پيش‌بيني هدايت هيدروليكي از روي اطلاعات دانه‌بندي خاك با استفاده از مدل هوشمند SICM

Prediction of hydraulic conductivity from the soil grain size data using SICM intelligent model

نفوذ‌پذيري يكي از پارامترهاي مؤثر بر جريان آب در محيط‌ هاي متخلخل مانند توده‌ سنگ و خاك مي‌باشد كه اهميت ويژه‌اي در مطالعات ژئوتكنيكي مانند محل اجراي سازه‌هاي مهم و پراهميتي مانند قطار شهري دارد و تعيين آن از اهداف اصلي در مطالعات ژئوتكنيك به شمار مي‌رود. همچنين پارامتري مهم در حل مشكلات ژئوتكنيكي مانند نشت آب، محاسبه‌ نشست، تحليل پايداري و غيره مي‌باشد. به‌دليل گران، تخصصي، وقت‌گير و غيرمطمئن بودن روش‌هاي اندازه‌گيري مستقيم (صحرايي و آزمايشگاهي) اين پارامتر و همچنين به علت رفتار غيرخطي و شرايط ناهمگن و ناهمسان حاكم بر محيط‌ هاي هيدروژئولوژيكي كه موجب عدم قطعيت ذاتي روش‌هاي اندازه‌گيري مستقيم اين پارامتر مي‌شود، در سال‌هاي اخير روش‌هاي مختلف هوش مصنوعي با دقت بيشتري نسبت به روش‌هاي فوق و براي جبران بخشي از اين نقايص ارائه شده‌اند. در اين مطالعه از دو روش هوش مصنوعي منفرد شامل مدل ماشين ‌بردار پشتيبان كمينه‌ مربعات (LSSVM) و مدل هيبريد موجكي عصبي (WANN) در خطوط 1 و 2 قطار شهري تبريز براي پيش‌بيني هدايت هيدروليكي بر اساس اطلاعات دانه‌بندي استفاده شد؛ سپس نتايج اين دو مدل انفرادي توسط مدل شبكه‌ عصبي مصنوعي (ANN) تركيب‌شده و با نام مدل هوشمند مركب نظارت‌شده (SICM) موجب بهبودي نتايج گرديد. مقايسه‌ نتايج مرحله‌ آزمايش سه مدل ارائه‌شده در اين پژوهش نشان داد كه هر سه مدل عملكرد نسبتاً مناسبي در پيش‌بيني هدايت هيدروليكي داشتند؛ اما مدل تركيبي SICM با داشتنcm/sec 0/000161 =RMSE (ريشه‌ ميانگين مربعات خطا) و 0/83=R2(ضريب تبيين) نسبت به مدل‌هاي انفرادي نتايج بهتري را ارائه داده است.

Permeability is one of the parameters affecting water flow in porous environments such as rock and soil mass and is of special importance in geotechnical studies, e.g., the location of important structures such as urban trains. Accordingly, determination of permeability is one of the main goals in geotechnical studies. Also, it is an important parameter in solving geotechnical problems such as seepage, settlement measurement, stability analysis, etc. Due to fact that direct methods (field and laboratory) of measuring permeability are expensive, highly specialized, time-consuming and unreliable, and due to the nonlinear behavior and heterogeneous and anisotropic conditions in hydrogeological environments which cause inherent uncertainty in the methods of direct measurement of this parameter, various artificial intelligence methods which work more accurately than the above methods have recently been proposed to compensate for some of these shortcomings. In this study, two individual artificial intelligence methods including Least-Squares Support Vector Machine (LSSVM) and Wavelet-Artificial Neural Network (WANN) were used on lines 1 and 2 of Tabriz Urban Train to predict hydraulic conductivity based on grain size data; then the results of these two individual models were combined by an Artificial Neural Network (ANN) and improved the results under the name of Supervised Intelligent Committee Machine (SICM). Comparison of test step results of the three models presented in this study showed that all the three models had a relatively good performance in predicting hydraulic conductivity, but SICM model with Root Mean Squared Error (RMSE)= 0.000161 cm/sec and Determination Coefficient (R2)= 0.83 provided better results than the individual models.