این مطالعه به پیش بینی تراوش در سد خاکی ستارخان با بهره گرفتن از مدل شبکه عصبی پرداخت. به کارگیری این روش جهت آموزش مدل و ارزیابی آن بر اساس پارامترهای آماری مناسب منجر به نتایج قابل توجهای شد که عبارتند از:
-
- مطالعات جامع صورت گرفته نشان داد که تراوش از بدنه سدها، مهمترین دلایل شکست سدها بوده است. از این رو، شناسایی این پدیده و عوامل موثر بر آن مورد بررسی قرار گرفت که بسیار مفید واقع گردید.
-
- تقسیم داده ها در دستههای ۲۰۰، ۴۰۰، ۶۰۰، ۸۰۰، ۱۰۰۰ و ۱۳۴۷ تایی نشان داد که حداقل تعداد داده جهت آموزش مناسب مدلها، ۴۰۰ داده میباشد. با این وجود، بکارگیری دستههای ۱۰۰۰ و ۱۳۴۷ تایی منجر به آموزش بهتر و قدرت پیش بینی بالاتر مدل شد.
-
- تقسیم تصادفی داده ها جهت آموزش و آزمون مدل نشان داد که نسبت ۸۰ به ۲۰ درصد که در بسیاری از مراجع پیشنهاد شده است، بهینه ترین حالت میباشد.
-
- با توجه به مدلسازی صورت گرفته مشخص شد که مدل پیشنهادشده به خوبی آموزش دیده است و از قابلیت بالایی در پیش بینی پدیده تراوش برخوردار است.
-
- بکارگیری پارامترهای آماری مناسب و کارآمد جهت ارزیابی مدل ارائه شده، کمک قابل توجهی در شناخت دقت و قابلیت آن ارائه کرد. هر یک از پارامترهای آماری بکارگرفته شده، معیار خاصی از مدل را مورد ارزیابی قرار داد. از این رو، بر اساس چنین صحتسنجی جامع و کامل میتوان بیان داشت که مدل فوق به خوبی قابلیت بکارگیری در پیش بینی فشار پیزومتری از سد خاکی را دارد.
-
-
- با بهره گرفتن از مدل ارائه شده و جایگزینی آن با ابزاردقیق موجود، میتوان شاهد کاهش هزینه های ناشی از ابزارگذاری در بدنه سدهای خاکی، کاهش هزینه های قابل توجه نیروی انسانی جهت قرائت مداوم پیزومترها و پیش بینی تراوش برای آینده، بود.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
-
-
با توجه به تفاوت مشخصات هندسی و فیزیکی سدهای خاکی، در این مطالعه چنین مشخصاتی به عنوان ورودی در نظر گرفته نشد و فقط بررسی تراوش در یک سد که آن سد ستارخان بود پرداخته شد. از این رو، نتایج حاصل از این مطالعه فقط در سد ستارخان مورد استفاده خواهد بود.
-
- پیشنهادها
-
با مرور انجام‌شده بر روی مطالعات پیشین و نتایج به دست آمده از این مطالعه، موارد زیر پیشنهاد می شود:
-
- با بهره گرفتن از سایر روشهای داده کاوی همچون شبکه های عصبی- فازی تطبیقی، الگوریتم درخت تصمیم، رگرسیون چندگانه غیرخطی، الگوریتم ژنتیک و… به پیش بینی تراوش از بدنه این سد اقدام شود و نتایج حاصل از آن با نتایج حاصل از این تحقیق مقایسه گردد.
-
- با بهره گرفتن از مجموعه داده بیشتر و گستردهتر نسبت به مدلسازی اقدام نموده و نتایج حاصل از آن با نتایج این تحقیق مورد مقایسه قرار گیرد.
-
- میتوان با بهره گرفتن از روشهای عددی موجود و سایر نرمافزارها نسبت به مدلسازی تراوش اقدام و نتایج حاصل از آن با نتایج این تحقیق مقایسه گردد.
فهرست منابع:
[۱]Fredlund, D. G. Rahardjo, H. (1993) “Soil Mechanics for Unsaturated Soils,” Newyork, john Wiley and Sons, Chap. 7, P.P. 150-177.
[۲]Das, B. M. (2001) “Principal of Geotechnical Engineering,” Thomson-Engineering, Fifth Edition.
[۳]Fredlund, D. G. Rahardjo, H. (1993) “Soil Mechanics for Unsaturated Soils,” Newyork, john Wiley and Sons, Chap. 5, P.P. 110-117.
[۴]US Army corps of engineers. (1986) “Engineering and Design Seepage Analysis and Control for Dams,” chapter 4, seepage principles, EM-1110-2-190,.
[۵]International Commission on Large Dams, (http://www.icold-cigb.org/)
[۶]Middlebrooks, J. L, (1983). Report of the Dam failure. Engineering Geology, 24(1), 239-256.
[۷]Gruner, C. S, (1994). Seepage in earthfill dams. Journal of Geotechnical Engineering, 109(7), 946-960.
[۸]Takase, J. M, (1996). The failure of Teton dam. Engineering Geology, 12(3), 173-205.
[۹]Bab, C. L., (1987). Embankment dam instrumentation manual. Published by Pearson Education, ISBN 81-7808-300-0.
[۱۰]Kawasaki, H. et al., (2010) “Case study of a Behavior Monitoring in a Fill Dam for Accurate and Long Term Measurement,” Commission Internationale Des Grands Barrages , Hanoï,, mai.
[۱۱]Ersayin, D, (2006). Studying seepage in a body of earth-fill dam by (Artificial Neural Networks, Doctoral dissertation, Master Thesis, İzmir Institute of Technology.
[۱۲]Miao, X. Y., Chu, J. K., Qiao, J., and Zhang, L. H, (2012). Predicting seepage of earth dams using neural network and genetic algorithm. Advanced Materials Research, 403, 3081-3085.
[۱۳]Nourani, V., Sharghi, E., and Aminfar, M. H, (2012). Integrated ANN model for earthfill dams seepage analysis: Sattarkhan Dam in Iran. Artificial Intelligence Research, 1(2), 22 pages.
[۱۴]Poorkarimi, S., Maghsoodian, S., MolaAbasi, H., Kordnaeij, A, (2013). Seepage evaluation of an earth dam using Group Method of Data Handling (GMDH) type neural network: A case study. Scientific Research and Essays Journal, 8(3)120-127.
[۱۵]Kamanbedast, A., and Delvari, A, (2013). Analysis of Earth Dam: Seepage and Stability Using Ansys and Geo-Studio Software. World Applied Sciences Journal, 17(9), 1087-1094.
[۱۶]Patterson, D. W, (1996). Artificial neural networks: theory and applications. Prentice Hall, 477 pages.
]۱۷[ منهاج.م.ب, “مبانی شبکه های عصبی"، انتشارات دانشگاه امیرکبیر, ۱۳۷۷.
[۱۸]Zadeh, L.A, “Fuzzy Sets,” Information and Control, vol. 8, pp. 338-353, 1965.
[۱۹]Nauck, D., et al., Foundations of Neuro-Fuzzy Systems: J. Wiley & Sons, 1997.
[۲۰]Abraham, A, “Neuro Fuzzy Systems: State-of-the-art Modeling Techniques,” presented at the Proceedings of the 6th International Work Conference on Artificial and Natural Neural Networks Lecture Notes in Computer Science, 2001.
[۲۱]Rutkowski, L. and Cpalka, K, “Flexible Neuro-Fuzzy Systems , Vol. 14, No. 3, May .” IEEE Transaction on Neural Networks, vol. 14, pp. 554-574, 2003.
[۲۲]Bartholomew , C. L. , B. C. Murray and D. L. Goins , “Embankment Dam Instrumentation Manual” , United States Department of the Interior , Bureau of Reclamation , Washington D. C. , (1987)
[۲۳]Fell , R. , “measurement of positive pore pressure” , Geotechnical Field Instrumentation , Extension Course , Australian Geomechanics Society , Melbourn , (1987)
[۲۴]Hanna. T. H., “Field Instrumentation in Geotechnical Engineering” , Tran Tech. Publication. , (1985)
[۲۵]Kohonen, T, “An Introduction to Neural Computing,” presented at the Proc. IEEE First Int. Conf. on Neural Networks, 1988.
[۲۶]Paulin, F. and Santhakumaran, A, “Classification of Breast cancer by comparing Back propagation training algorithms,” International Journal on Computer Science and Engineering, vol. 3, pp. 327-332, 2011.
[۲۷]Wang, C.M. and Huang, Y.F, “Evolutionary-based feature selection approaches with new criteria for data mining: A case study of credit approval data,” Expert Systems with Applications vol. 36, pp. 5900-5908, 2009.
