بررسی قابلیت شبکه عصبی مصنوعی در تخمین توزیع فشار در سدهای خاکی (مطالعه موردی: سد خاکی ملاصدرا)

در این پژوهش از روش شبکه عصبی مصنوعی برای تخمین توزیع فشار در سد خاکی ملاصدرا استفاده گردید. برای پیدا کردن پارامترهای موثر در شبکه عصبی مصنوعی از آنالیز حساسیت استفاده گردید. بر اساس نتایج آنالیز حساسیت، ارتفاع کل آب و فاصله ی پیزومتر مورد مطالعه تا پای سد بیشترین تاثیر را بر تخمین توزیع فشار داشته بنابراین به عنوان ورودی به مدل انتخاب شدند. طراحی شبکه عصبی مصنوعی به ترتیب برای 4 پیزومتری که در بدنه سد قرار گرفته اند انجام گرفت. داده های آماری موجود به سه دسته آموزش (60 درصد داده ها)، صحت سنجی(20 درصد داده ها) و آزمون (20 درصد داده ها) تقسیم بندی و به منظور رسیدن به معماری بهینه مدل به تکرارهای زیاد اجرا گردید و در نهایت با استفاده از روش صحیح و خطا، بهترین آرایش برای شبکه مشخص گردید. سپس نتایج حاصل از شبکه عصبی مصنوعی در پیش بینی توزیع فشار در بدنه ی سد خاکی ملاصدرا با مقادیر مشاهده ای (داده های پیزومتری) بر اساس شاخص های آماری صورت پذیرفت. یافته های این پژوهش حاکی از توانایی بالای شبکه عصبی مصنوعی درتخمین توزیع فشار در بدنه ی سد خاکی ملاصدرا دارد. بطوریکه بر اساس بهترین نتایج بدست آمده شبکه عصبی مصنوعی با توابع یادگیری مختلف در پیزومتر 16، مقدار میانگین مربع خطا 00001/0 و ضریب تعیین 97/0 و در پیزومتر 17، مقدار میانگین مربع خطا 0002/0 و ضریب تعیین 98/0 و در پیزومتر 18، مقدار میانگین مربع خطا 00005/0 و ضریب تعیین 96/0 و در پیزومتر 19، مقدار میانگین مربع خطا 0003/0 و ضریب تعیین 97/0 بدست آمد. همچنین بر اساس نتایج تکرارهای مختلف برای پیزومتر 16، مقدار ضریب تعیین 98/0 و برای پیزومتر 17، مقدار ضریب تعیین 96/0 و برای پیزومتر 18، مقدار ضریب تعیین 976/0 و برای پیزومتر 19، مقدار ضریب تعیین 978/0 مشاهده گردید. با مقایسه بین فشار مشاهده ای و فشار پیش بینی شبکه عصبی مصنوعی با استفاده از نرم افزار minitab 16، برای پیزومتر 16، مقدارهمبستگی پیرسون 991/0 و برای پیزومتر 17، مقدارهمبستگی پیرسون 99/0 و برای پیزومتر 18، مقدارهمبستگی پیرسون 99/0 و برای پیزومتر 19، مقدارهمبستگی پیرسون 987/0 استخراج شد. مقایسه بین عملکرد مراحل مختلف آموزش شبکه عصبی مصنوعی و داده های مشاهده ای بیانگر این مطلب بود که در پیزومتر 16، در مرحله صحت سنجی، آزمون و آموزش به ترتیب مقدار همبستگی پیرسون 99/0 و 972/0 و 99/0 و در پیزومتر 17، در مرحله صحت سنجی، آزمون و آموزش به ترتیب مقدار همبستگی پیرسون 98/0 و 99/0 و 99/0 و در پیزومتر 18، در مرحله صحت سنجی، آزمون و آموزش به ترتیب مقدار همبستگی پیرسون 991/0 و 95/0 و 996/0 و در پیزومتر 19، در مرحله صحت سنجی، آزمون و آموزش به ترتیب مقدار همبستگی پیرسون 995/0 و 99/0 و 99/0 بدست آمد. نتایج پژوهش حاضر با تحقیقاتی که در آن ها توانایی شبکه عصبی مصنوعی بررسی گردیده است، مطابقت دارد. به عنوان مثال: رجبی در سال 1391 در پیش بینی توزیع فشار در جریان عبوری از سدهای پاره سنگی، جمال و همکاران در سال1390 در پیش بینی دقیق تراوش از سدخاکی در شرایط غیراشباع، منصوریار و اسناوندی در سال 1390 در بدست آوردن ضریب اطمینان شیروانی های خاکی، حسین زاده طلایی در سال 1389 در مدل سازی منحنی دبی- اشل سدهای پاره سنگی، طبری و همکاران در سال 2010 برآورد آب معادل برف، سینق و همکاران در سال 2009 به بررسی کیفیت آب رودخانه ای در هند، را توسط شبکه ی عصبی مصنوعی بررسی کردند و توانمندی شبکه در حل این مسائل به اثبات رسید.