توسعه مدل هيبريدي جديد جهت تخمين نيروي بالابرنده در سد هاي وزني بر مبناي الگوريتم بهينه سازي وال

Modeling and Estimating the Uplift Force of Gravity Dams Using Finite Element and Artificial Neural Network Whale Optimization Algorithm Methods

شناخت صحيح نيروي بالابرنده نقش مهمي در تحليل پايداري سدهاي وزني دارد. لذا تخمين آن با روش هاي دقيق بسيار حايز اهميت مي باشد. بدين منظور يك مدل عددي از پي سد وزني در گاوانگژو چين، به روش المان محدود انجام گرفت و بعد از شبيه سازي، مقادير نيروي بالابرنده در موقعيت هاي مختلف قرارگيري زهكش حاصل گرديد. نياز به تخصص، زمان بر بودن محاسبات و تعيين دقيق شرايط اوليه مسيله در مدل هاي عددي سبب گرديده است كه گرايش به استفاده از مدل هاي هوشمند گسترش پيدا كند. بدين منظور علاوه بر مدل شبكه عصبي مصنوعي مرسوم ANNبا 4 نرون ورودي، يك لايه پنهان (داراي 8 نرون) يك نرون خروجي، يك مدل جديد هيبريدي عصبي مصنوعي و الگوريتم بهينه سازي وال،ANN-WOA، توسعه داده شد. نسبت پارامترهاي فاصله رديف زهكش از بالادست، فاصله مركز به مركز زهكش ها از هم، قطر زهكش ها و سطح آب بالادست مخزن سد به عرض كف سد به عنوان ورودي و نيروي بالابرنده نسبي به عنوان خروجي مد نظر قرار گرفتند. نتايج تحقيق نشان داد مدل هيبريدي با مقادير R2، RMSE و RE% به ترتيب برابر با 0.998, 0.021 , 3.3%,نسبت به مقادير مدل شبكه عصبي مصنوعي به ترتيب برابر 0.995, 0.261 , 4.67% از قابليت بالايي در تخمين نيروي بالابرنده برخوردار مي باشد. همچنين نمودارهاي چگالي داده ها و دياگرام ويلن نشان داد كه پراكندگي و توزيع احتمال داده هاي تخميني با مدل هيبريدي با داده هاي حاصل از شبيه سازي عددي تطابق بسيار نزديك و مشابهي دارد.

The correct identification of the uplift force plays an important role in the stability analysis of gravity dams. For this purpose, a numerical model of the foundation of a gravity dam of the Guangzhao, China was made using finite element method. After simulation, the uplift force values were obtained in different positions of drainage. Require experience, the timing of calculations and the accurate determination of the boundary conditions in numerical models, have caused to the development of the tendency to use intelligent models. For this purpose, in addition to the Artificial Neural Network model (ANN) with three-layer that consists of 4 input neurons, 1 hidden layer (with 8 neurons), and 1 output neurons, a new hybrid model of Artificial Neural Network-Whale Optimization Algorithm (ANN-WOA), was developed. The values of R2, RMSE and RE% for the ANN-WOA model, were 0.998, 0.021 and 3.3%, respectively, and for the ANN model were 0.995, 0.261 and 4.67% respectively, that indicate the higher accuracy of the ANN-WOA model in the estimation of the uplift force than the ANN. In addition, the density plot box and the violin plot indicate that the point density and the probability distribution estimated data with the ANN-WOA model is very similar to that the data obtained from the numerical simulation compared with the ANN model.