شبیه‌سازی فشار آب حفره‌‌ای در بدنه ‌سد‌های ‌خاکی‌ در زمان ساخت با ترکیب الگوریتم‌های فرا ابتکاری و anfis

پیش‌بینی دقیق فشار آب حفره‌ای در بدنه سدهای خاکی در زمان ساخت با روش‌های دقیق یکی از مهم‌ترین ارکان در مدیریت پایداری سدهای خاکی است. هدف کلی از این تحقیق توسعه مدل‌های ترکیبی، بر مبنای سیستم استنتاج عصبی فازی و الگوریتم‌های بهینه‌سازی فرا‌ ابتکاری است. در این راستا الگوریتم‌های فرا ابتکاری بهینه‌ساز شامل الگوریتم ژنتیک (ga)، ازدحام ذرات (pso)، تفاضل تکاملی (de)، کلونی مورچگان برای فضای پیوسته (acor)، جستجوی هارمونی (hs)، رقابت استعماری (ica)، کرم شب تاب (fa) و گرگ خاکستری(gwo) به‌منظور بهبود عملکرد آموزش سیستم استنتاج عصبی فازی، استفاده شد. سه ویژگی شامل تراز خاکریزی، زمان ساخت سد و تراز مخزن (آبگیری) حاصل از ابزار دقیق سد به‌عنوان ورودی مدل‌های ترکیبی انتخاب شدند. ارزیابی‌هایی انجام‌ شده از مقایسه مدل‌های ترکیبی با شاخص‌های آماری، نشان‌دهنده دقت قابل ‌قبول هر هشت مدل ترکیبی است. نتایج تحقیق نشان داد مدل ترکیبی الگوریتم ژنتیک در دوره آزمون با مقادیر ، rmse، nrmse وmae  به‌ترتیب برابر با مقادیر0/9540، 0486/، 0/1232 و 0/0345، بهترین عملکرد را نسبت به سایر الگوریتم‌های بهینه‌ساز دارد. همچنین الگوریتم‌های ترکیبی anfisga، anfispso، anfisica،anfishs عملکرد بهتری را نسبت بهanfisgwo، anfisfa، anfisacor و anfisde در بهبود آموزش شبکه anfis و پیش‌بینی فشار آب حفره‌ای در بدنه سدهای خاکی در زمان ساخت، دارند.

simulation of pore water pressure in the body of earthen dams during construction using combining meta-heuristic algorithms and anfis

accurate prediction of pore water pressure in the body of earth dams during construction with accurate methods is one of the most important components in managing the stability of earth dams. the main objective of this research is to develop hybrid models based on fuzzy neural inference systems and metaheuristic optimization algorithms. in this regard, the fuzzy neural inference system and optimizing metaheuristic algorithms including genetic algorithms (ga), particle swarm optimization algorithm (pso), differential evolution algorithm (de), ant colony optimization algorithm (acor), harmony search algorithm (hs), imperialist competitive algorithm (ica), firefly algorithm (fa), and grey wolf optimizer algorithm (gwo) were used to improve training system. three features including fill level, dam construction time, and reservoir level (dewatering) obtained from the dam instrumentation were selected as the inputs of hybrid models. the results showed that the hybrid model of the genetic algorithm in the test period had the best performance compared to other optimization algorithms with values of r^2, rmse, nrmse, and mae equal to 0.9540, 0.0866, 0.1232, and 0.0345, respectively. also, anfisga, anfispso, anfisica, and anfishs hybrid algorithms performed better than anfisgwo, anfisfa, anfisacore, and anfisde in improving anfis network training and predicting pore water pressure in the body earthen dams at the time of construction.