پيش‌بيني ضريب فشار آب حفره‌اي در بدنه ‌سد‌هاي ‌خاكي‌ در زمان ساخت و تعيين ويژگي‌هاي مؤثر بر آن با استفاده از الگوريتم هيبريدي WCA-ANN

Pore water pressure coefficient forecasting in the body of earth dams at the time of construction and determination of its effective features using WCA-ANN hybrid algorithm

در اين مطالعه قابليت الگوريتم هيبريدي WCA-ANN در زمينه مدل‌سازي ضريب فشار آب حفره‌اي در بدنه سد كبودوال (مطالعه موردي) در زمان ساخت و تعيين ويژگي‌هاي مؤثر بر آن ارزيابي شده است. در اين راستا از پنج ويژگي شامل تراز خاك ريزي، زمان ‌ساخت سد، تراز مخزن (آبگيري)، سرعت آبگيري و سرعت خاك ريزي در طول دوره آماري 4ساله به عنوان ورودي مدل هيبريدي انتخاب شدند. با اجراي الگوريتم هيبريدي و روش انتخاب ويژگي، دو ويژگي تراز خاك ريزي و زمان ساخت در نقاط RU19.1 و RU19.2 بيش‌ترين تأثير را بر مدل‌سازي ضريب فشار آب حفره‌اي خاك دارند. علاوه بر دو ويژگي فوق، در نقاط محور مياني و مركز مقطع عرضي، ويژگي‌هاي سرعت خاك ريزي و تراز آبگيري با مقدار خطا (MSE) برابر 0/00006 و در نقاط نزديك مخزن ويژگي هاي تراز آبگيري و سرعت آبگيري با مقدار خطا برابر 0/00004، بر مدل‌سازي ضريب فشار آب حفره‌اي موثر هستند. در نهايت مي توان گفت كه در نقاط نزديك به محور سد، تراز خاك ريزي و در نقاط واقع در قسمت‌هاي دورتر از محور مياني و نزديك مخزن زمان ساخت، با ضريب حساسيت بالا به عنوان مهمترين ويژگي‌ها در مدلسازي ضريب فشار آب حفره‌اي با مدل‌هاي هوش مصنوعي شناخته مي شوند.

In this study, the ability of WCA-ANN hybrid algorithm to model the pore water pressure coefficient in the body of Kabudwal dam at the time of construction was investigated and the effective features were identified. Therefore, five features including fill level, time, reservoir level, dewatering rate and fill speed during the 4- year statistical period were selected as the input of the model. By running the hybrid algorithm and feature selection method, the two features of fill level and time at points 􀜴􀝑􀬵􀬽􀇤􀬵 and 􀜴􀝑􀬵􀬽􀇤􀬶 have the greatest impact on modeling the pore water pressure coefficient. In addition to the above two features, in the points of the middle axis , the features of fill speed and reservoir level with error value (MSE) equal to 0.00006 and in points close to the dam reservoir, dewatering level and dewatering rate with error value equal to 0.00004 are effective in modeling the pore water pressure coefficient. The results showed that at points close to the dam axis, the fill level and at points farther from the middle axis construction time (with high sensitivity coefficient) was recognized as the most important features in modeling the pore water pressure coefficient with artificial intelligence models.