ارزیابی عملکرد روش‌های هوش مصنوعی در تخمین نشست تاج سد سنگریزه‌ای با هسته مرکزی

نشست غیرقابل پیش‌بینی سدهای خاکی پژوهشگران را بر آن داشته تا روش‌های نوین نظیر شبکه عصبی مصنوعی، تئوری موجک، منطق فازی و ترکیبی از این روش‌ها مورد توجه آنها قرار گیرد. در این پژوهش با استفاده از روش‌های هوش مصنوعی مقدار نشست تاج در سدهای سنگریزه‌ای با هسته مرکزی تخمین زده شده است. در این پژوهش از داده‌های 35 سد سنگریزه‌ای با هسته مرکزی برای آموزش و صحت‌سنجی مدل‌ها استفاده شد. شبکه عصبی مصنوعی، مدل ترکیب تبدیل موجک و شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی فازی عصبی مدل‌های پیشنهادی ارائه شده در این پژوهش هستند. بر اساس نتایج حاصل در مطالعه حاضر، بهترین مدل برای شبکه عصبی مصنوعی با دو لایه مخفی که لایه اول 18 نورون و لایه دوم 7 نورون و با تابع فعال‌ساز tansigtansig، با ضریب تعیین r^2=0.4969، برای مدل سیستم استنتاج فازی عصبی، تابع حلقوی (dsigmoid) به‌عنوان تابع عضویت، با 3 تابع عضویت و تعداد 142 تکرار با ضریب تعیین r^2=0.2860، بهترین مدل و همچنین برای ترکیب تبدیل موجک شبکه عصبی با تابع موجک coif2 به‌دلیل انطباق بیشتر این تابع با متغیرهای ورودی، عملکرد بهتری داشته و این تابع با ضریب تعیین r^2=0.9447، دارای بیشترین دقت نسبت به سایر مدل‌ها است. 

investigation of the performance of artificial intelligence methods in estimating the crest settlement of rockfill dam with a central core

unpredictable settlement of earth dams has led researchers to develop new methods such as artificial neural networks, wavelet theory, fuzzy logic, and a combination of them. these methods do not require timeconsuming analyses for estimation. in this research, the amount of settlement in rockfill dams with a central core has been estimated using artificial intelligence methods. the data of 35 rockfill dams with a central core were used to train and validate the models. the artificial neural network, wavelet transform model, and fuzzyneural adaptive inference system are the proposed models which were used in the present study. according to the results, the best model for an artificial neural network had two hidden layers, the first layer of 18 neurons and the second layer of 7 neurons, with the tansigtansig activation function, with a coefficient of determination r^2=0.4969. the best model for the fuzzyneural inference system had the ring function (dsigmoid) as a membership function, with three membership functions and 142 repetitions with a coefficient of determination r^2=0.2860. also, combining waveletneural network conversion with the coif2 wavelet function due to the more adaptation this function has to the input variables, the better the performance, and this function, with a coefficient of determination r^2=0.9447, had the highest accuracy compared to other models.