این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی عمران امیرکبیر، جلد ۵۶، شماره ۱۱، صفحات ۱۳۸۷-۱۴۰۶
عنوان فارسی تخمین تراوش سدخاکی با استفاده از مدل ترکیبی یادگیری عمیق و تبدیل موجک
چکیده فارسی مقاله پیش‌بینی تراوش یکی از ابزارهای مهم در پیشگیری از فرسایش و تخریب سدهای خاکی است. در سال‌های اخیر باتوجه‌به عدم‌قطعیت، پیچیدگی و غیرخطی‌بودن روابط حاکم بر تراوش، استفاده از روش‌های هوش مصنوعی برای تخمین و پیش‌بینی این پدیده موردتوجه قرار گرفته است. هدف از این پژوهش تخمین تراوش سدخاکی ستارخان است. این سد در شمال غربی ایران قرار دارد. برای دستیابی به این هدف، در این پژوهش از شبکه حافظه بلند - کوتاه‌مدت و مدل ترکیبی موجک - شبکه عمیق در دو سناریو متفاوت استفاده شده است و نتایج به‌دست‌آمده از این مدل‌ها با شبکه عصبی پیشرو مقایسه شده است. نتایج به‌دست‌آمده نشان داد که شبکه‌های بازگشتی عمیق در مدل‌سازی پدیده تراوش، به دلیل ارتباط بازگشتی خروجی با ورودی در هر گام زمانی و توانایی یادگیری وابستگی‌ها در دنباله‌ای از زمان‌های قبل، نسبت به شبکه‌های عصبی پیشرو دقت تخمین بالاتری دارند به‌طوری که باعث افزایش دقت مدل‌سازی تا 7درصد شده است. هم چنین مدل ترکیبی موجک - شبکه عمیق نسبت به سایر مدل‌ها عملکرد بهتری دارد به‌طوری که دقت مدل‌سازی را تا 10درصد افزایش داده است. درنهایت می‌توان نتیجه گرفت که استفاده از شبکه‌های بازگشتی عمیق و مدل ترکیبی موجک - شبکه عمیق در مدل‌سازی تراوش، توانایی بهبود دقت تخمین در پیش‌بینی این پدیده را دارند.
کلیدواژه‌های فارسی مقاله تراوش سد خاکی،شبکه عصبی مصنوعی،شبکه حافظه بلند - کوتاه‌مدت (LSTM)،تبدیل موجک،سد خاکی ستارخان،
عنوان انگلیسی Estimation of percolation of earthen dam using the combined model of deep learning and wavelet transform
چکیده انگلیسی مقاله Seepage prediction is one of the important tools in preventing erosion and destruction earth fill dams.In recent years, due to the uncertainty, complexity, and nonlinearity of seepage relationships, the use of artificial intelligence methods for estimation and prediction of this phenomenon has gained attention. The objective of this research is to estimate seepage in the Starakhan earth fill dam located in northwest Iran. To achieve this objective, in this research, the long-short-term memory network and the wavelet-deep network hybrid model have been used in two different scenarios, and the results obtained from these models have been compared with the feed forward neural network. The results obtained indicated that deep recurrent networks, in the modeling of the seepage phenomenon, outperformed the forward neural networks in terms of estimation accuracy. This can be attributed to their recursive connection between the output and input at each time step, as well as their ability to learn dependencies from previous time sequences. The modeling accuracy was improved by up to 6% as a result. Furthermore, the combined wavelet-deep network model demonstrated superior performance compared to other models, resulting in a 10% increase in modeling accuracy. In conclusion, the utilization of deep recurrent networks and the combined wavelet-deep network model in seepage modeling holds the potential to enhance estimation accuracy when predicting this phenomenon.
کلیدواژه‌های انگلیسی مقاله تراوش سد خاکی,شبکه عصبی مصنوعی,شبکه حافظه بلند - کوتاه‌مدت (LSTM),تبدیل موجک,سد خاکی ستارخان
نویسندگان مقاله آیدا حسینی بقانام |
گروه مهندسی عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران

وحید نورانی |
گروه مهندسی عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران

الناز شرقی |
گروه مهندسی عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران

زهرا داداش پور |
گروه مهندسی عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران

نشانی اینترنتی https://ceej.aut.ac.ir/article_5555_e91a4aa379bb2eea3540d77e5a372c82.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات