پیش‌بینی هدایت هیدرولیکی از روی اطلاعات دانه‌بندی خاک با استفاده از مدل هوشمند sicm

نفوذ‌پذیری یکی از پارامترهای موثر بر جریان آب در محیط‌های متخلخل مانند توده‌ سنگ و خاک می‌باشد که اهمیت ویژه‌ای در مطالعات ژئوتکنیکی مانند محل اجرای سازه‌های مهم و پراهمیتی مانند قطار شهری دارد و تعیین آن از اهداف اصلی در مطالعات ژئوتکنیک به شمار می‌رود. همچنین پارامتری مهم در حل مشکلات ژئوتکنیکی مانند نشت آب، محاسبه‌ نشست، تحلیل پایداری و غیره می‌باشد. به‌دلیل گران، تخصصی، وقت‌گیر و غیرمطمئن بودن روش‌های اندازه‌گیری مستقیم (صحرایی و آزمایشگاهی) این پارامتر و همچنین به علت رفتار غیرخطی و شرایط ناهمگن و ناهمسان حاکم بر محیط‌های هیدروژئولوژیکی که موجب عدم قطعیت ذاتی روش‌های اندازه‌گیری مستقیم این پارامتر می‌شود، در سال‌های اخیر روش‌های مختلف هوش مصنوعی با دقت بیشتری نسبت به روش‌های فوق و برای جبران بخشی از این نقایص ارائه شده‌اند. در این مطالعه از دو روش هوش مصنوعی منفرد شامل مدل ماشین ‌بردار پشتیبان کمینه‌ مربعات (lssvm) و مدل هیبرید موجکی عصبی (wann) در خطوط 1 و 2 قطار شهری تبریز برای پیش‌بینی هدایت هیدرولیکی بر اساس اطلاعات دانه‌بندی استفاده شد؛ سپس نتایج این دو مدل انفرادی توسط مدل شبکه‌ عصبی مصنوعی (ann) ترکیب‌شده و با نام مدل هوشمند مرکب نظارت‌شده (sicm) موجب بهبودی نتایج گردید. مقایسه‌ نتایج مرحله‌ آزمایش سه مدل ارائه‌شده در این پژوهش نشان داد که هر سه مدل عملکرد نسبتاً مناسبی در پیش‌بینی هدایت هیدرولیکی داشتند؛ اما مدل ترکیبی sicm با داشتنcm/sec  0.000161 =rmse (ریشه‌ میانگین مربعات خطا) و 0.83 r2=(ضریب تبیین) نسبت به مدل‌های انفرادی نتایج بهتری را ارائه داده است.

prediction of hydraulic conductivity from the soil grain size data using sicm intelligent model

permeability is one of the parameters affecting water flow in porous environments such as rock and soil mass and is of special importance in geotechnical studies, e.g., the location of important structures such as urban trains. accordingly, determination of permeability is one of the main goals in geotechnical studies. also, it is an important parameter in solving geotechnical problems such as seepage, settlement measurement, stability analysis, etc. due to fact that direct methods (field and laboratory) of measuring permeability are expensive, highly specialized, time-consuming and unreliable, and due to the nonlinear behavior and heterogeneous and anisotropic conditions in hydrogeological environments which cause inherent uncertainty in the methods of direct measurement of this parameter, various artificial intelligence methods which work more accurately than the above methods  have recently been proposed  to compensate for some of these shortcomings. in this study, two individual artificial intelligence methods including least-squares support vector machine (lssvm) and wavelet-artificial neural network (wann) were used on lines 1 and 2 of tabriz urban train to predict hydraulic conductivity based on grain size data; then the results of these two individual models were combined by an artificial neural network (ann) and improved the results under the name of supervised intelligent committee machine (sicm). comparison of test step results of the three models presented in this study showed that all the three models had a relatively good performance in predicting hydraulic conductivity, but sicm model with root mean squared error (rmse)= 0.000161 cm/sec and determination coefficient (r2)= 0.83 provided better results than the individual models.