مدل‌سازی رفتار سدهای بتنی با استفاده از روش‌های 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 365 روز، از 1397/01/31 تا 1398/01/31 که 600 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 120 مجموعه داده جهت آزمایش استفاده گردید. برای ارزیابی عملکرد روش پیشنهادی، از چهار آماره شامل ضریب تعیین (r2)، 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 0/930= r^2 و 8/587=si 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 1/341 و 1/526 می باشد و برای داده های صحت سنجی این مقادیر برابر با 1/576 و 2/247 می باشد که این نشان از عملکرد خوب مدل پیشنهاد شده دارد. در معیار احتمال تجمعی، مدل پیشنهاد شده با 0/940=p50 و 1/742=p90 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 72 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.

modeling the behavior of concrete dams using artificial neural network and logistic regression methods

background and aim: dam measurement and behavior assessment is a new issue that can be due to changes in available parameters to develop a model examining the behavior of individual parameters on the dam as well as on each other and analyze the changes and create the necessary policies. this study aims to propose a hybrid method involving logistic regression with particle swarm optimization algorithm with real value to predict the behavior of dam equipment.method: in this study, from 365 days data, from 04/20/2018 to 04/20/2019, of which 600 sets of dam equipment data including parameters of water temperature, water level, valve pressure, sedimentation rate, pore pressure, air temperature, inlet water volume, specific dam characteristics, concrete conditions, reservoir water level, horizontal and vertical displacement, transmission connection components and ground acceleration, strength, pressure, tensile and high stress were used for modeling. real value-logistic regression and 120 datasets were used for modeling the should be added of particle group optimization algorithm. to evaluate the performance of the proposed method, four statistics including coefficient of determination (r2), root mean square error (rmse), scattering coefficient (si), and means bias error (mbe) were used.findings: the results showed that the model has an acceptable performance in predicting piezometric pressure in the dam body. also, the results of the artificial neural network model show acceptable convergence with r2 = 0.930 and ssi = 8.587. the results related to the training data of the model also indicate that the mean ( micro;) and standard deviation ( sigma;) of the proposed model are equal to 1.341 and 1.526 for the training data and these values for the validation data are equal to 1.576 and 2.247, respectively indicating the good performance of the proposed model. in the cumulative probability criterion, the proposed model with p50 = 0.940 and p90 = 1.742 indicates that the results are acceptable.results: the results indicate that the real value-logistic regression particle swarm optimization implements the principle of structural risk reduction instead of minimizing the experimental risk that provides excellent generalization for small sample sizes. the ratio of predicted piezometric values ​​to read values ​​for about 72% of the data in this model is about one, indicating the appropriate training and predictive power of this model. finally, according to the evaluation criteria, the hybrid model performs better than the presented methods.