استفاده از روش جی ترینگ داده ها در مدل سازی تراوش سد خاکی با استفاده از ترکیب مدل های هوش مصنوعی

اخیراً مدل‌های هوش مصنوعی مثل شبکه عصبی مصنوعی پیشرو و رگرسیون بردار پشتیبان قابلیت بالایی در مدل‌سازی سری‌های زمانی غیرخطی هیدرولیکی نشان داده‌اند. مدل‌های هوش مصنوعی روش‌هایی موثر برای بررسی و مدل‌سازی مقادیر زیادی از داده‌های دینامیک، غیرخطی و دارای خطا ارائه می‌دهند. از اینرو در این مقاله مسئله تراوش سد خاکی ستارخان با استفاده از دو مدل جعبه سیاه هوش مصنوعی شبکه عصبی مصنوعی پیشرو و رگرسیون بردار پشتیبان، بر اساس دو سناریو با ترکیب ورودی‌های مختلف مورد بررسی قرار گرفته و سپس به عنوان یک روش پیش‌پردازش برای بهبود عملکرد مدل، سری‌های نوفه با توزیع نرمال، میانگین صفر وانحراف معیارهای مختلف تولید شده و با افزودن آنها به داده‌های اصلی و تشکیل مجموعه‌های آموزشی مختلف، شبیه‌سازی تراوش با استفاده از مدل‌های هوش مصنوعی انجام شد. در ادامه به عنوان روشی دیگر برای بهبود عملکرد مدل، روش پس‌پردازش ترکیب مدل با استفاده از خروجی مدل‌های منفرد به کار گرفته شد. روش ترکیب مدل با استفاده از روش میانگین‌گیری غیرخطی با استفاده از شبکه عصبی مصنوعی انجام گرفت. نتایج حاکی از آن است که به کار‌گیری هم‌زمان هر دو روش جی‌ترینگ داده‌ها و ترکیب مدل، باعث بهبود دقت مدل تا 32% در مرحله صحت‌سنجی می‌شود.

Implementation of Data Jittering Technique for Seepage Analysis of Earth fill Dam Using Ensemble of AI Models

Recently, it has been shown that Artificial Intelligence (AI) methods such as Feed forward neural network and Support vector regression have great capability in modeling of nonlinear hydraulic time series. AI methods offer effective approaches for handling large amounts of dynamic, nonlinear and noisy data. Hence in this paper, seepage of Sattarkhan earth fill dam using two AI models of Feed forward neural network and Support vector regression was simulated, based on 2 scenarios with different combination of inputs. Afterwards, as a preprocessing method for improving the model performance, normally distributed noises with the mean of zero and various standard deviations were generated and added to the time series to form different jittered training data sets, for AI modeling of seepage. Further, as another method for improving the model performance, an ensemble postprocessing model was developed using outputs of sole models. Nonlinear neural averaging method was considered for model ensembling. The obtained results indicated that simultaneous application of the both jittering and model ensembling methods improved the model accuracy up to 32% in the verification step.