برآورد مقادیر نشت از سدهای خاکی با استفاده از روش‌های هوش مصنوعی

استفاده از پتوی رسی در مخازن سدها یکی از روش‌های اصلی کاهش نشت می‌باشد. در این مطالعه ابتدا با مدل‌سازی پتوی رسی در مخزن سد توسط روش المان محدود، با استفاده از تغییر پارامتر‌های موثر، 320 داده نشت به‌دست آمد. اعتبار‌سنجی روش المان محدود نیز با مقایسه نتایج نشت حاصل از روش المان محدود و نتایج آزمایشگاهی صورت گرفت. برای بررسی مناسب‌ترین مدل برای پیش‌بینی مقادیر نشت (حاصل از مدل‌سازی‌ها) از پنج روش هوش مصنوعی شامل: پرسپترون چند لایه (mlp)، برنامه‌نویسی بیان ژن(gep)، تابع شعاعی(rbf)، رگرسیون بردار پشتیبان(svr) و یک روش ترکیبی هوشمند از الگوریتم کرم شب‌تاب (ffa) با پرسپترون چند لایه (mlpffa) استفاده شد. برای همه روش‌های هوشمند مصنوعی، 75 درصد داده‌ها به‌عنوان آموزش و 25 درصد به‌عنوان تست در نظر گرفته شد. ترکیب‌های مختلف از داده‌های ورودی شامل نسبت ضریب نفوذپذیری پی به ضریب نفوذپذیری پتوی رسی ( )، نسبت طول پتوی رسی به تراز آب بالا دست ( )، ضخامت پی آبرفتی به ضخامت پتوی رسی ( )، طول پتوی رسی به عرض هسته ( ) و نسبت افقی به عمودی ضریب نفوذپذیری پی آبرفتی ( )  برای مقایسه روش‌های ذکر شده مورد استفاده واقع شد. نتایج حاصل از روش‌های هوشمند با شاخص‌های زیر مورد بررسی قرار گرفتند: ریشه میانگین مربعات خطا (rmse)، میانگین قدر مطلق خطا (mae)،  ضریب تبیین (r2)، نش ساتکلیف (ns)، شاخص ویلموت (wi) و دیاگرام تیلور. نتایج حاصل از مطالعه نشان داد که استفاده از روش هوشمند کرم شب‌تاب (ffa)، نتایج بسیار شبیه به مقادیر موجود دارد و می‌توان در بهینه‌سازی پیش‌بینی مقادیر نشت از آن استفاده کرد.

Predicting Seepage of Earth Dams using Artificial Intelligence Techniques

The use of clay blanket in reservoirs is one of the main methods of seepage reducing. In this study, with clay blanket modeling in a proposed reservoir by finite element method, 350 dataset was obtained using SEEP/W. Validation of SEEP/W was carried out by comparing seepage results obtained from a laboratory tests. For evaluation of suitable model for predicting seepage values (results of modeling), used from five artificial intelligence techniques comprising: multilayer perceptron neural network (MLP), radial base function (RBF), gene expression programming (GEP), support vector regression (SVR) and a novel hybrid model of the firefly algorithm (FFA) with the multilayer perceptron (MLPFFA). All the techniques were trained with 70% of available dataset and tested using the remaining 30% dataset. Different combinations of input data that include the ratio of the permeability coefficient of foundation to the permeability coefficient of clay blanket (K_f/K_b ), the ratio of the length of blanket to upstream head (L_1/H), the ratio of thickness of foundation to thickness of blanket (h_f/t), the ratio of length of blanket to thickness of core (L_1/L_2 ) and the ratio of horizontal to vertical permeability coefficient of foundation (K_(f_x )/K_(f_y ) ) were used for evaluation of mentioned methods. The results were evaluated using four performance criteria metrics: root mean square error (RMSE), mean absolute error (MAE), NashSutcliffe efficiency (NS), Willmott’s Index of agreement (WI) and Taylor diagram. The results of study showed that the MLPFFA method provides better estimation results than the other models and therefore, could be applied an optimized for predictive model of earth fill dam seepage.