627

SeepagemodellinginEmbankmentusingANNandNeuro-Fuzzymodels:Karkhehdam

كارشناسي ارشد

عمران

تهران شمال

1396

1396/6/23

17/25

94ص.

رجائي،طاهر

86-84ص.

artificial intelligence , Artificial Neural Network , Neuro-fuzzy

با توجه به اهميت هدررفت آب بخصوص در سال‌هاي اخير به دليل كاهش چشم‌گير بارندگي‌ها، همچنين تاثير به سزاي تراوش در ناپايداري سدها، علي‌الخصوص سدهاي خاكي، در اين پژوهش به مدل‌سازي نشت از سد كرخه به عنوان بزرگ‌ترين سد ايران و بزرگترين سد خاكي خاورميانه با استفاده از هوش مصنوعي پرداخته شده است.تلاش گرديده با معرفي مختصر سد كرخه، ساختگاه، خصوصيات آن و بيان مختصر تحقيقات و بررسي‌هاي گذشته در براورد مقدار تراوش و هوش مصنوعي، همزمان به معرفي و شناخت دو مقوله از پركاربردترين برنامه‌هاي هوش مصنوعي (شبكه عصبي و تكنيك‌هاي نروفازي) پرداخته شود. برنامه‌ي مورد استفاده در شبكه‌‌ي عصبي، شبكه‌هاي عصبي چندلايه‌ي پرسپترون (MLP) و برنامه‌ي مورد استفاده در نروفازيAnfis است.مدل‌سازي جهت تخمين تراوش با استفاده از ورودي‌هاي ساده و در دسترس (تراز، حجم و دبي) به صورت تكي و اثر همزماني دوتايي (حجم و تراز) و (تراز و دبي) انجام پذيرفت و پيش‌بيني سري‌هاي زماني طييك بازه‌ي زماني ده ساله توسط هر دو روش با تأخيرهاييك، دو و سه هفته‌اي صورت پذيرفت؛ سپس ميزان حساسيت و دقت مدل به وسيله ميانگين مربعات خطا (MSE)، ضريب تبيين نش يا كارايي(COE) بررسي گردد كه نزديكي اين ضريب بهعدد 1+نشان‌دهنده‌ي كارايي مطلوب مدل مي‌باشد. تا حد امكان نمودارهاي مختلف نتايج مدلسازي نشت و مقدار واقعي ترسيم شده است. مشاهده نتايج نشان داد مدلسازي صورت گرفته توسط هر دو روش از دقت قابل قبولي هم در تخمين و هم در پيش بيني سري زماني برخوردار بوده كه ضريب تبيين نش براي مدل ده ساله براي بيشتر مدل‌ها حدود 86/0 و ميانگين مربعات خطا حدود 32/0 مي‌باشد كه مقدار مطلوبيست،‌ هم‌چنين در پيش‌بيني سري زماني جهت تأخيرهاييك‌هفته‌اي براي هر دو روش ضريب نش حدود 99/0 به دست آمده كه نتيجه‌ي بسيار رضايت‌بخشي است.

44059