مدلسازی و تخمین نیروی باالبرنده وارد بر سدهای وزنی با استفاده از روشهای المان محدود و شبکه عصبی مصنوعی بهینه شده با الگوریتم وال

شناخت صحیح نیروی بالابرنده نقش مهمی در تحلیل پایداری سدهای وزنی دارد. لذا تخمین آن با روش‌های دقیق بسیار حائز اهمیت می‌باشد. بدین منظور یک مدل عددی از پی سد وزنی در گاوانگژو چین، به روش المان محدود انجام گرفت و بعد از شبیه سازی، مقادیر نیروی بالابرنده در موقعیت‌های مختلف قرارگیری زهکش حاصل گردید. نیاز به تخصص، زمان بر بودن محاسبات و تعیین دقیق شرایط اولیه مسئله در مدل های عددی سبب گردیده است که گرایش به استفاده از مدل‌های هوشمند گسترش پیدا کند. بدین منظور علاوه بر مدل شبکه عصبی مصنوعی مرسوم ann با 4 نرون ورودی، یک لایه پنهان (دارای 8 نرون) و یک نرون خروجی، یک مدل جدید هیبریدی عصبی مصنوعی و الگوریتم بهینه سازی وال، annwoa ،توسعه داده شد. نسبت پارامترهای فاصله ردیف زهکش از بالادست، فاصله مرکز به مرکز زهکش ها از هم، قطر زهکش ها و سطح آب بالادست مخزن سد به عرض کف سد به عنوان ورودی و نیروی بالابرنده نسبی به عنوان خروجی مد نظر قرار گرفتند. نتایج تحقیق نشان داد مدل هیبریدی با r2 و re %به ترتیب برابر با 0/998 ،0/021 و 3/50 % نسبت به مقادیر مدل شبکه عصبی مصنوعی مقادیر rmse، به ترتیب برابر 0/995 ، 0/0261 و 4/67 % از قابلیت بالائی در تخمین نیروی بالابرنده برخوردار می‌باشد. همچنین نمودارهای چگالی داده ها و دیاگرام ویلن نشان داد که پراکندگی و توزیع احتمال داده‌های تخمینی با مدل هیبریدی با داده‌های حاصل از شبیه سازی عددی تطابق بسیار نزدیک و مشابهی دارد.

Modeling and Estimating the Uplift Force of Gravity Dams Using Finite Element and Artificial Neural Network Whale Optimization Algorithm Methods

The correct identification of the uplift force plays an important role in the stability analysis of gravity dams. Therefore, it is very important to estimate it accurately. For this purpose, a numerical model of the foundation of a gravity dam of the Guangzhao, China was made using finite element method. After simulation, the uplift force values were obtained in different positions of drainage. Require experience, the timing of calculations and the accurate determination of the boundary conditions in numerical models, have caused to the development of the tendency to use intelligent models. For this purpose, in addition to the Artificial Neural Network model (ANN) with threelayer that consists of 4 input neurons, 1 hidden layer (with 8 neurons), and 1 output neurons, a new hybrid model of Artificial Neural NetworkWhale Optimization Algorithm (ANNWOA), was developed. The ratio of the parameters of the distance of the drain row from upstream dam, the distance from the center to center of drains, the drain diameter and the water surface upstream of the reservoir dam respect to the width of the dam foundation as input and relative uplift force were considered as output. The values of R2 , RMSE and RE% for the ANNWOA model, were 0.998, 0.021 and 3.3%, respectively, and for the ANN model were 0.995, 0.261 and 4.67% respectively, that indicate the higher accuracy of the ANNWOA model in the estimation of the uplift force than the ANN. In addition, the density plot box and the violin plot indicate that the point density and the probability distribution estimated data with the ANNWOA model is very similar to that the data obtained from the numerical simulation compared with the ANN model.