تخمین فشار آب حفره‌ای در بدنه ‌سدهای‌ خاکی‌ در حین ساخت با مدل‌های هوشمند

یکی از موارد مهم در مدیریت پایداری سدهای خاکی، تخمین دقیق مقدار فشار آب حفره‌ای در بدنه سد در حین ساخت آن است. در این تحقیق از سه مدل متفاوت شبکه‌ی عصبی مصنوعی (ann)، سیستم استنتاج عصبی فازی تطبیقی (anfis) و برنامه‌نویسی بیان ژن (gep) برای تخمین فشار آب حفره‌ای در بدنه سدهای خاکی کبودوال استان گلستان در زمان ساخت مورد مطالعه و مقایسه قرار گرفت. پنج ویژگی شامل تراز خاک ریزی، زمان ساخت سد، تراز مخزن (آبگیری)، سرعت آبگیری و سرعت خاک ریزی در طول دوره آماری 1388-1391 یا 4 ساله به عنوان ورودی مدل‌ها در 4 پیزومتر نصب‌شده در بدنه سد استفاده شده است. سه ویژگی نخست با توجه به تابع همبستگی متقابل موثرترین ورودی‌ها بودند. نتایج نشان داد که شبکه عصبی مصنوعی در دو پیزومتر با توجه به شاخص‌های آماری، جواب‌های دقیق‌تری نسبت به برنامه‌ریزی بیان ژن ارائه کرده است ولی در دو پیزومتر دیگر این امر برعکس بود. همچنین مدل‌های anfis و gep در پیزومترهایی که دارای پراکندگی بیشتری بودند جواب‌های دقیق‌تری نسبت به مدل ann ارائه کردند. در نهایت بر اساس مدل gep روابط ریاضی بین متغیرهای ورودی و متغیر خروجی استخراج شد که برتری این مدل را نسبت به دیگر مدل‌ها نشان می دهد.

Estimation of pore water pressure in the body of earth dams during construction with intelligent models

One of the basic measures in managing the stability of earth dams is to accurately estimate the amount of pore water pressure in the body of the dam during and after its construction. In this study, three different models of artificial neural network (ANN), adaptive neuralfuzzy inference system (ANFIS) and gene expression programming (GEP) to estimate the pore water pressure in the body of Kabudwal earthen dams at the time of construction have been studied and compared. Five features including fill level, construction time, reservoir level, impounding rate and fill speed have been used during the 4year statistical period as input of models in 4 piezometers installed in the dam body. The first three features were the most effective inputs according to the crosscorrelation function. In this study, the results obtained from artificial neural network (ANN) in two piezometers according to statistical indicators, provided more accurate answers than gene expression programming (GEP) and ANFIS, but in the other two piezometers it was the opposite. Also, ANFIS and GEP models provided more accurate answers in piezometers that had higher data scatter than ANN model. Finally, based on the GEP model, mathematical relationships between input features and output variables were extracted.