پيش بيني دبي نشت و فشار پيزومتريك در سدهاي خاكي با استفاده از مدل هاي محاسبات نرم (مطالعه موردي: سد شهيد كاظمي بوكان)

Estimation of seepage and piezometric pressures on the body of earth dam using soft computing techniques (Case study: Boukan Earth Dam

سدهاي خاكي همواره يكي از مؤلفه هاي اصلي پروژه هاي حفاظت آب وخاك هستند. امروزه تخمين دقيق فشار پيزومتريك و دبي نشت در سدهاي خاكي با استفاده از مدل هاي عددي بر مبناي هوش مصنوعي يكي از اقدامات اساسي در مطالعات طراحي آن ها بشمار مي آيد. در اين تحقيق با استفاده از مدل هاي محاسبات نرم شامل برنامه نويسي وراثتي 1(GP)، الگوريتم M5 و روش دسته بندي گروهي داده ها 2(GMDH) به پيش بيني فشار پيزومتريك درون هسته و دبي نشت سد خاكي سد شهيد كاظمي بوكان پرداخته شده است. بدين منظور از اطلاعات ثبت شده در 94 ماه اخير استفاده شد. نتايج حاصل از مدلهاي هوشمند مذكور در مراحل آموزش و آزمايش نشان دادند كه روشهاي بكار گرفته شده داراي دقت مناسبي در تخمين دبي نشت و فشار آب پيزومتريك هستند. بهترين عملكرد در تخمين فشار پيزومتريك مربوط به الگوريتم M5 با ضريب تبين 3(R2) برابر با 0/95 و جذر ميانگين مربعات خطا 4(RMSE) برابر با 0/86 است. مدل GMDH هم با در نظر گرفتن دو واحد (ماه) تأخير زماني و خطاي ضريب تبين 0/92 و جذر ميانگين مربعات خطا 1/541 توانست دبي نشت را نسبت به ساير مدل ها ي هوشمند با دقت بهتري مدل سازي و پيش بيني كند. همچنين از تحقيق حاضر مي توان نتيجه گرفت كه به صورت كلي افزايش تأخيرات زماني در اطلاعات ورودي مدل ها باعث افزايش سطح عملكرد مدل هاي پيشنهادي مي شود.

Earth dams are always one of the main components of water conservation projects. Nowadays, accurate estimation of piezometric pressure and seepage discharge in earth dams using numerical models and artificial intelligence (AI) approaches is one of the fundamental steps in their design studies. In this research, soft computing models including genetic programming (GP), M5 algorithm and group method of data handling (GMDH) have been used to predict the piezometric pressure in the core and the seepage discharge through the body of Shahid Kazemi Boukan Earth Dam. For this purpose, the information recorded in the last 94 months has been used. The results showed that all of the applied models have permissible level of accuracy in the prediction of seepage discharge and piezometric pressure. The best performance in the piezometric pressure estimation is related to the M5 algorithm with a coefficient of determination (R2) of 0.95 and root mean square error (RMSE) of 0.86. The GMDH by considering the two units (months) delay time and with R2= 0.92 and RMSE=1.541 modeled and predicted the seepage discharge, which was more accurate than other models. In general, increasing the time delay in the input information of models generally increases the performance of proposed models.