گروه عمران، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

رامین وفایی پورسرخابی

استادیار، گروه عمران، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

عطاءاله ندیری

دانشیار، گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

روزبه دبیری

استادیار، گروه عمران، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • ترابی، ح.، نصرالهی، ع. ح.، دهقانی، ر.، ۱۴۰۰. ارزیابی مدل ...
  • داداش بابا، م.، ندیری، ع. ا.، اصغری مقدم، ا.، برزگری، ...
  • رخ شاد، ا. م.، شهیدی، ع.، ۱۴۰۰. عملکرد شش روش ...
  • سازمان قطار شهری تبریز، ۱۳۸۳، ۱۳۸۴ و ۱۳۸۸. گزارش های ...
  • عزیزی، ا.، رجبی، ا.، یعقوبی، ب.، شعبانلو، س.، ۱۴۰۰. تخمین ...
  • عندلیب، غ.، نورانی، و.، منیری فر، ح.، شرقی، ا.، ۱۳۹۸. ...
  • قره خانی، م.، ندیری، ع. ا.، اصغری مقدم، ا.، صادقی ...
  • نورانی، و.، عندلیب، غ.، ۱۳۹۶. به کارگیری مدل های ترکیبی ...
  • یوسف زاده، س.، ندیری، ع. ا.، ۱۳۹۶. برآورد هدایت هیدرولیکی ...
  • یوسف زاده، س.، ندیری، ع. ا.، ۱۴۰۰. تخمین هدایت هیدرولیکی ...
  • Application of Wavelet Denoising and Artificial Intelligence Models for Stream Flow Forecasting [مقاله ژورنالی]
  • Erzin, Y., Gumaste, S. D., Gupta, A. K., Singh, D. ...
  • Mallat, S. G., ۱۹۹۸. A wavelet tour of signal processing. Academic ...
  • Nadiri, A. A., Chitsazan, N., Tsai, F. T. C., Asghari ...
  • Nadiri, A. A., Gharekhani, M., Khatibi, R., Asghari Moghaddam, A. ...
  • Nourani, V., Hosseini Baghanam, A., Adamowski, J., Kisi, O. ...
  • Nourani, V., Komasi, M., Mano, A. ۲۰۰۹. A multivariate ANN-wavelet ...
  • Nowak, W., Cirpka, O. A. ۲۰۰۶. Geostatistical inference of hydraulic ...
  • Rogiers, B., Mallants, D., Batelaan, O., Gedeon, M., Huysmans, M., ...
  • Sezer, A., Göktepe, A. B., Altun, S. ۲۰۱۰. Adaptive neuro-fuzzy ...
  • Shabri, A., Suhartono. ۲۰۱۲. Streamflow forecasting using least-squares support vector ...
  • Sharghi, E., Nourani, V., Najafi, H., Gokcekus, H. ۲۰۱۹. Conjunction ...
  • Sihag, P. ۲۰۱۸. Prediction of unsaturated hydraulic conductivity using fuzzy ...
  • Suykens, J. A. K., Vandewalle, J. ۱۹۹۹. Least squares support ...
  • Tayfur, G., Nadiri, A. A., Asghari Moghaddam, A. ۲۰۱۴. Supervised ...
  • Todd, D. K., Mays, L. W., ۲۰۰۵. Groundwater Hydrology. (Third ...
  • Vapnik, V., Cortes, C. ۱۹۹۵. Support Vector Networks. Machine Learning, ...
  • Yin, J. ۲۰۱۱. LogP prediction for blocked tripeptides with amino ...
  • نمایش کامل مراجع