پیش‌بینی ضریب فشار آب حفره‌ای در بدنه ‌سد‌های ‌خاکی‌ در زمان ساخت و تعیین ویژگی‌های موثر بر آن با استفاده از الگوریتم هیبریدی wca-ann

در این مطالعه قابلیت الگوریتم هیبریدی wcaann در زمینه مدل‌سازی ضریب فشار آب حفره‌ای در بدنه سد کبودوال (مطالعه موردی) در زمان ساخت و تعیین ویژگی‌های موثر بر آن ارزیابی شده است. در این راستا از پنج ویژگی شامل تراز خاک ریزی، زمان ‌ساخت سد، تراز مخزن (آبگیری)، سرعت آبگیری و سرعت خاک ریزی در طول دوره آماری 4ساله به عنوان ورودی مدل هیبریدی انتخاب شدند. با اجرای الگوریتم هیبریدی و روش انتخاب ویژگی، دو ویژگی تراز خاک ریزی و زمان ساخت در نقاط ru19.1 و ru19.2 بیش‌ترین تاثیر را بر مدل‌سازی ضریب فشار آب حفره‌ای خاک دارند. علاوه بر دو ویژگی فوق، در نقاط محور میانی و مرکز مقطع عرضی، ویژگی‌های سرعت خاک ریزی و تراز آبگیری با مقدار خطا (mse) برابر 0.00006 و در نقاط نزدیک مخزن ویژگی های تراز آبگیری و سرعت آبگیری با مقدار خطا برابر 0.00004، بر مدل‌سازی ضریب فشار آب حفره‌ای موثر هستند. در نهایت می توان گفت که در نقاط نزدیک به محور سد، تراز خاک ریزی و در نقاط واقع در قسمت‌های دورتر از محور میانی و نزدیک مخزن زمان ساخت، با ضریب حساسیت بالا به عنوان مهمترین ویژگی‌ها در مدلسازی ضریب فشار آب حفره‌ای با مدل‌های هوش مصنوعی شناخته می شوند.

Pore water pressure coefficient forecasting in the body of earth dams at the time of construction and determination of its effective features using WCA-ANN hybrid algorithm

In this study, the ability of WCAANN hybrid algorithm to model the pore water pressure coefficient in the body of Kabudwal dam at the time of construction was investigated and the effective features were identified. Therefore, five features including fill level, time, reservoir level, dewatering rate and fill speed during the 4year statistical period were selected as the input of the model. By running the hybrid algorithm and feature selection method, the two features of fill level and time at points RU19.1 and RU19.2 have the greatest impact on modeling the pore water pressure coefficient. In addition to the above two features, in the points of the middle axis , the features of fill speed and reservoir level with error value (MSE) equal to 0.00006 and in points close to the dam reservoir, dewatering level and dewatering rate with error value equal to 0.00004 are effective in modeling the pore water pressure coefficient. The results showed that at points close to the dam axis, the fill level and at points farther from the middle axis construction time (with high sensitivity coefficient) was recognized as the most important features in modeling the pore water pressure coefficient with artificial intelligence models.