پارامترهای آماری مورد استفاده در این تحقیق شامل: ضریب تعیین (R2)، جذر میانگین مربعات خطاها (RMSE) و میانگین قدرمطلق خطاها (MAE) بود. مقادیر این پارامترها برای دادههای آزمون به ترتیب برابر با ۰٫۹۵، ۰٫۲۳۲، ۰٫۲۰۵ و برای دادههای آزمون برابر با ۰٫۹۳، ۰٫۱۴۷، ۰٫۱۲۵ بود.
مطالعه می آ او و همکاران[۱۳](۲۰۱۲)
در این مطالعه از الگوریتم ژنتیک و یک مدل شبکه عصبی جدید برای پیش بینی تراوش از بدنه سد خاکی “دی آ لی” در کشور چین، استفاده شد. برای مدل‌سازی از مجموعه دادهای شامل ۳۸۱ داده (۳۶۶ داده در سال ۲۰۰۸ برای آموزش و ۱۵ داده در سال ۲۰۰۹ برای آزمون) استفاده شد[۱۲] .(
الگوریتم ژنتیک (GA) به منظور بهینهسازی ساختار شبکه عصبی به کار گرفته شد. الگوریتم LM در ابتدا به عنوان یک الگوریتم بهینهساز متوسط بین روش گوس-نیوتن و الگوریتم کاهش گرادیان طراحی شد و سپس برای آموزش شبکه عصبی استفاده شد. مقادیر تراوش پیشبینی شده با استفاده از مدل GA-LM مطابقت خوبی با دادههای واقعی داشتند. بنابراین این مدل قادر است به طور دقیقی تراوش از بدنه سد را پیش بینی کند. عملکرد مدل GA-LM با الگوریتم پس انتشار مرسوم (BP) و الگوریتم LM مورد مقایسه قرار گرفت. نتایج مقایسه نشان داد که مدل GA-LM عملکرد بهتر و قویتری نسبت به شبکههای عصبی (NNs) مرسوم در برونیابی و درونیابی پیشبینیها دارد.
مطالعه نورانی و همکاران[۱۴](۲۰۱۲)
در این مطالعه ارتفاع پیزومتریک در هسته سد خاکی ستارخان ایران با استفاده از شبکههای عصبی مصنوعی (ANN) مورد تحلیل قرار گرفت. دادههای حاصل از پیزومترها و سطح آب بالادست و پایین دست با استفاده از مدل‌های شبکه عصبی مصنوعی تک و یکپارچه مورد آموزش و آزمون قرار گرفتند[۱۳] .(Nourani et al, 2012)
در شبکههای عصبی مصنوعی تک، دادههای هر پیزومتر جدا مورد بررسی و آموزش قرار گرفتند در حالی که در شبکههای عصبی مصنوعی یکپارچه، کل دادههای پیزومترها در مقاطع مختلف سد با هم مورد آموزش قرار گرفتند. شبکه عصبی مصنوعی تک با جزئیات پرسپترون سه لایه با الگوریتم لاونبرگ-مارکیورد[۱۵] پس انتشار، داده‌ها را مورد آموزش قرار داد. در حالی که دو الگوریتم مختلف شبکه عصبی مصنوعی با جزئیات پس انتشار[۱۶] و تابع دایرهای[۱۷] برای شبکه یکپارچه بکار گرفته شدند. تعداد نرونهای پنهان برای شبکه تک ۵ و ۷ بودند در حالی که برای شبکه یکپارچهِ FFBP تعداد نرونهای پنهان ۶ و برای شبکه یکپارچه RBF شعاع ۰٫۵ در نظر گرفته شد.
در مطالعه آن‌ها، نتایج انطباق خوبی را بین مقادیر پیش بینی شده و اندازهگیری شده نشان داد. ضریب تعیین (R2) برای شبکه تک ۰٫۷۹۸ و برای شبکههای FFBP و RBF به ترتیب ۰٫۸۷ و ۰٫۶۷ بدست آمد. آن‌ها نتیجه گرفتند که نتایج حاصل از شبکههای عصبی مصنوعی نسبت به روشهای عددی انجام گرفته در مطالعات گذشته، به واقعیت نزدیکتر میباشند.
مطالعه پورکریمی و همکاران[۱۸](۲۰۱۳)
در این مطالعه روش جدیدی برای تعیین جریان ناشی از نشت از پی و بدنه سد خاکی بر اساس روشهای دادهکاوی ارائه شد. بعد از انجام مطالعات دقیق بر روی سد خاکی “فیله خاصه” در استان زنجانِ ایران، نفوذپذیری خاک سد به وسیلهی نرم افزار اجزای محدود به نام SEEP تخمین زده شد. در این مطالعه ابتدا با نرم افزار SEEP مجموعه دادهای شامل ۹۶ داده از پارامترهای مؤثر تراوش شامل ضریب نفوذپذیری هسته پی و ارتفاع آب پشت سد در بازه مجاز تولید شد و سپس به نسبت ۶۵ به ۳۱ داده برای آموزش و آزمون در مدلسازی مورد استفاده قرار گرفت. آن‌ها در این مطالعه به دنبال آن بودند که آیا شبکههای عصبی مصنوعی ( ANN) که با الگوریتم ژنتیک بهینهسازی شدهاند، میتوانند در برآورد تراوش از پی و بدنه سد فیله خاصه استفاده شوند. نتایج نشان داد که شبکههای مصنوعی، وسیلهای برای تشخیص موثر الگوهای موجود در داده و پیش بینی دقیق تراوش از پی و بدنه سد فیله خاصه را فراهم میکند. پارامترهای آماری مورد استفاده در این مطالعه عبارت بودند از ضریب تعیین (R2)، جذر میانگین مربعات خطاها (RMSE)، میانگین مربعات خطاها (MSE) و میانگین قدرمطلق خطاها (MAE). مقادیر این پارامترها برای دادههای آموزش و آزمون طبق جدول زیر می‌باشد. مقادیر این پارامترها برای دادههای آزمون به ترتیب برابر با ۰٫۹۳، ۴۳، ۱۸۷۰ و برای دادههای آزمون برابر با ۰٫۹۲، ۱۷۱۸۴۱ بود[۱۴] .(Poorkarimi et al, 2012)
مطالعه کمانبهدست و دلواری[۱۹](۲۰۱۳)
در این مطالعه رفتار سد خاکی مارون که در ۱۹کیلومتری شمال بهامان در رودخانهی مارون واقع شده است، مورد بررسی قرار گرفته است. پایداری خاک و پدیده تراوش از سد به وسیلهی نرم افزار انسیس[۲۰] محاسبه و با نتیجهی حاصل از نرم افزار GEO-STUDIO مقایسه شده است. آنها به دنبال آن بودند که نشان دهند تراوش از بدنه سد و پی سد هر دو بروی پایداری سد موثر هستند. از این رو اگر سطح آب بالادست سریع پایین آید، ممکن است مصالح غوطه‌ور در آب غیرپایدار شوند که این مورد باید در طراحیها درنظرگرفته شود. برطبق تحلیلها مشخص شد که مقدار فشار آب حفرهای به درجه سفتی مصالح، رطوبت، نفوذپذیری خاک و بارهای وارده و… بستگی دارد. فشار آب حفره ای، مقاومت برشی توده خاک را کاهش می‌دهد. در صورتی که نرخ افت فشار آب حفره ناشی از نشت بیش از مقاومت ذرات خاک باشد، این ذرات به حرکت در خواهند آمد. این باعث خواهد شد پدیده پایپینگ رخ دهد و ذرات ریزتر از بدنه سد شسته شوند. نتایج حاصل از این بررسی نشان میدهد که مقدار تراوش در نرم افزار ANSYS، ۱۸درصد پایین‌تر از نتایج به دست آمده با نرم افزار GEO-STUDIO میباشد[۱۵] .(Kamanbedast and Delvari, 2013)
روش تحقیق
شبکه‌های عصبی مصنوعی[۲۱]
مقدمه
شبکههای عصبی یکی از قدیمیترین روشهای داده کاوی[۲۲] میباشند. در سال‌های اخیر کاربرد شبکه‌های عصبی مصنوعی در بسیاری از زمینه‌های مهندسی، گسترش یافته‌اند. به خصوص ANNs برای حل بسیاری از مسائل مهندسی ژئوتکنیک بکار گرفته شده‌اند و عملکرد قابل قبولی از خود نشان داده‌اند. مروری بر ادبیات فنی نشان می‌دهد ANNs به طور موفقیتآمیز در پیشبینی ظرفیت باربری شمع‌ها، مدل‌سازی رفتار خاک، مشخصات یابی سایت، سازه‌های نگه‌دارنده زمین، نشست سازه‌ها، پایداری شیب‌ها، طراحی تونل و مغارها، روانگرایی، نفوذپذیری خاک، تراکم خاک، تورم خاک و طبقه بندی خاک‌ها بکار رفته‌اند. تحقیقات و علاقه‌مندی به شبکه‌های عصبی از زمانی آغاز شد که مغز به عنوان یک سیستم دینامیکی با ساختار موازی و پردازشگری کاملاً مغایر با پردازشگرهای متداول شناخته شد. نگرش نوین در مورد کارکرد مغز نتیجه تفکراتی بود که در اوایل قرن بیستم توسط رامول سگال در مورد ساختار مغز به عنوان اجتماعی از اجزای محاسباتی کوچک به نام نرون شکل گرفت[۱۶] .(Patterson, 1996)
.
مغز به عنوان یک سیستم پردازش اطلاعات با ساختار موازی از ۱۰۰ تریلیون (۱۰۱۱) نرون به هم مرتبط و تعداد ۱۰۱۶ ارتباط، تشکیل شده است. نرون ها ساده‌ترین واحد ساختاری سیستم‌های عصبی هستند. بافت‌هایی که عصب نامیده می‌شوند اجتماعی از نرون ها هستند که اطلاعات و پیام‌ها را از یک قسمت بدن به قسمت دیگر منتقل می‌کنند. این پیام‌ها از نوع ایمپالسهای[۲۳] الکتروشیمیایی هستند.
میلیون‌ها نرون در بدن انسان وجود دارند، حتی ساده‌ترین کارهای روزمره انسان از قبیل پلک زدن، تنها از طریق همکاری همه جانبه این نرون ها میسر است. بیشترین تعداد نرون ها در مغز و باقی در نخاع و سیستم‌های عصبی جانبی تمرکز یافته‌اند. گرچه همه نرون ها کارکرد یکسانی دارند، ولی اندازه و شکل آن‌ها بستگی به محل استقرارشان در سیستم عصبی دارد. با وجود این همه تنوع، بیشتر نرون ها از سه قسمت اساسی تشکیل شده‌اند:
بدنه سلول (که شامل هسته و قسمت‌های حفاظتی دیگر می‌باشد).
دندریت[۲۴]
اکسون[۲۵]
که دو مورد آخر، عناصر ارتباطی نرون را تشکیل می‌دهند. شکل‌های (۳-۱) و (۳-۲) ساختمان سلول عصبی را نشان می‌دهند.
دندریت‌ها به عنوان مناطق دریافت سیگنال‌های الکتریکی، شبکه‌هایی تشکیل یافته از فیبرهای سلولی هستند که دارای سطح نامنظم و شاخه‌های انشعابی بی شمار می‌باشند، به همین علت آن‌ها را شبکه‌های “درخت گونه” گویند. دندریت‌ها سیگنال‌های الکتریکی را به هسته سلول منتقل می‌کنند. بدنه سلول، انرژی لازم را برای فعالیت نرون فراهم نموده و بر روی سیگنال‌های دریافتی عمل می‌کند، که با یک عمل ساده جمع و مقایسه با یک سطح آستانه مدل می‌گردد. اکسون بر خلاف دندریت‌ها از سطحی هموارتر و تعداد شاخه‌های کمتر برخوردار می‌باشد.
نواحی اصلی یک سلول عصبی بیولوژیک[۱۶] (Patterson, 1996)
شمای یک نرون حسی[۱۶] (Patterson, 1996)
اکسون طول بیشتری دارد و سیگنال الکتروشیمیایی دریافتی از هسته را به نرون های دیگر منتقل می‌کند. محل تلاقی یک اکسون از یک نرون به دندریت‌های سلول دیگر را سیناپس می‌گویند. سیناپس ها واحد های ساختاری کوچک تابعی[۲۶] هستند که ارتباط بین نرون ها را برقرار می‌سازند. سیناپس ها انواع مختلفی دارند که یکی از مهم‌ترین آن‌ها، سیناپس های شیمیایی هستند.
تاریخچه شبکه‌های عصبی را می‌توان به اوایل قرن بیستم و اواخر قرن نوزدهم نسبت داد. نخستین کاربرد عملی شبکه‌های عصبی در اواخر دهه ۵۰ قرن بیستم مطرح شد، زمانی که فرانک روزنبلات در سال ۱۹۵۸ شبکه‌ی پرسپترون را معرفی نمود. کاربردهای شبکه‌های عصبی در دنیای علوم، فنی مهندسی را می‌توان به شرح زیر خلاصه کرد:
طبقه بندی، شناسایی و تشخیص الگو
پردازش سیگنال
پیش بینی سری‌های زمانی
مدل سازی و کنترل
بهینه سازی
سیستم‌های خبره و فازی
مسائل مالی، بیمه، امنیتی، بازار بورس و وسایل سرگرم کننده
ساخت وسایل صنعتی، پزشکی و امور حمل و نقل.

برای دانلود متن کامل این پایان نامه به سایت  jemo.ir  مراجعه نمایید.