زمینه و هدف: آبشستگی موضعی به‌عنوان یکی از عوامل مهم که باعث گسیختگی سازه پل‌ها، موج‌شکن‌ها و اسکه‌ها می‌شود شناسایی شده است. پیچیدگی مکانیزم آبشستگی باعث شده است که این موضوع یکی از مهم‌ترین زمینه‌های مطالعاتی مهندسی عمران باشد. در سال-های اخیر، مطالعات فراوانی بر روی آبشستگی موضعی اطراف پایه‌های پل انجام گرفته است. به دلیل اهمیت زیاد پیش‌بینی و تخمین الگوی آبشستگی در مجاورت پایه‌های پل مطالعات فراوانی بر روی این نوع از سازه‌ها انجام شده است.روش پژوهش: در این مطالعه برای اولین بار با استفاده از روش جدید ماشین آموزش نیرومند (ELM)، عمق آبشستگی در مجاورت پایه‌های پل دوقلو شبیه‌سازی شد. ابتدا پارامترهای مؤثر شناسایی گردید و چهار مدل ELM توسعه داده شد. سپس به کمک شبیه‌سازی مونت کارلو و روش اعتبار سنجی ضربدری نتایج عددی اعتبار سنجی شدند. در ادامه تابع فعال‌سازی sin به‌عنوان بهترین تابع فعال-سازی تعیین شد. علاوه بر این نتایج ELM با مدل‌های شبکه عصبی مصنوعی مقایسه گردید که مدل‌های ELM مقادیر آبشستگی را با دقت بیشتری تخمین زدند. تحلیل عدم قطعیت برای مدل‌های برتر ELM و ANN اجرا گردید و برای مدل برتر یک رابطه پیشنهاد داده شد. برای کلیه پارامترهای ورودی تحلیل حساسیت مشتق نسبی (PDSA) نیز اجرا گردید.یافته‌ها: در میان توابع فعال سازی موجود، تابع sin دارای عملکردی بهینه در مقایسه با سایر توابع فعال سازی بود. با توجه به تجزیه و تحلیل نتایج مدل سازی، مدل ELM 1 به‌عنوان مدل برتر معرفی شد. این مدل تابعی از کلیه پارامترهای ورودی بود. همچنین با حذف عدد فرود دقت مدل عددی به شکل قابل ملاحظه ای کاهش یافت فلذا پارامتر مذکور نیز به عنوان مؤثرترین پارامتر در مدل سازی آبشستگی در اطراف پایه های پل دوقلو توسط مدل ماشین آموزش نیرومند شناسایی شد.نتایج: با تجزیه و تحلیل نتایج مدل سازی، مدل برتر ELM معرفی کردید. نتایج مدل های ELM با مدل های ANN نیز مقایسه شد که نشان داده شد مدل های ELM مقادیر آبشستگی را با دقت بیشتری شبیه سازی می کنند. برای مدل برتر ELM یک رابطه برای محاسبه عمق حفره آبشستگی پیشنهاد داده شد و در ادامه تحلیل عدم قطعیت نشان داد که این مدل دارای عملکردی بیشتر از مقدار واقعی بود. علاوه بر این تحلیل حساسیت مشتق نسبی برای پارامترهای ورودی نشان داد که با افزایش عدد فرود مقدار تابع هدف (عمق آبشستگی) افزایش می یابد. پرونده مقاله

در این مطالعه، الگوی آبشستگی در مجاورت سرریزهای سنگی با شکل‌های I، U و J درون کانال‌های خم توسط یک روش هوش مصنوعی نوین تحت عنوان ساختار تعمیم‌یافته روش گروه دسته‌بندی داده‌ها(GSGMDH) شبیه‌سازی شد. در مقایسه با روش(GMDH) گروه دسته‌بندی داده‌ها روش GSGMDH یک روش منعطف‌تر و دقیق‌تر است که در آن گره‌ها می-توانند از لایه‌های غیرهمجوار ورودی بگیرند. در ابتدا، کلیه پارامترهای موثر بر روی عمق آبشستگی در مجاورت سرریزهای سنگی شناسایی گردید و سپس با استفاده از این پارامترها، برای هر یک از روش‌های GMDH و GSGMDH شش مدل مختلف تعریف گردید. با تجزیه و تحلیل نتایج مدل‌های هوش مصنوعی مدل-های برتر معرفی گردید. مدل‌های برتر GMDH و GSGMDH مقادیر آبشستگی‌ها را بر حسب کلیه پارامترهای ورودی تخمین زدند. علاوه بر این، دقت مدل‌های GSGMDH از مدل‌های GMDH بیشتر بود. به‌عنوان مثال، برای مدل‌های برتر GMDH و GSGMDH مقدار شاخص عملکرد در وضعیت تست به‌ترتیب مساوی با 075/73 و 408/86 محاسبه شدند. همچنین، مدل برتر مقادیر تابع هدف را با دقت خوبی پیش‌بینی نمود. به‌عنوان مثال، مقادیر ضریب همبستگی (R)، شاخص پراکندگی(SI) و ضریب نش (NSC) برای مدل برتر GSGMDH در شرایط آموزش به‌ترتیب مساوی با 913/0، 214/0 و 800/0 تخمین زده شدند. با توجه به نتایج تحلیل حساسیت، پارامترهای پارامترهای ضریب شکل سرریزهای سنگی (φ)، نسبت اختلاف عمق جریان در بالادست و پائین‌دست تله سنگی برابر به ارتفاع سازه (y/hstΔ) و عدد فرود تراکمی (Fd) به‌عنوان موثرترین پارامترهای ورودی معرفی گردیدند. تحلیل عدم قطعیت نشان داد که مدل GSGMDH برتر دارای یک عملکرد کمتر از واقعی بود. پرونده مقاله

در این مطالعه، بارندگی دراز مدت شهر بابلسر توسط یک مدل هوش مصنوعی بهینه یافته شبیه‌سازی شد. برای اینکار، ماشین آموزش نیرومند (ELM) و تبدیل موجک (wavelet transform) با همدیگر ترکیب شدند. لازم به ذکر است که مقادیر بارندگی‌ها به‌صورت ماهیانه از سال 1951 تا 2019 بکار گرفته شدند که 70 درصد آنها برای آموزش این مدل هوش مصنوعی و 30 درصد باقیمانده برای آزمون آن استفاده گردید. در ابتدا، توابع فعال‌سازی مدل ماشین آموزش نیرومند مورد بررسی قرار گرفتند که بهترین آن شامل تابع فعال‌سازی sigmoid انتخاب شد. همچنین، تاخیرهای داده‌های سری زمانی با استفاده از تابع خود همبستگی معرفی شدند که با استفاده از این تاخیرها، چهار مدل ماشین آموزش نیرومند تعریف گردید. با اجرای یک تحلیل حساسیت، مدل برتر ELM معرفی شد. مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF) و شاخص پراکندگی (SI) برای مدل برتر ELM به‌ترتیب مساوی با 524/0، 064/27 و 819/0 محاسبه شدند. علاوه بر این، موجک‌های مادر مختلف مورد بررسی قرار گرفتند که dmey به‌عنوان بهترین موجک مادر انتخاب شد. تبدیل موجک دقت مدل‌سازی را به شکل قابل توجهی افزایش داد. به‌عنوان مثال، شاخص عملکرد مدل ترکیبی WELM مساوی با 461/86 بدست آمد. لازم به ذکر است که مدل ترکیبی نیز برای سه سطح تجزیه مختلف مورد بررسی قرار گرفت که بهترین سطح تجزیه مدل ترکیبی معرفی گردید. لازم به ذکر است که تاخیرهای شماره (t-1) و (t-12) به‌عنوان موثرترین تاخیرهای داده‌های سری زمانی شناسایی شدند. پرونده مقاله

زمینه و هدف: برآورد و پیش بینی پارامتر های کیفی در کنار پارامتر های کمی آب در طول رودخانه یکـی از مولفـه‌ های ی است که در تصمیم‌گیری‌ های مدیریتی صحیح بایستی به‌دقـت شـبیه‌سـازی شـده و تخمین زده شود. اکثر مـدل های مربوط به برآورد پارامتر های کیفی نیازمند پارامتر های ورودی بسیار زیادی هستند که یـا دسترسـی بـه آن ها مشکل است و یا تعیین آن ها نیازمند صرف هزینه و زمان زیادی است. بنابراین استفاده از مدل‌ های داده‌محور در این زمینه برای صرفه‌جویی در زمان و هزینه گسترش یافت ها ست.روش پژوهش: در این مقاله کاربرد شبکه های عصبی مصنوعی و ترکیب آن با الگوریتم کرم شب تاب جهت پیش بینی مقدار جامدات محلول در آب (TDS) در رودخانه گاوه رود واقع در ایران کرمانشاه مورد آموزش و صحت سنجی قرار می گیرد. برای این منظور از داده های کیفیت آب ایستگاه هیدرو متری در بالادست سد مخزنی گاوشان برای بازه آماری (1389-1370) استفاده گردید. براساس ورودی های مختلف، شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) و ترکیب آن با الگوریتم کرم شب تاب مورد آزمون قرار گرفت. بهترین الگوی ورودی ها ، تعداد لایه پن ها ن و تعداد نرون های هر لایه در شبکه عصبی مصنوعی مشخص گردید. داده های ورودی به مدل‌ ها شامل دبی (Q)، سدیم(Na)، منیزیم (Mg)، کلسیم (Ca)، سولفات (So4)، کلرید (Cl)، بی کربنات (Ho3)، هدایت الکتریکی (EC) و جامدات محلول رودخانه در بازه زمانی قبل (TDSt-1) و داده های خروجی جامدات محلول آب (TDS) می باشد. تعداد لایه‌ های پن ها ن برابر یک و تعداد نرون‌ های لایه پن ها ن برابر نه بدست آمد، همچنین تابع شبکه عصبی در این مطالعه نوع آبشاری در نظر گرفته شد و نتایج با روش ترکیب شبکه‌ های عصبی مصنوعی با الگوریتم کرم شب تاب مقایسه گردید.یافته‌ ها : باتوجه به این خروجی های مدل با داده های مشاهده شده با استفاده از معیار های برآورد خطا مقایسه شد؛ در این راستا مقادیرشاخص های ارزیابی خطا مورد استفاده شاخص مربعات خطا به انحراف معیار استاندارد مشاهداتی (RSR)، رابطه ناش ساتکلیف (NSC)، ضریب همبستگی (R) و ریشه میانگین مربعات خط (MSE) برای شبکه عصبی مصنوعی به ترتیب 154/0، 976/0، 989/0 و 27/25 و در حالت ترکیب شبکه عصبی با الگوریتم کرم شب تاب نیز به ترتیب 129/0، 983/0، 992/0 و 8/17 بدست آمد.نتایج: لذا عملکرد روش هیبریدی شبکه های عصبی مصنوعی با استفاده از الگوریتم کرم شب تاب در پیش بینی TDS مناسب‌تر از تکنیک شبکه های عصبی مصنوعی است. پرونده مقاله

زمینه و هدف: امروزه با افزایش نیاز آبی در بخش‌های مختلف میزان برداشت از آب‌های زیرزمینی در حال افزایش است و این امر منجر به افت بیشتر تراز آب، درآبخوان‌های استان مرکزی شده است. یکی از مناسب‌ترین روش‌ها برای مدیریت بهینه منابع آب‌زیرزمینی، تجزیه و تحلیل رفتار آبخوان‌ها در شرایط مختلف با استفاده از مدل‌های ریاضی است. هدف از این تحقیق بررسی اثرات برداشت مصارف کشاورزی و صنعتی بر تراز آب زیرزمینی دشت شازند در استان مرکزی و تاثیر افزایش 20 درصدی راندمان آبیاری در اراضی کشاورزی در صورت توسعه سیستم‌های تحت فشار و کم مصرف با استفاده از مدل عددی GMS می‌باشد. روش پژوهش: ابتدا مدل مفهومی و عددی آبخوان شازند در نرم افزار GMS اجرا شده و در حالت ماندگار واسنجی شد. سپس مدل در حالت غیرماندگار برای دوره آماری مهر 1394 تا شهریور 1398 واسنجی شد. برای بررسی واکنش‌های مدل به ازای تغییرات پارامتر‌های مهم و موثر، آنالیز حساسیت مدل انجام شد و مدل برای دوره آماری مهر 1398 تا شهریور 1400 صحت‌سنجی شد. سپس تغییرات تراز آب زیرزمینی در آبخوان تحت دو سناریوی مدیریتی مرجع و افزایش راندمان آبیاری مورد بررسی و مقایسه قرار گرفت. در سناریوی مرجع با فرض ادامه وضع موجود و در سناریوی افزایش راندمان با فرض افزایش 20 درصدی راندمان آبیاری، شبیه‌سازی تغییرات تراز آب زیرزمینی در کل دشت شازند برای 20 سال آتی از مهر 1400 تا شهریور 1420 انجام شد. یافته‌ها: براساس نتایج بدست آمده مقدار خطای RMSE مربوط به واسنجی حالت ماندگار در حدود 7/0 متر و مقدار متوسط خطای RMSE در حالت غیرماندگار در تمام ماه‌های شبیه‌سازی در دو دوره واسنجی و صحت‌سنجی کمتر از 6/0 متر است که نشان دهنده دقت بالای مدل در شبیه‌سازی تراز آب زیرزمینی در کل دشت است. آنالیز حساسیت نشان داد، تغییرات پارامترهای آبدهی ویژه و هدایت هیدرولیکی بیشترین تاثیر را بر نوسانات آب زیرزمینی در کل دشت دارد. نتایج نشان داد در سناریوی مرجع افت تراز آب زیرزمینی در انتهای دوره 20 ساله بهره‌برداری، 95/3 متر می‌باشد. در سناریوی افزایش 20 درصدی راندمان، با کاهش برداشت از چاه‌های بهره‌برداری در اثر افزایش راندمان آبیاری، مقدار افت به 76/2 متر خواهد رسید که در این‌صورت میزان افت حدود 2/1 متر تعدیل خواهد یافت. نتایج: بر اساس نتایج، بیشترین افت تراز آب زیرزمینی در دو سناریوی مرجع و افزایش راندمان در مناطق مرکزی دشت به ترتیب 2/9 و 9/6 متر است و کمترین میزان افت در مناطق غربی دشت به ترتیب 1 و 5/0 متر است. با توجه به اینکه بخش کشاورزی بیشترین تاثیر را بر افت تراز در آبخوان در نواحی مرکزی دشت دارد، بهتر است برنامه‌های مدیریتی برای کنترل برداشت از آبخوان مانند افزایش راندمان یا اصلاح الگوی کشت بر روی این بخش متمرکز شود. در صورت اجرای سیستم های تحت فشار و افزایش راندمان در دشت تا حدودی میزان افت تراز در منطقه تعدیل می شود اما مشکل حل نخواهد شد و لازم است با اجرای برنامه‌های تکمیلی، بجای محصولات آب بر، گیاهان با نیاز آبی کم کشت شود و در بخش صنعت نیز بجای برداشت از آب زیرزمینی از پساب تصفیه شده شهری استفاده گردد. پرونده مقاله