Seifollahi M, Abbasi S, Lotfollahi-yaghin M, Daneshfaraz R, Kalateh F, Fahimi-Farzam M. Investigation of the Performance of Artificial Intelligence Methods in Estimating the Crest Settlement of Rockfill Dam with a Central Core. jwss 2022; 26 (2) :119-134
URL:
http://jstnar.iut.ac.ir/article-1-4140-fa.html
سیف الهی مهران، عباسی سلیم، لطف الهی یقین محمد علی، دانشفراز رسول، کلاته فرهود، فهیمی فرزام مازیار. ارزیابی عملکرد روشهای هوش مصنوعی در تخمین نشست تاج سد سنگریزهای با هسته مرکزی. علوم آب و خاک. 1401; 26 (2) :119-134
URL: http://jstnar.iut.ac.ir/article-1-4140-fa.html
دانشگاه مراغه ، daneshfaraz@yahoo.com
چکیده: (1837 مشاهده)
نشست غیرقابل پیشبینی سدهای خاکی پژوهشگران را بر آن داشته تا روشهای نوین نظیر شبکه عصبی مصنوعی، تئوری موجک، منطق فازی و ترکیبی از این روشها مورد توجه آنها قرار گیرد. در این پژوهش با استفاده از روشهای هوش مصنوعی مقدار نشست تاج در سدهای سنگریزهای با هسته مرکزی تخمین زده شده است. در این پژوهش از دادههای 35 سد سنگریزهای با هسته مرکزی برای آموزش و صحتسنجی مدلها استفاده شد. شبکه عصبی مصنوعی، مدل ترکیب تبدیل موجک و شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی فازی- عصبی مدلهای پیشنهادی ارائه شده در این پژوهش هستند. بر اساس نتایج حاصل در مطالعه حاضر، بهترین مدل برای شبکه عصبی مصنوعی با دو لایه مخفی که لایه اول 18 نورون و لایه دوم 7 نورون و با تابع فعالساز Tansig-Tansig، با ضریب تعیین R2=0.4969، برای مدل سیستم استنتاج فازی- عصبی، تابع حلقوی (Dsigmoid) بهعنوان تابع عضویت، با 3 تابع عضویت و تعداد 142 تکرار با ضریب تعیین R2=0.2860، بهترین مدل و همچنین برای ترکیب تبدیل موجک- شبکه عصبی با تابع موجک coif2 بهدلیل انطباق بیشتر این تابع با متغیرهای ورودی، عملکرد بهتری داشته و این تابع با ضریب تعیین R2=0.9447، دارای بیشترین دقت نسبت به سایر مدلها است.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
عمومی دریافت: 1399/12/8 | پذیرش: 1400/5/23 | انتشار: 1401/6/10