الگوريتم هاي فراابتكاري و روش از استفاده با بتني سدهاي ارزيابي ترك خوردگي شبكه ي عصبي مصنوعي

Evaluating Cracks in Concrete Dams using Meta-heuristic Algorithms and Artificial Neural Networks

با توجه به حساسيت موضوع ترك خوردگي در سدهاي بتني، نياز به انجام آناليز كامل و دقيق در خصوص رفتار ترك در اين سدها با استفاده از روش‌هاي نوين احساس مي‌شود. در اين بين، الگوريتم‌هاي فرا ابتكاري از كارايي و دقت بسيار مناسبي در خصوص ارزيابي و پيش‌بيني مسائل نسبت به ديگر روش‌هاي نوين برخوردار مي‌باشند. در اين پژوهش با استفاده از الگوريتم فرا ابتكاري انتخابات (EA) و با لحاظ داده‌هاي تراز آب و دماي بتن طي سال‌هاي 1392-1379 به‌عنوان پارامترهاي ورودي و مقدار تغيير مكان افقي و قائم ترك‌ها به‌عنوان پارامترهاي خروجي، نحوه‌ي تغييرات ترك‌هاي سد بتني قوسي زاينده‌رود مورد ارزيابي قرار گرفت و نتايج با روش الگوريتم ژنتيك (GA) و شبكه‌ي عصبي مصنوعي (ANN) مقايسه گرديد. براي ارزيابي عملكرد روش پيشنهادي، از سه آماره شامل ضريب تبيين (R2)، جذر ميانگين مربعات خطا (RMSE) و معيار نش- ساتكليف (NSE) استفاده شده است. نتايج به‌دست آمده نشان مي‌دهد الگوريتم EA با كسب مقادير R2=0.96، RMSE=0.022 و NSE=0.74 در مقايسه با دو روش الگوريتم GA و شبكه‌ي عصبي مصنوعي (ANN)، از كارايي بالاتري برخوردار است و البته مقدار ضريب رگرسيون براي ترك‌هاي سرريز به دليل عدم وجود داده‌هاي كافي، كم‌تر از ترك‌هاي سد حاصل شد. به طور كلي مي‌توان نتيجه گرفت كه براي ارزيابي تغييرات ترك‌هاي سدهاي بتني و پيش‌بيني روند تغييرات آن‌ها در آينده، الگوريتم‌هاي فرا ابتكاري روشي بسيار دقيق و قدرتمند محسوب شده و به‌وسيله اين روش‌ها مي‌توان ديد بسيار خوبي بر وضعيت آسيب ديدگي سدهاي بتني پيدا نمود.

Necessity to a complete and accurate analysis of the crack behavior in concrete dams using new methods is felt due to the sensitivity of the cracking problem in these dams. Meanwhile, meta-heuristic algorithms have a very good performance and accuracy in evaluating and predicting problems rather than other methods. In this study, Zayandehrood arch concrete dam has been chosen as the case study and the displacements in the cracks of this dam have been investigated by using election algorithm (EA). Water level and concrete temperature from 2000 to 2013 were considered as input parameters and also horizontal and vertical displacement of cracks were selected as output parameters. The results were compared with genetic algorithm (GA) and artificial neural networks (ANN). To evaluate the performance of the proposed method, three statistical criteria including correlation coefficient (R2), root mean square error (RMSE) and Nash-Sutcliff efficiency (NSE) were utilized. The results show that EA has a higher efficiency with R2 = 0.96, RMSE = 0.022 and NSE = 0.74, compared to GA and ANN. However, due to the lack of sufficient data, the amount of regression coefficient for spillway cracks was lower than the dam cracks. It is concluded that for evaluating the displacements of cracks in concrete dams and predicting their variations in future, meta-heuristic algorithms can be utilized as a very exact and powerful method. These methods can help dam managers and decision-makers in monitoring and vulnerability analysis of dams during their operation.