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 پیش ­بینی شده با بهره گرفتن از مدل GA-LM مطابقت خوبی با داده ­های 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 شبکه ­های عصبی (NNs) مرسوم در برون­یابی و درون­یابی پیش ­بینی­ها دارد.

• • • • 1. 1. مطالعه نورانی و همکاران^[۱۴](۲۰۱۲)

         

         

     

     

در این مطالعه ارتفاع پیزومتریک در هسته سد خاکی ستارخان ایران با بهره گرفتن از شبکه ­های عصبی مصنوعی (ANN) مورد تحلیل قرار گرفت. داده ­های حاصل از پیزومترها و سطح آب بالادست و پایین دست با بهره گرفتن از مدل‌های شبکه عصبی مصنوعی تک و یکپارچه مورد آموزش و آزمون قرار گرفتند[۱۳] .(Nourani et al, 2012)
در شبکه ­های عصبی مصنوعی تک، داده ­های هر پیزومتر جدا مورد بررسی و آموزش قرار گرفتند در حالی که در شبکه ­های عصبی مصنوعی یکپارچه، کل داده ­های 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 اندازه ­گیری شده نشان داد. ضریب تعیین (R²) برای شبکه تک ۰.۷۹۸ و برای شبکه ­های FFBP و RBF به ترتیب ۰.۸۷ و ۰.۶۷ بدست آمد. آن‌ها نتیجه گرفتند که نتایج حاصل از شبکه ­های عصبی مصنوعی نسبت به روش­های عددی انجام گرفته در مطالعات گذشته، به واقعیت نزدیک­تر می­باشند.

• • • • 1. 1. 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 داده ­کاوی ارائه شد. بعد از انجام مطالعات دقیق بر روی سد خاکی “فیله خاصه” در استان زنجانِ ایران، نفوذ­پذیری خاک سد­ به وسیله­ 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 شبکه ­های عصبی مصنوعی ( ANN) که با الگوریتم ژنتیک بهینه­سازی شده ­اند، می­توانند در برآورد تراوش از پی و بدنه سد فیله خاصه استفاده شوند. نتایج نشان داد که شبکه ­های مصنوعی، وسیله­ای برای تشخیص موثر الگوهای موجود در داده و پیش بینی دقیق تراوش از پی و بدنه سد فیله خاصه را فراهم می­ کند. 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 داده ­های آموزش و آزمون طبق جدول زیر می‌باشد. مقادیر این پارامترها برای داده ­های آزمون به ترتیب برابر با ۰.۹۳، ۴۳، ۱۸۷۰ و برای داده ­های آزمون برابر با ۰.۹۲، ۱۷۱۸۴۱ بود[۱۴] .(Poorkarimi et al, 2012)

• • • • 1. 1. 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 وسیله­ نرم افزار انسیس^[۲۰] محاسبه و با نتیجه­ 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)
 

1. روش تحقیق

   1. شبکه‌های عصبی مصنوعی^[۲۱]