اﻟﮕﻮرﯾﺘﻢﻫﺎی ﻓﺮااﺑﺘﮑﺎری و روش از اﺳﺘﻔﺎده ﺑﺎ ﺑﺘﻨﯽ ﺳﺪﻫﺎی ارزﯾﺎﺑﯽ ﺗﺮک ﺧﻮردﮔﯽ ﺷﺒﮑﻪی ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ

با توجه به حساسیت موضوع ترک خوردگی در سدهای بتنی، نیاز به انجام آنالیز کامل و دقیق در خصوص رفتار ترک در این سدها با استفاده از روش‌های نوین احساس می‌شود. در این بین، الگوریتم‌های فرا ابتکاری از کارایی و دقت بسیار مناسبی در خصوص ارزیابی و پیش‌بینی مسائل نسبت به دیگر روش‌های نوین برخوردار می‌باشند. در این پژوهش با استفاده از الگوریتم فرا ابتکاری انتخابات (ea) و با لحاظ داده‌های تراز آب و دمای بتن طی سال‌های 1392-1379 به‌عنوان پارامترهای ورودی و مقدار تغییر مکان افقی و قائم ترک‌ها به‌عنوان پارامترهای خروجی، نحوه‌ی تغییرات ترک‌های سد بتنی قوسی زاینده‌رود مورد ارزیابی قرار گرفت و نتایج با روش الگوریتم ژنتیک (ga) و شبکه‌ی عصبی مصنوعی (ann) مقایسه گردید. برای ارزیابی عملکرد روش پیشنهادی، از سه آماره شامل ضریب تبیین (r2)، جذر میانگین مربعات خطا (rmse) و معیار نش ساتکلیف (nse) استفاده شده است. نتایج به‌دست آمده نشان می‌دهد الگوریتم ea با کسب مقادیر r2=0.96، rmse=0.022 و nse=0.74 در مقایسه با دو روش الگوریتم ga و شبکه‌ی عصبی مصنوعی (ann)، از کارایی بالاتری برخوردار است و البته مقدار ضریب رگرسیون برای ترک‌های سرریز به دلیل عدم وجود داده‌های کافی، کم‌تر از ترک‌های سد حاصل شد. به طور کلی می‌توان نتیجه گرفت که برای ارزیابی تغییرات ترک‌های سدهای بتنی و پیش‌بینی روند تغییرات آن‌ها در آینده، الگوریتم‌های فرا ابتکاری روشی بسیار دقیق و قدرتمند محسوب شده و به‌وسیله این روش‌ها می‌توان دید بسیار خوبی بر وضعیت آسیب دیدگی سدهای بتنی پیدا نمود.

Evaluating Cracks in Concrete Dams using Meta-heuristic Algorithms and Artificial Neural Networks

Necessity to a complete and accurate analysis of the crack behavior in concrete dams using new methods is felt due to the sensitivity of the cracking problem in these dams. Meanwhile, metaheuristic algorithms have a very good performance and accuracy in evaluating and predicting problems rather than other methods. In this study, Zayandehrood arch concrete dam has been chosen as the case study and the displacements in the cracks of this dam have been investigated by using election algorithm (EA). Water level and concrete temperature from 2000 to 2013 were considered as input parameters and also horizontal and vertical displacement of cracks were selected as output parameters. The results were compared with genetic algorithm (GA) and artificial neural networks (ANN). To evaluate the performance of the proposed method, three statistical criteria including correlation coefficient (R2), root mean square error (RMSE) and NashSutcliff efficiency (NSE) were utilized. The results show that EA has a higher efficiency with R2 = 0.96, RMSE = 0.022 and NSE = 0.74, compared to GA and ANN. However, due to the lack of sufficient data, the amount of regression coefficient for spillway cracks was lower than the dam cracks. It is concluded that for evaluating the displacements of cracks in concrete dams and predicting their variations in future, metaheuristic algorithms can be utilized as a very exact and powerful method. These methods can help dam managers and decisionmakers in monitoring and vulnerability analysis of dams during their operation.