تخمين فشار آب حفره‌اي در بدنه ‌سدهاي‌ خاكي‌ در حين ساخت با مدل‌هاي هوشمند

Estimation of pore water pressure in the body of earth dams during construction with intelligent models

يكي از موارد مهم در مديريت پايداري سدهاي خاكي، تخمين دقيق مقدار فشار آب حفره‌اي در بدنه سد در حين ساخت آن است. در اين تحقيق از سه مدل متفاوت شبكه‌ي عصبي مصنوعي (ANN)، سيستم استنتاج عصبي- فازي تطبيقي (ANFIS) و برنامه‌نويسي بيان ژن (GEP) براي تخمين فشار آب حفره‌اي در بدنه سدهاي خاكي كبودوال استان گلستان در زمان ساخت مورد مطالعه و مقايسه قرار گرفت. پنج ويژگي شامل تراز خاك ريزي، زمان ساخت سد، تراز مخزن (آبگيري)، سرعت آبگيري و سرعت خاك ريزي در طول دوره آماري 1388-1391 يا 4 ساله به عنوان ورودي مدل‌ها در 4 پيزومتر نصب‌شده در بدنه سد استفاده شده است. سه ويژگي نخست با توجه به تابع همبستگي متقابل موثرترين ورودي‌ها بودند. نتايج نشان داد كه شبكه عصبي مصنوعي در دو پيزومتر با توجه به شاخص‌هاي آماري، جواب‌هاي دقيق‌تري نسبت به برنامه‌ريزي بيان ژن ارائه كرده است ولي در دو پيزومتر ديگر اين امر برعكس بود. همچنين مدل‌هاي ANFIS و GEP در پيزومترهايي كه داراي پراكندگي بيشتري بودند جواب‌هاي دقيق‌تري نسبت به مدل ANN ارائه كردند. در نهايت بر اساس مدل GEP روابط رياضي بين متغيرهاي ورودي و متغير خروجي استخراج شد كه برتري اين مدل را نسبت به ديگر مدل‌ها نشان مي دهد.

One of the basic measures in managing the stability of earth dams is to accurately estimate the amount of pore water pressure in the body of the dam during and after its construction. In this study, three different models of artificial neural network (ANN), adaptive neural-fuzzy inference system (ANFIS) and gene expression programming (GEP) to estimate the pore water pressure in the body of Kabudwal earthen dams at the time of construction have been studied and compared. Five features including fill level, construction time, reservoir level, impounding rate and fill speed have been used during the 4-year statistical period as input of models in 4 piezometers installed in the dam body. The first three features were the most effective inputs according to the cross-correlation function. In this study, the results obtained from artificial neural network (ANN) in two piezometers according to statistical indicators, provided more accurate answers than gene expression programming (GEP) and ANFIS, but in the other two piezometers it was the opposite. Also, ANFIS and GEP models provided more accurate answers in piezometers that had higher data scatter than ANN model. Finally, based on the GEP model, mathematical relationships between input features and output variables were extracted.