مدل‌سازي رفتار سدهاي بتني با استفاده از روش‌هاي شبكه عصبي مصنوعي و رگرسيون لجستيك

زمينه و هدف: اندازه گيري و رفتارسنجي سد موضوع جديدي مي باشد كه مي تواند به دليل تغيير پارامترهاي موجود براي ارائه مدلي باشد كه رفتار پارامترهاي منفرد را بر روي سد و همچنين روي يكديگر بررسي كند و تغييرات ايجاد شده را آناليز كرده و سياست هاي لازم را ايجاد كند. هدف اين پژوهش ايجاد يك روش تركيبي از رگرسيون لجستكي با بهينه سازي الگوريتم بهينه سازي گروه ذرات با مقدار حقيقي جهت پيش بيني رفتار تجهيزات سد مي باشد.روش پژوهش: در اين مطالعه از داده هاي 365 روز، از 1397/01/31 تا 1398/01/31 كه 600 مجموعه داده تجهيزات سد شامل پارامترهاي دماي آب، سطح آب، فشار دريچه، ميزان رسوب گذاري، فشار منافذ، دماي هوا، حجم آب ورودي، مشخصات ويژه سد، شرايط بتن، سطح آب مخزن، تغيير مكان افقي و عمودي، اجزاي اتصال انتقالي و شتاب زمين، قدرت، فشار، كشش و تنش بالا براي مدل سازي استفاده شدند. براي آموزش مدل سازي الگوريتم بهينه سازي گروه ذرات مقدار حقيقي-رگرسيون لجستيك و 120 مجموعه داده جهت آزمايش استفاده گرديد. براي ارزيابي عملكرد روش پيشنهادي، از چهار آماره شامل ضريب تعيين (R2)، ريشه ميانگين مربعات خطا (RMSE)، ضريب پراكندگي (SI) و ميانگين خطاهاي انحرافي (MBE) استفاده گرديد.يافته ها: نتايج نشان داد كه مدل در پيش بيني فشار پيزومتريك در بدنه سد عملكرد قابل قبولي دارد. همچنين نتايج حاصل از مدل شبكه عصبي مصنوعي با كسب 0/930= R^2 و 8/587=SI همگرايي قابل قبولي را نشان مي دهد. نتايج مربوط به داده هاي آموزش مدل نيز بيانگر اين است كه ميانگين ( μ) و انحراف معيار ( σ) مدل ارائه شده، براي داده هاي آموزش به ترتيب برابر با 1/341 و 1/526 مي باشد و براي داده هاي صحت سنجي اين مقادير برابر با 1/576 و 2/247 مي باشد كه اين نشان از عملكرد خوب مدل پيشنهاد شده دارد. در معيار احتمال تجمعي، مدل پيشنهاد شده با 0/940=P50 و 1/742=P90 مبين اين است كه نتايج قابل قبول مي باشد.نتايج: نتايج بيانگر اين است كه بهينه سازي گروه ذرات مقدار حقيقي-رگرسيون لجستيك در عوض به حداقل رساندن ريسك تجربي كه تعميم عالي براي اندازه هاي نمونه كوچك را فراهم مي سازد، اصل كاهش ريسك سازه اي را اجرا مي كند. نسبت مقادير پيزومتريك پيش بيني شده به مقادير قرائت شده براي حدود 72 درصد دادهها در اين مدل در حدود يك بوده كه بيانگر آموزش و قدرت پيشبيني مناسب اين مدل ميباشد. در نهايت بر اساس معيارهاي ارزيابي مدل تركيبي عملكرد بهتري نسبت به روش هاي بيان شده دارد.