Bias(kPa)
SI%
µ
σ
P50
P90
ANN(proposed)
۰.۹۳۰
۱۹.۱۲۴
-۰.۰۲۳
۸.۵۸۷
۱.۵۷۳
۲.۲۴۷
۰.۹۴۰
۱.۷۴۲
- جمع بندی و نتیجه گیری
در این فصل از مدلهای شبکه عصبی (ANN) برای پیش بینی فشار پیزومتریک در بدنه سد استفاده شد. با توجه به جمع آوری مجموعه داده زیاد، مدل فوق به خوبی آموزش دید.
برای صحت سنجی عملکرد و توان مدل پیشنهاد شده، بهترین و کاراترین پارامترهای آماری بکار گرفته شد. نتایج ارائه شده در جدول (۴-۶) نشان می دهند که مدل فوق به خوبی آموزش دیدهاست و در پیش بینی فشار پیزومتریک در بدنه سد عملکرد قابل قبولی خواهد داشت.
در معیار اول و دوم ارزیابی، نتایج حاصل از مدل شبکه عصبی ارائه شده با ضریب تعیین R2=0.930 و همگرایی قابل قبولی نشان میدهد.
میانگین (µ) و انحراف معیار (σ) مدل ارائه شده، برای داده های آموزش مقادیر و و برای داده های صحت سنجی مقادیر و میباشد که این نشان از عملکرد خوب مدل پیشنهادشده میباشد.
در معیار احتمال تجمعی، مدل پیشنهادشده با و مبین نتایج قابل قبول میباشد. نسبت مقادیر پیزومتریک پیشبینیشده به مقادیر قرائتشده برای حدود ۷۲ درصد داده ها در این مدل در حدود یک بوده، که بیانگر آموزش و قدرت پیش بینی مناسب این مدل میباشد.
- بحث، نتیجه گیری و پیشنهادها
- مقدمه
در این تحقیق سعی شد فشار پیزومتریک در بدنه سد ستارخان با بهره گرفتن از روش شبکه عصبی مصنوعی شبیهسازی شود. این شبیه سازی بر مبنای مجموعه داده های حاصل از پیزومترهای تار مرتعش بکار گذاشته شده در بدنه سد، صورت گرفت. در این تحقیق ابتدا سعی شد از صحت پیزومترها و داده های ثبتشده اطمینان حاصل شود و سپس از داده ها استفاده شود. از این رو ابتدا داده های معیوب کنار گذاشته شد و سپس عملیات مدلسازی انجام پذیرفت. با توجه به فراوانی داده های موجود، تلاش شد که داده ها را در دستههای ۲۰۰، ۴۰۰، ۶۰۰، ۸۰۰، ۱۰۰۰ و ۱۳۴۷ تایی تقسیم و مدلسازی صورت پذیرد تا بدین صورت حداقل تعداد داده ها که منجر به تحقق نتیجه مطلوب می شود بدست آید. جهت آموزش هر بسته داده، ۸۰% از مجموعه داده برای آموزش و ۲۰% از مجموعه داده برای آزمون مدلها استفاده شد. سپس مدلهای آموزشدیده با پارامترهای آماری مختلف و جامع مورد ارزیابی کمی و کیفی قرار گرفتند.
- نتایج