پیش‌بینی‌کننده آبشاری چند مرحله‌ای حرکت عناصر ساختاری در تحلیل تغییر شکل اجسام بزرگ بر اساس عوامل مؤثر بر سری‌های زمانی

خلاصه

جابجایی سد نیروگاه های آبی تحت تأثیر عوامل مختلفی (کهنه شدن آسیب، سطح آب مخزن، هوا، آب و دمای بتن) قرار می گیرد که باعث رفتار غیرخطی پیچیده ای می شود که پیش بینی آن دشوار است. نظارت بر تغییر شکل اجسام وظیفه مهندسین زمین شناسی و عمران است که از ابزارها و روش های مختلفی برای اندازه گیری استفاده می کنند. در این تحقیق تنها از روش های ژئودتیک برای تحلیل حرکت جسم استفاده شده است. اگرچه کل شیء تحت تأثیر عوامل تأثیرگذار قرار می گیرد، اما بخش های مختلف جسم به طور متفاوتی واکنش نشان می دهند. از این رو، یک مدل نمی تواند رفتار هر قسمت از شی را دقیقاً توصیف کند. در این تحقیق، یک رویکرد محلی ارائه شده است – دو مدل مجزا برای هر نقطه ای که به طور استراتژیک روی شی قرار می گیرد، توسعه می یابد: یک مدل برای تحلیل و پیش بینی در جهت محور X و مدل دیگر برای محور Y. علاوه بر این، پیش‌بینی حرکت افقی سد مستقیماً از مقادیر اندازه‌گیری شده عوامل تأثیرگذار انجام نمی‌شود، بلکه از مقادیر پیش‌بینی‌شده به‌دست‌آمده با یادگیری ماشین و روش‌های آماری انجام می‌شود. نتایج این تحقیق نشان می‌دهد که می‌توان با استفاده از یادگیری ماشینی و روش‌های آماری، پیش‌بینی دقیق حرکت سد در کوتاه‌مدت را انجام داد و تنها عامل محدودکننده برای بهبود طول پیش‌بینی، پیش‌بینی دقیق آب و هوا است.

کلید واژه ها:

نظارت بر سلامت ساختاری ; تغییر شکل سد ; نقشه برداری دقیق ؛ پیش بینی سری های زمانی ; یادگیری ماشینی ؛ شبکه های عصبی مصنوعی ; درونیابی فضایی ; آریما

1. معرفی

سدها برای تولید انرژی الکتریکی، تامین آب و آبیاری بسیار مهم هستند. با این حال، در عین حال آنها یک خطر بزرگ برای منطقه واقع در پایین دست هستند. برای جلوگیری از هر گونه تأثیر مخاطره آمیز سد، انجام نظارت دائمی مهم است. لومباردی [ 1 ] اهداف پایش سد را با طرح چهار سوال تدوین کرد:

آیا سد مطابق انتظار/پیش بینی رفتار می کند؟
آیا سد مانند گذشته رفتار می کند؟
آیا روندی وجود دارد که بتواند ایمنی سد را در آینده مختل کند؟
آیا ناهنجاری در رفتار سد تشخیص داده شد؟

اگرچه لومباردی تصریح کرد که این سؤالات برای نظارت بر سد در نظر گرفته شده است، اما می تواند برای هر شی زیرساختی بزرگ دیگری نیز اعمال شود. بسیاری از نویسندگان از حرفه های مختلف از روش ها و رویکردهای متفاوتی برای پاسخ به این سؤالات استفاده می کنند، اما هدف همه آنها یکسان است – به دست آوردن اطلاعات دقیق و قابل اعتماد در مورد رفتار و سلامت جسم.

هدف اصلی این تحقیق توسعه رویکردی است که بتواند ارزیابی دقیقی از وضعیت فعلی یک سد ارائه دهد و رابطه بین عوامل موثر و حرکت سد را بهتر درک کند. هدف ثانویه استفاده از این دانش برای پیش‌بینی دقیق سری زمانی کوتاه‌مدت جابجایی سدها بر اساس مقادیر پیش‌بینی‌شده عوامل تأثیرگذار است.

پیش‌بینی دقیق حرکت جسم به طور قابل‌توجهی ایمنی جسم را افزایش می‌دهد و نگهداری جسم بسیار آسان‌تر می‌شود. نظارت بر اشیاء در کانون تحقیقات علمی بوده و هست، در حالی که ابزارها و فناوری ها در طول زمان در حال تغییر هستند. تمرکز اصلی ما بر تحلیل و پیش‌بینی حرکت افقی سد با روش‌های آماری و یادگیری ماشینی است. پیش‌بینی حرکت افقی سد با استفاده از دو رویکرد انجام می‌شود:

هر عامل تأثیرگذار به طور مستقل پیش‌بینی می‌شود و مقادیر پیش‌بینی‌شده برای پیش‌بینی حرکت سد کوتاه‌مدت استفاده می‌شود.
عوامل مؤثر با توجه به پیوستگی آنها پیش‌بینی شده و سپس پیش‌بینی حرکت سد کوتاه‌مدت انجام می‌شود.

بنابراین، این تحقیق ترکیبی از دو حوزه مطالعاتی تکمیلی است: پایش سلامت ساختاری (SHM) و پیش‌بینی سری زمانی (TSP). در سال‌های اخیر تحقیقات قابل‌توجهی بر روی SHM مربوط به اشیاء زیرساختی و پدیده‌های طبیعی (تونل‌ها، پل‌ها، سدها، ساختمان‌های بزرگ، رانش زمین، خاک و توده‌های سنگی) انجام شده است. تمرکز اصلی بر تحلیل و پیش‌بینی حرکت سد است. اندازه‌گیری‌های ژئودتیک مرسوم هنوز نقش مهمی در پایش پایداری سد دارند. با این حال، مطالعات اخیر نشان می‌دهد که محققان به طور فزاینده‌ای از سیستم ماهواره‌ای ناوبری جهانی (GNSS) و روش‌های سنجش از دور استفاده می‌کنند، زیرا شکاف در دقت بین این روش‌ها و اندازه‌گیری‌های زمین‌شناسی مرسوم به طور پیوسته در حال کاهش است. GNSS و روش های سنجش از راه دور اکنون قادر به دستیابی به دقت هستند،

Yigit، Alcayb و Ceylanb (2015) حرکات افقی سد ارمنک (ترکیه) را بر اساس اندازه‌گیری‌های ژئودتیکی مرسوم دوره‌ای در طی اولین پر کردن مخزن ارزیابی می‌کنند. جابجایی سدها با سطح آب در مخزن و تغییرات دمای فصلی مرتبط است. تجزیه و تحلیل آنها نشان می دهد که تناوب و روند خطی در سری های زمانی مربوط به نوسانات دمایی فصلی بتن است که به صورت خطی با سطح مخزن افزایش می یابد. تغییر شکل‌های اندازه‌گیری‌شده با روش‌های ژئودتیکی با تغییر شکل پیش‌بینی‌شده به‌دست‌آمده با تحلیل روش المان محدود (FEM) مطابقت دارد [ 2 ]]. شیائو و همکاران (2019) عملکرد اندازه‌گیری‌های GNSS را در پروژه انحراف آب جنوب به شمال در چین بررسی می‌کند. اندازه‌گیری‌های GNSS الزامات زمانی و دقت را برای نظارت بر تغییر شکل برآورده می‌کنند. این مطالعه همبستگی بالایی را بین سطح آب در مخزن و تغییر شکل سطح سد نشان می‌دهد [ 3 ]]. به دلیل عدم وجود مدل های خاص که رفتار سد خاکی را توصیف می کند، داردانلی و پیپیتون (2017) چندین مدل هیدرولیک و FEM را آزمایش کردند. برای حمایت بیشتر از تحقیقات آنها، اندازه‌گیری‌های GNSS طی 2 سال (2011-2013) نیز انجام می‌شود. بهترین نتایج پیش‌بینی توسط مدل PoliMi و مدل قطعی به‌دست می‌آید (تفاوت بین داده‌های اندازه‌گیری شده و مشاهده‌شده در محدوده چند میلی‌متری است). با مقایسه داده‌های به‌دست‌آمده توسط GNSS و اندازه‌گیری‌های زمین‌شناسی سنتی، بدیهی است که بررسی ماهواره‌ای پتانسیل زیادی برای SHM دارد [ 4 ]]. تنگ و همکاران (2011) کاربرد پراکنده دائمی و تصاویر سری زمانی پراکنده شبه دائمی رادار دهانه مصنوعی تداخل سنجی (InSAR) را برای نظارت بر سد پیشنهاد کرد. نتایج رویکرد پایش سد پیشنهادی آنها، با استفاده از تصاویر سری زمانی SAR، با نتایج به‌دست‌آمده از روش‌های مرسوم مطابقت دارد. در پایان، نویسندگان تأکید کردند که رویکرد پیشنهادی نیازی به کار میدانی ندارد، زیرا پوشش تصاویر SAR امکان نظارت بر تغییر شکل را در مقیاس بزرگ فراهم می‌کند و به دلیل تراکم مشاهده، تعداد نقاط مشاهده شده در مقایسه با روش‌های مرسوم بسیار بیشتر است [ 5 ].]. تصاویر SAR در مطالعه در سد خاکی Svartevatn (نروژ) توسط Voege، Frauenfelder و Larsen (2012) استفاده شده است. با استفاده از تصاویر SAR جابجایی سدها و میانگین سرعت زمین محاسبه می شود. نتایج آنها نشان می‌دهد که داده‌های SAR تاریخی را می‌توان برای نظارت بر تغییر شکل‌های سد با وضوح قابل مقایسه با اندازه‌گیری‌های ژئودتیکی مرسوم استفاده کرد [ 6 ]. داردانلی و همکاران (2014) سیستم GNSS پیوسته را برای نظارت بر تغییر شکل‌های سدهای خاکی در سیسیل (ایتالیا) توسعه داد. تحقیقات آنها نشان می‌دهد که دقت اندازه‌گیری‌های GNSS پس از پردازش با روش‌های ژئودتیک معمولی قابل مقایسه است. همچنین، همبستگی بین تغییرات سطح مخزن به‌دست‌آمده از روش‌های سنجش از دور، با جابجایی‌های GNSS به‌دست‌آمده در این مطالعه محاسبه شد و نتایج نشان‌دهنده همبستگی ضعیف و مثبت بین متغیرهای مورد آزمایش بود.7 ]. تسطیح، اندازه‌گیری‌های GPS و تصاویر SAR برای ارزیابی پایداری سد دربندیخان (عراق) پس از زلزله با بزرگی بالا در تحقیقات انجام شده توسط الحسیناوی و همکاران استفاده شده است. (2018). تحقیقات آنها نتیجه می گیرد که تصاویر SAR از تغییر شکل سد پس از لرزه برای اطلاع رسانی برنامه های تعمیر و نگهداری مفید است، اما بررسی های زمینی هنوز در مورد تغییر شکل با گرادیان بزرگ در طول زلزله ضروری است [ 8 ].

اگرچه روش‌های متداول تغییر شکل سدها دقت بسیار بالایی دارند، اما زمان‌بر، کار فشرده و هزینه‌های بالایی دارند. از سوی دیگر، اندازه‌گیری‌های GNSS نظارت مستمر بر سد را ارائه می‌دهند، در حالی که روش‌های سنجش از دور امکان نظارت بر تغییر شکل در مقیاس بزرگ و چگالی بالاتر نقاط مشاهده را در مقایسه با روش‌های مرسوم و GNSS فراهم می‌کنند. برای استفاده از همه این روش ها، متخصصان معمولا از رویکرد یکپارچه برای به دست آوردن بهترین نتایج نظارتی ممکن استفاده می کنند.

روش های آماری به طور سنتی برای تجزیه و تحلیل پایداری سد و پیش بینی استفاده می شود. استفاده از روش های یادگیری ماشینی نیز یکی از رویکردهای رایج در SHM است. در میان روش‌های یادگیری ماشین، استفاده از شبکه‌های عصبی مصنوعی (ANN) نقش اصلی را در تحلیل تغییر شکل سد و پیش‌بینی حرکت سد دارد. شبکه‌های عصبی مصنوعی و روش‌های آماری به‌طور مستقل یا مشترک استفاده می‌شوند – یا برای تکمیل یکدیگر یا برای مقاصد مقایسه.

بیو و همکاران (2016) کاربرد سیستم استنتاج فازی عصبی بهینه شده ازدحام (SONFIS) را برای مدل‌سازی و پیش‌بینی جابجایی افقی سدهای برق آبی پیشنهاد می‌کند. داده‌های پایش سری زمانی (جابجایی افقی، دمای هوا، سطح آب مخزن بالادست و پیری سد) سد برق آبی Hoa Binh (ویتنام) به عنوان مطالعه موردی انتخاب شده‌اند. مدل SONFIS از رگرسیون برداری پشتیبانی، شبکه‌های عصبی پرسپترون چندلایه، فرآیندهای گاوسی و جنگل‌های تصادفی که از داده‌های یکسان برای برازش و آزمایش مدل استفاده می‌کنند بهتر عمل می‌کند [ 9 ]]. در همین مطالعه موردی، مدل رگرسیون چندگانه (MLR)، مدل SARIMA و مدل‌های ادغام شبکه عصبی پس انتشار (BPNN) برای پیش‌بینی حرکت سد توسط Zou و همکاران آزمایش می‌شوند. (2017). نویسندگان نتیجه می گیرند که مدل SARIMA و مدل ادغام SARIMA-BPNN کاربردهای بالقوه زیادی در زمینه تحلیل و پیش بینی تغییر شکل سد دارند [ 10 ]. لیو و همکاران (2018) یک سیستم خود تشخیصی برای تشخیص ایمنی سد ایجاد کرد. سیستم آنها بر اساس مدل خاکستری-الگوریتم ژنتیک-مدل BPNN است و می تواند تشخیص خطای آنلاین را بهتر از مدل های تک سنتی انجام دهد [ 11]. استفاده از یک ماشین یادگیری افراطی (ELM)، شبکه عصبی پیش‌خور با یک لایه گره‌های پنهان با وزنه‌هایی که ورودی‌ها را به گره‌های مخفی متصل می‌کنند، به‌طور تصادفی اختصاص داده می‌شوند، برای پیش‌بینی جابجایی سدهای گرانشی توسط کانگ و همکاران پیشنهاد شده‌است. (2017). مدل پیشنهادی با مدل های BPNN، MLR و رگرسیون گام به گام مقایسه می شود و نتایج نشان می دهد که مدل پیشنهادی دقت بهتری دارد و به زمان کمتری برای برازش مدل نیاز دارد [ 12 ].

پیش‌بینی سری زمانی (TSP) دامنه وسیعی از کاربردها را در مهندسی، تولید و مدیریت انرژی، گردشگری و بورس اوراق بهادار ارائه می‌کند. مشابه SHM، روش‌های آماری و روش‌های یادگیری ماشین معمولاً در TSP استفاده می‌شوند. میانگین متحرک یکپارچه خودرگرسیون (ARIMA) با یا بدون مؤلفه فصلی (SARIMA) در بین محققان بسیار محبوب است. با توجه به تغییرات اقلیمی، مطالعات متعددی در زمینه پیش‌بینی هواشناسی و هیدرولوژیکی وجود دارد که یکی از محبوب‌ترین روش‌ها ARIMA است. استفاده از انواع مختلف ANN برای TSP، به ویژه شبکه‌های دینامیکی مکرر با اتصالات بازخوردی مانند: شبکه‌های عصبی اتورگرسیو غیرخطی (NAR) و شبکه‌های عصبی اتورگرسیو غیرخطی با ورودی‌های برون‌زا (NARX) بسیار رایج است.

در تحقیقات انجام شده توسط مورات و همکاران. (2018)، از داده های سری زمانی هواشناسی مناطق مختلف آب و هوایی برای تطبیق باکس-جنکینز و هولت-وینترز SARIMA، ARIMA با رگرسیون های خارجی در قالب اصطلاحات فوریه و رگرسیون سری زمانی استفاده می شود. نتایج نشان می‌دهد که مدل‌های انتخاب‌شده نمی‌توانند دمای هوا و بارش دقیق را پیش‌بینی کنند، اما می‌توانند اطلاعاتی را ارائه دهند که به برنامه‌ریزی و تصمیم‌گیری محیطی کمک می‌کند [ 13 ].]. چاوشین و بروم (2017) از مدل SARIMA برای پیش‌بینی میانگین ماهانه دما در اربیل (ایراق) استفاده می‌کنند. مدل انتخاب شده با پیش‌بینی دمای میانگین از ژانویه 2014 تا نوامبر 2015 اعتبارسنجی می‌شود و میانگین دمای پیش‌بینی‌شده یکسان یا بسیار نزدیک به داده‌های دمای واقعی است. نویسندگان نتیجه می گیرند که مدل پیشنهادی می تواند برای تعیین دقیق نیاز به برق و آب در منطقه کردستان عراق نیز به کار رود [ 14 ]. در تحقیقات انجام شده توسط Rizkina، Adytia و Subasita (2019)، شبکه های NAR و تجزیه و تحلیل هارمونیک جزر و مدی برای پیش بینی سطح دریا در سمارنگ (هند) استفاده شده است. شبکه های NAR نتایج بهتری را در مقایسه با تحلیل هارمونیک جزر و مد، که روشی استاندارد برای پیش بینی سطح آب بندی است، نشان می دهند [ 15 ].]. کادناس و همکاران (2016) عملکرد ARIMA تک متغیره و مدل NARX چند متغیره را برای پیش‌بینی کوتاه مدت سرعت باد مقایسه کرد. نتایج نشان می دهد که مدل NARX چند متغیره در مقایسه با مدل ARIMA نتایج دقیق تری به دست می دهد. اگرچه، مدل NARX از مدل ARIMA بهتر عمل کرد، نویسندگان خاطرنشان می‌کنند که حتی مدل ARIMA تک متغیره می‌تواند پیش‌بینی معقول یک گام جلوتر سرعت باد را ارائه دهد [ 16 ]. حمزیچ و همکاران (2016) شبکه های NAR و شبکه های عصبی Feed Forward Back Propagation را برای پیش بینی کوتاه مدت سطح آب در مخزن مقایسه کردند. نتایج نشان داد که شبکه‌های عصبی حتی در صورت استفاده از داده‌های سطح آب می‌توانند کیفیت سطح آب را پیش‌بینی کنند. ضعف اصلی پیش‌بینی سطح آب سری زمانی تک متغیره، تنظیم آهسته برای تغییرات ناگهانی سطح آب است. [ 17].

برخلاف اندازه‌گیری‌های استاندارد نقشه‌برداری روزانه، که می‌توان با استفاده از تجهیزات استاندارد ژئودزیکی انجام داد، پایش سد نیازمند ابزارهای بسیار دقیق و شرایط ویژه برای دستیابی به دقت و اطمینان مورد نیاز اندازه‌گیری‌ها است. برای به دست آوردن نتایج مطلوب لازم است [ 18 ، 19 ، 20 ]:

ایجاد شبکه ژئودزی کنترل ویژه ای که دقت آن بهتر از شبکه های ژئودزی استاندارد (مثلاً شبکه ژئودزی دولتی) باشد. این شبکه های کنترلی برای اندازه گیری جابجایی و تغییر شکل استفاده می شوند. با این حال، تنها تعیین وجود جابجایی ها کافی نیست. همچنین لازم است مشخص شود که این اندازه گیری ها چقدر قابل اعتماد هستند. شبکه‌های ژئودتیک ویژه نه تنها ناحیه تغییر شکل کامل را پوشش می‌دهند، بلکه منطقه‌ای را نیز پوشش می‌دهند که در آن هیچ تغییر شکلی انتظار نمی‌رود (زمین پایدار). علاوه بر این، شکل شبکه باید با دقت تعیین شود، زیرا تنها شبکه از نظر هندسی پایدار و قابل اعتماد، دقت و قابلیت اطمینان بالایی را برای تجزیه و تحلیل تغییر شکل ممکن می‌سازد.
از بهترین ابزار و تکنیک های اندازه گیری موجود استفاده کنید. ابزارها و سایر تجهیزات به طور مرتب در مؤسسات مجاز بازرسی و اصلاح می شوند تا صحت عملکرد آنها تأیید شود. ابزار مدرن مورد استفاده برای نظارت بر تغییر شکل نه تنها بسیار دقیق و سریع هستند، بلکه به گونه ای طراحی شده اند که وقوع هر نوع خطا را به حداقل می رساند (هدف گیری خودکار و ذخیره اندازه گیری ها به طور مستقیم در برنامه های پردازش داده ها).
برای اطمینان از قابلیت اطمینان نتایج، هر اندازه گیری را تکرار کنید. اندازه گیری زاویه در دو وجه ایستگاه کل انجام می شود تا خطاهای سیستماتیک کاهش یابد و فاصله ها با هر اندازه گیری زاویه اندازه گیری می شوند.
پارامترهای جوی (دمای هوا، فشار و رطوبت هوا) را اندازه گیری کنید و بعداً از آنها برای اصلاحات اندازه گیری استفاده کنید. شکل زمین و شکست نیز هنگام آماده سازی داده ها برای پردازش در نظر گرفته می شود.

حتی با وجود تمام اقدامات احتیاطی انجام شده و روش های فوق، برخی از خطاها در اندازه گیری ها رخ می دهد. این خطاها با آزمون های آماری ویژه حذف می شوند و تنها از اندازه گیری های معتبر برای تجزیه و تحلیل تغییر شکل استفاده می شود.

پایش سد با استفاده از نقشه برداری دقیق ژئودتیکی روشی بسیار دقیق اما زمان بر برای تحلیل پایداری سد است. این تصویر جهانی از سلامت جسم ارائه می دهد و در بین متخصصان بسیار مورد توجه است. این روش مستلزم گروهی از متخصصان با استفاده از ابزار و روش های خاص است. از این رو معمولاً فقط دو بار در سال انجام می شود. اولین سری پایش سالانه زمانی انجام می شود که سد تمام سرما را جمع می کند که در پایان زمستان و اوایل بهار است و دومین سری پایش سالانه زمانی انجام می شود که سد تمام گرما را در اواخر تابستان و اوایل پاییز جمع می کند. .

مسئله اصلی مدل‌سازی وضعیت فعلی سد و پیش‌بینی حرکت سد، کمبود عمومی داده‌های پایش سد است که با بررسی دقیق ژئودتیک و توزیع نامطلوب داده‌ها به دست می‌آید – همه اندازه‌گیری‌ها تقریباً در یک زمان از فصل و در شرایط مشابه انجام می‌شوند. بر این اساس، هیچ مقدار رضایت بخشی از داده های پایش سد با بررسی دقیق وجود ندارد که بتوان از آن برای تجزیه و تحلیل و تحقیق دقیق استفاده کرد. اگرچه امکان خودکارسازی این فرآیند وجود دارد، اما به دلیل هزینه های بالای ابزار و تجهیزات مورد نیاز، به ندرت در عمل اجرا می شود. اغلب روش‌های دقیق کمتری برای پایش سد استفاده می‌شود، به‌ویژه اگر بتوان آن‌ها را به راحتی خودکار یا سریع انجام داد.

برای غلبه بر این مسائل ذکر شده در بالا برای هدف این تحقیق، در مجموع 20 سری اندازه گیری فاصله و زاویه توسط ایستگاه کل رباتیک دقیق در بازه زمانی 15 ژانویه 2015 تا 7 آوریل 2017 (تقریباً یک اندازه گیری هر 41 روز) انجام شده است. از 20 سری اندازه گیری، 18 سری برای برازش مدل و دو سری برای اعتبار سنجی خارجی استفاده شد.

تمام اندازه‌گیری‌های زمین‌شناسی با استفاده از ایستگاه کل رباتیک دقیق در ترکیب با نرم‌افزار کنترل سیستم موقعیت‌یابی زمینی و نرم‌افزار کنترل و هشدار آنلاین مبتنی بر GNSS/LPS/LS (GOCA) برای پردازش اندازه‌گیری استفاده شد [ 21 ، 22 ]. تمام اندازه‌گیری‌های دما، ورودی/خروجی آب و اندازه‌گیری‌های سطح آب از قبل پردازش شده و توسط MS Excel مشاهده می‌شوند. آموزش ANN و برازش و پیش‌بینی مدل ARIMA توسط MATLAB 2018 انجام شده است. داده‌های سری زمانی عوامل تأثیرگذار و جابجایی سد اندازه‌گیری شده سد نیروگاه آبی جابلانیکا به عنوان مطالعه موردی انتخاب شدند.

حتی تمام داده‌های مربوط به پایش سدها با رعایت دقیق مقررات و رویه‌ها جمع‌آوری شده‌اند، برخی قرائت‌های نادرست و داده‌های گمشده هنوز ظاهر می‌شوند. بنابراین، اولین گام “پاکسازی” داده ها از قرائت های نادرست و تکمیل داده های از دست رفته بود. گام دوم یافتن ساختارهای بهینه ANN و مدل‌های ARIMA برای پیش‌بینی کوتاه‌مدت عوامل تأثیرگذار بود. در مرحله سوم، همبستگی بین حرکات سد و عوامل تأثیرگذار با استفاده از رویکرد موضعی تعیین می‌شود – مدل‌های فردی برای هر نقطه به طور استراتژیک بر روی جسم قرار می‌گیرد. گام نهایی، انجام پیش‌بینی کوتاه‌مدت حرکت سد با استفاده از مقادیر پیش‌بینی‌شده عوامل تأثیرگذار بود. مقادیر پیش‌بینی‌شده با جابجایی مشاهده‌شده برای اعتبارسنجی مدل پیشنهادی مقایسه می‌شوند.

نتایج نشان می‌دهد که می‌توان با استفاده از مقادیر پیش‌بینی‌شده عوامل تأثیرگذار، پیش‌بینی حرکت سد کوتاه‌مدت بسیار دقیق را انجام داد. اگرچه حرکت سد پیچیده و غیرخطی است، اما نتایج نشان می‌دهد که یک همبستگی خطی قوی بین عوامل مؤثر و حرکت سد در جهت جریان رودخانه برای تمام نقاط جسم دور از پایه‌های سد وجود دارد.

2. مواد و روشها

2.1. مطالعه موردی

سد جابلانیسا یک سد بتنی قوسی گرانشی به ارتفاع 85 متر با طول تاج 210 متر است. این بنا در سال 1955 بر روی رودخانه Neretva ساخته شد و تقریباً در پنج کیلومتری شمال از مرکز Jablanica (بوسنی و هرزگوین) ساخته شد. پس از ساخت، این بزرگترین آبجکت در جمهوری فدرال سوسیالیستی یوگسلاوی سابق بود [ 23 ]. شبکه ای برای پایش فیزیکی و ژئودزیکی بر روی سد نصب شده است تا وضعیت فعلی سلامت سد بررسی شود. این سد مجهز به سنسورهایی است که دمای هوا، دمای آب، دمای بتن، جابجایی بین بلوک‌های سد، شیب بلوک‌های سد، فشار آب بالابرنده و فشار آب زیرزمینی را اندازه‌گیری می‌کنند. این حسگرها داده ها را در قالب سری های زمانی جمع آوری می کنند.

داده های سری زمانی هر داده ای است که به صورت متوالی در طول زمان مشاهده می شود. هدف پیش‌بینی سری‌های زمانی تخمین مقادیر آینده بر اساس داده‌های فعلی و تاریخی است یا به صورت ریاضی بیان شده است [ 24 ]:

y ˜ (t + Δ t) = f (y (t - 1) ، y (t - 2) ، y (t - 3) ، \dots ، y (t - n)) ،

(1)

جایی که $\tilde{y}$ مقدار پیش بینی شده یک سری زمانی y است، t لحظه جاری در زمان است، $Δ t$ تعیین می کند که چقدر در آینده پیش بینی می شود و n تعداد کل نمونه ها است.

شبکه ژئودزیکی متشکل از 11 نقطه مرجع به عنوان پایگاهی برای پایش ژئودتیکی جابجایی سدها و 34 نقطه شی مورد پایش قرار گرفت. دو نقطه شی، ستون های ژئودتیک J10 و J11، در بالای تاج سد نصب شده اند، در حالی که 32 نقطه باقی مانده در سمت پایین دست بدنه سد نصب شده اند. عملکرد اصلی نقاط J10 و J11 نظارت بر تغییر شکل سد نیست، بلکه بهبود اتصال بین نقاط مرجع بالادست و پایین دست است، به عنوان مثال، بهبود کیفیت شبکه ژئودزی کنترل برای پایش سد. نقطه شی JP84 به اشتباه نصب شده است و از هیچ نقطه مرجعی قابل مشاهده نیست، بنابراین در تحقیق گنجانده نشده است. شبکه نقاط مرجع و شبکه نقاط شی مورد استفاده برای پایش سد در شکل 1 نشان داده شده استشکل 2 .

هر ستون ژئودتیک دارای صفحه فولادی ضد زنگ مخصوصی است که در بالای آن نصب شده است، بنابراین یک تریبراک مستقیماً روی ستون بسته می شود. از این رو، هیچ خطای مرکزیت ابزاری وجود ندارد. جهات افقی، زوایای اوج و فواصل از هر نقطه مرجع به سمت تمام نقاط مرجع و جسم قابل مشاهده مشاهده می شود. سه مجموعه مشاهدات در دو وجه از هر نقطه مرجع انجام می‌شود و داده‌های جوی برای هر مجموعه اندازه‌گیری ثبت می‌شوند، بنابراین اصلاحات اندازه‌گیری می‌تواند در پردازش پس از آن اعمال شود. دما و فشار هوا در محل اندازه گیری می شوند در حالی که داده های مربوط به رطوبت هوا از خدمات آب و هوای وب گرفته می شود.

تمام مشاهدات توسط ایستگاه کل رباتیک دقیق Sokkia NET05 (دقت اندازه گیری فاصله 0.8 میلی متر + 1 ppm، دقت اندازه گیری زاویه 0.5 اینچ) انجام می شود. منشور حرفه ای لایکا GPR121 برای مشاهدات بر روی ستون های ژئودتیکی استفاده شد و منشورهای Sokkia Mini102 با نگهدارنده های سفارشی روی بدنه سد نصب شده است.

سیستم مختصات پایش سد به صورت زیر تعریف می شود:

محور X از مرکز هندسی سد می گذرد و جهت مثبت محور X در بالادست است.
محور Y بر محور X عمود است و جهت مثبت به سمت ساحل چپ رودخانه نرتوا است.
محور H-ارتفاع.

حرکت سد تحت تأثیر عوامل مختلفی است و رایج ترین عوامل در شکل 3 ارائه شده است. عواملی که مدل‌سازی آنها دشوار است (مثلاً زلزله)، عواملی با تأثیر ناچیز (مثلاً فشار یخ) و عواملی که بر حرکات افقی سد تأثیر نمی‌گذارند (وزن سد، فشار بالابرنده) در نظر گرفته نمی‌شوند. تمرکز اصلی در این تحقیق بر چهار عامل است که عامل اصلی حرکت افقی سد هستند: سطح آب، دمای هوا، دمای آب و دمای بتن. پیری سد به عنوان یک عامل مهم در نظر گرفته نمی شود، زیرا پیش بینی حرکت سد برای مدت زمان بسیار کوتاهی انجام می شود و ارزش این ضریب تاثیر در این مورد خاص ناچیز خواهد بود.

2.2. داده های جابجایی سد

پایش سدها با استفاده از روش های ژئودزی از سال 1954 (سری پایش اولیه که به سری پایش صفر نیز معروف است) آغاز شد و معمولاً تنها دو بار در سال انجام می شود. مشکل اصلی اندازه‌گیری‌های زمین‌شناسی از سال 1954 تا 2015 این است که تمام اندازه‌گیری‌ها بدون توجه به عوامل تأثیرگذار انجام شده است، یعنی در این اندازه‌گیری‌ها مقادیر فاکتورهای تأثیرگذار همزمان با اندازه‌گیری‌های ژئودزی اندازه‌گیری نشده است. از سال 2012، پایش سد با استفاده از نقشه برداری دقیق ژئودزیکی توسط ایستگاه توتال روباتیک انجام شد و هر اندازه گیری با داده های جوی مناسب (دمای هوا، رطوبت و فشار هوا) همراه بود، بنابراین هر اندازه گیری می تواند مطابق با این عوامل اصلاح شود. . خودکارسازی اندازه‌گیری‌های زمین‌شناسی سرعت جمع‌آوری داده‌ها را بهبود بخشید و همچنین اکثر خطاهای انسانی را از اندازه‌گیری‌ها حذف کرد (به عنوان مثال، ورود اشتباه داده یا خطای هدف گیری بازتابنده). اندازه گیری های تصحیح شده با استفاده از نرم افزار GOCA پردازش می شوند.

GOCA یک سیستم چند سنسوری است که از GNSS/GPS، حسگرهای زمینی (به عنوان مثال، ایستگاه‌های کل، دستگاه‌های تسطیح روح و تراز هیدرواستاتیک) و سنسورهای محلی برای نظارت و تحلیل تغییر شکل استفاده می‌کند. در نتیجه، GOCA جابجایی ها، سرعت ها و شتاب ها را در یک سیستم مختصات سه بعدی فراهم می کند [ 21 ].

برای حل یک مدل ریاضی (برای به دست آوردن مختصات نقاط ثابت و شی) باید تعداد معینی از اندازه گیری ها مشخص شود. اگر بیش از اندازه‌گیری‌های لازم برای یک راه‌حل اضافه شود (اضافه)، اختلاف در مدل رخ می‌دهد. برای رفع این اختلافات، باید مدل ریاضی را تنظیم کرد. گاوس و لژاندر (1806) روش حداقل مربعات را برای حذف اختلافات به شرح زیر معرفی کردند:

v تی Pv = دقیقه_

(2)

جایی که $v$ بردار باقیمانده n بعدی است ( $v^{T}$ بردار باقیمانده جابجا می شود) و $P$ ماتریس وزنی متناسب با ماتریس واریانس-کوواریانس معکوس متغیرهای اندازه گیری شده است. این روش در ژئودزی برای اتصال اندازه گیری ها و پارامترهای ناشناخته استفاده می شود و با معادله زیر قابل بیان است:

f (ایکس ˆ ، ل ˆ) = 0 ،

(3)

جایی که $\hat{x}$ بردار n بعدی پارامترهای تنظیم شده است، $\hat{l}$ بردار n بعدی اندازه گیری های تنظیم شده است و مقدار صفر در سمت راست معادله نشان می دهد که دیگر اختلافی در مدل وجود ندارد.

پس از تعدیل اندازه‌گیری‌ها، معمولاً از مدل گاوس مارکوف برای تجزیه و تحلیل داده‌های ژئودزی استفاده می‌شود. این مدل ترکیبی از مدل تصادفی قطعی و متناظر را نشان می دهد:

l + ε = تبر تی ، و

(4)

E (ε ε تی) = σ 20 س ل ،

(5)

که در آن l n بردار بعدی اندازه گیری ها است، $ε$ بردار خطاهای واقعی است، $A$ اولین ماتریس طراحی است ( $A = \frac{\partial f}{\partial x}$ ) $x_{T}$ بردار مقادیر واقعی پارامترهای ناشناخته است، E مقدار مورد انتظار است، $σ_{0}^{2}$ عامل واریانس است و $Q_{l}$ ماتریس کوفاکتور است ( $Q_{l} {= P}^{- 1}$ ). برای وابستگی های غیر خطی، بردار l شامل تفاوت های بین مقادیر مشاهده شده و محاسبه شده اندازه گیری ها و $x_{T}$ شامل بهبود مقادیر پارامترها با توجه به مقادیر پیشینی پارامترها است.

تجزیه و تحلیل تغییر شکل توسط GOCA شامل سه مرحله است [ 22 ]:

مقداردهی اولیه – تنظیم شبکه رایگان به منظور حذف خطاهای اندازه گیری با استفاده از روش جستجوی داده تکراری Baarda. فقط یک خطا را می توان در هر تکرار حذف کرد و این روند تکرار می شود تا تمام خطاهای اندازه گیری حذف شوند.
تنظیم شبکه بر اساس اندازه گیری های تصفیه شده. چارچوب مرجع ژئودزی متشکل از نقاط ژئودزی پایدار، در این مرحله تعریف شده و سپس تنظیم نهایی برای تعیین مختصات نقاط شی انجام می شود.
تجزیه و تحلیل تغییر شکل – تست پایداری نقاط مرجع و تست حرکت نقاط جسم.

داده‌های به‌دست‌آمده با اندازه‌گیری‌های دقیق تاکی‌متری، دقت بسیار بالایی دارند و میانگین خطای نقطه‌ای نقاط جسم هرگز از 0.5 میلی‌متر تجاوز نمی‌کند. توجه به این نکته ضروری است که همه اندازه‌گیری‌ها به سرعت انجام می‌شوند، بنابراین مقادیر فاکتورهای تأثیرگذار نمی‌توانند از ابتدا تا انتهای اندازه‌گیری‌ها تغییر قابل توجهی داشته باشند.

غالباً برخی از نقاط جسم را نمی توان به دلیل موانع مختلف (شاخه درخت رشد کرده، ترافیک سنگین) یا محدودیت های تجهیزات (نور قوی، کثیفی روی منشورهای نظارتی، زمین کج) تحت نظر داشت. در آن صورت، جابجایی سدها را نمی توان بر اساس مشاهدات مستقیم محاسبه کرد، اما می توان با استفاده از پیش بینی شبکه های عصبی مصنوعی [ 25 ] درون یابی کرد. در این تحقیق، جابجایی‌های سد برای نقطه جسم JP24 با استفاده از پیش‌بینی شبکه‌های عصبی مصنوعی برای 3 سری با داده‌های گمشده (48/0 درصد داده‌های جابجایی سد) درون‌یابی شدند.

سه نوع شبکه عصبی مصنوعی (آبشاری رو به جلو، پیش‌انتشاری به جلو و پس‌انتشار مجدد لایه‌ای) و یک سیستم رای دهی با چهار عملکرد (MIN، MAX، “میانگین نزدیک‌ترین 2” و “میانگین 3”) برای درونیابی سد گمشده استفاده شد. جابجایی ها با استفاده از پیش بینی نمودار جریان مدل پیشنهادی در شکل 4 نشان داده شده است .

رویکرد درونیابی داده های گمشده، جنبه های مکانی و زمانی داده ها را ترکیب می کند و از آن برای مزایای خود برای دستیابی به نتایج خوب با استفاده از پیش بینی ANN استفاده می کند. همچنین در مواردی که داده های از دست رفته دارای سابقه نظارت طولانی هستند و در مواردی که نقاط مجاور زیادی در نزدیکی نقطه با داده های از دست رفته وجود دارد بهترین نتایج را ارائه می دهد. یکی دیگر از مزایای این روش این است که می تواند داده های از دست رفته را در پایان بازه های داده مدیریت کند. با این حال، کاستی‌های این رویکرد زمانی آشکار می‌شود که ترکیبی از تعداد کمی از سری‌های نظارت و تعداد کمی از همسایگان نقاط شی گم‌شده ظاهر شود [ 25 ].

2.3. داده های سطح آب

سطح آب در مخزن تحت تأثیر عوامل مختلفی از جمله: ورودی، بارندگی بالادست، تخلیه آب از مخزن، تبخیر و نشت آب است. ما از اندازه گیری روزانه سطح آب، جریان آب ورودی، مصرف آب برای تولید انرژی الکتریکی و تخلیه آب از سرریز از 1 ژانویه 1998 تا 7 آوریل 2017 برای پیش بینی ARIMA و ANN استفاده کردیم. از آنجایی که شبکه‌های عصبی مصنوعی با مقادیر کوچک‌تر بهتر کار می‌کنند، تمام مقادیر سطح آب اندازه‌گیری شده به منظور آموزش ANN به مقادیر بین 0 و 1 نرمال شدند. داده های جمع آوری شده توسط نمودار خطی، نشان داده شده در شکل 5 و شکل 6 ، به منظور بررسی روندها و الگوهای رفتار آب مشاهده می شود.

2.4. داده های دمای هوا، آب و بتن

داده های دمای هوا، آب و بتن توسط حسگرهایی که روی سد و داخل سازه سد قرار دارند جمع آوری می شود. دمای هوا توسط یک دماسنج اتوماتیک و یک دماسنج جیوه ای دستی اندازه گیری می شود. دمای آب به طور خودکار در سه سطح عمودی اندازه گیری می شود: 227 متر، 240 متر و 250 متر بالاتر از سطح دریا (بالای تاج سد در 275 متر و حداکثر سطح آب در 270 متر است). در مواردی که سطح آب زیر سطح سنسور بود، اندازه‌گیری‌ها از تحقیق حذف شدند. دمای بتن توسط حسگرهای متعددی که به طور مساوی در داخل دیواره های بتنی سد توزیع شده اند اندازه گیری می شود. مقادیر 9 دماسنج بتنی در سمت پایین دست سد، جایی که نقاط شی ژئودتیکی نصب شده است، استفاده شد. سنسورهای دیگر در داخل دیوارهای گالری سد نصب می شوند و مقادیر آنها تقریبا ثابت است، بنابراین این اندازه گیری ها در نظر گرفته نشد. مقادیر اندازه گیری شده دمای هوا، آب و بتن در نشان داده شده استشکل 7 .

داده‌های حسگرها هر 30 دقیقه ثبت می‌شوند و ما از مقادیر میانگین روزانه استفاده می‌کنیم. همانطور که در جدول 1 ارائه شده است ، تفاوت قابل توجهی در دمای هوا، آب و بتن بین فصول وجود دارد. توجه به این نکته ضروری است که سنسور دمای هوا به گونه ای نصب شده است که مستقیماً در معرض تابش خورشید قرار نگیرد و مقدار اندازه گیری شده به طور دقیق دما را در سطح سد نشان نمی دهد – تفاوت واقعی بین مقدار حداکثر و حداقل یکسان است. بزرگتر

2.5. پیش بینی عوامل تأثیرگذار

پیش‌بینی عوامل تأثیرگذار با استفاده از روش‌های یادگیری ماشینی و آماری مناسب برای داده‌های سری زمانی انجام می‌شود. در این تحقیق از سه روش آریما، شبکه NAR و شبکه NARX استفاده شده است.

مدل میانگین متحرک یکپارچه اتورگرسیو (ARIMA) توسط باکس و جنکینز در سال 1970 معرفی شد و یکی از محبوب ترین رویکردها برای پیش بینی در زمینه های مختلف (اقتصاد، آب و هوا، مهندسی) است. مدل ARIMA از ترکیب خطی مقادیر گذشته و خطاهای گذشته یک متغیر برای تعیین مقادیر آینده آن متغیر استفاده می کند. شکل کلی مدل ARIMA با معادله زیر به دست می آید:

y “ تی = c + ϕ 1 y “ t - 1 + \dots + ϕ پ y “ t - p + θ 1 ε t - 1 + \dots + θ q ε t - q + ε تی ،

(6)

جایی که $y_{t}^{'}$ یک فرآیند تصادفی ثابت است، c ثابت است، $ϕ_{i}$ (I = 1، …، p) ضریب خودرگرسیون است، $θ_{k}$ (k = 1, …, q) ضریب میانگین متحرک است و $ε_{t}$ عبارت خطا است. این مدل معمولاً به عنوان مدل ARIMA (p,d,q) نشان داده می‌شود که در آن p مرتبه قسمت اتورگرسیو، d درجه تفاوت و q مرتبه میانگین متحرک است [ 26 ].

روش Box-Jenkins روشی برای شناسایی، برازش، بررسی و استفاده از مدل‌های سری زمانی ARIMA است. این روش به کاربرد تکراری سه مرحله اشاره دارد: شناسایی، تخمین و بررسی تشخیصی. این روند تا زمانی تکرار می شود که مدل نتواند بیشتر بهبود یابد.

ماکریداکیس و همکاران در [ 27 ] دو مرحله دیگر را در روش باکس-جنکینز اضافه کرد: مرحله مقدماتی آماده سازی داده ها و مرحله نهایی کاربرد مدل ARIMA. با افزودن این دو مرحله در روش اصلی، یک روش توسعه یافته Box-Jenkins به شکل زیر است:

آماده سازی داده ها شامل تبدیل داده ها و تفاوت ها می شود. تبدیل ها برای تثبیت واریانس استفاده می شود در حالی که از تفاوت برای حذف الگوهای واضح از داده ها (روندها و فصلی) استفاده می شود.
انتخاب مدل شامل بازرسی نمودارهای سری زمانی داده های اصلی، اما همچنین نمودارهای همبستگی خودکار و خود همبستگی جزئی به منظور تعیین مدل بالقوه برای برازش داده ها است.
تخمین پارامتر شامل یافتن مقادیر ضرایب مدل است که بهترین برازش داده را فراهم می کند.
بررسی مدل – مدل برازش شده از نظر نارسایی با در نظر گرفتن همبستگی های خودکار سری های باقیمانده بررسی می شود. اگر به این نتیجه رسیدیم که مدل انتخاب شده ناکافی است، باید به مرحله 2 بازگشت.
پیش بینی با استفاده از مدل انتخابی

برای انجام پیش‌بینی سری زمانی ARIMA لازم است سری‌های زمانی ثابت باشند. ثابت بودن با آزمون دیکی-فولر تقویت شده (ADF) و آزمون کویاتکوفسکی-فیلیپس-اشمیت-شین (KPSS) مورد بررسی قرار می گیرد. آزمون KPSS فرضیه صفر را در نظر می گیرد که سری ثابت است و آزمون ADF در نظر می گیرد که سری دارای ریشه واحد است و بنابراین ثابت نیست. هر دو آزمون مورد استفاده تأیید کردند که سری‌های زمانی مورد استفاده ثابت هستند، بنابراین مدل‌های ARIMA تفاوتی نداشتند (d = 0 در همه مدل‌ها).

آزمون Ljung-Box [ 28 ] معمولاً برای آزمایش کیفیت برازش یک مدل سری زمانی استفاده می شود. فرضیه صفر آزمون این است که مدل عدم برازش را نشان نمی دهد. این آزمون بر اساس آمار زیر است:

Q = T (T + 2) \sum ساعت k = 1 r 2 ک ( T - k ) ،

(7)

که در آن T طول سری زمانی است، r _k ضریب همبستگی k-امین باقیمانده ها و h تعداد تاخیرهایی است که باید آزمایش شوند. آزمون فرضیه صفر را رد می کند اگر:

Q > χ 2 1 - α ، m ،

(8)

جایی که $χ_{1 - α, h}^{2}$ مقدار جدول توزیع خی دو با است $m = h - (p + q)$ درجه آزادی (DOF) و سطح معنی داری $α$ ، p و q تعداد پارامترها را از مدل ARIMA(p,q) برازش داده ها را نشان می دهد.

معیار اطلاعات آکایک (AIC) و معیار اطلاعات بیزی (BIC) اغلب برای انتخاب بهترین مدل از تعدادی از مدل های آزمایش شده استفاده می شود. این معیارها سعی در یافتن تعادل بهینه بین تعداد پارامترهای مدل و برازش خوب دارند. AIC و BIC توسط:

AIC = - 2 ln (L) + 2 p و_

(9)

BIC = - 2 ln (L) + p * ln (n),

(10)

که در آن L تابع حداکثر درستنمایی است، p تعداد پارامترهای تخمین زده شده و n تعداد مشاهدات است.

AIC سعی می‌کند مدلی را انتخاب کند که به‌اندازه کافی واقعیت را توصیف کند-مقدار پایین AIC به این معنی است که یک مدل به حقیقت نزدیک‌تر است. از طرف دیگر، BIC تخمینی است از تابعی از احتمال عقبی درست بودن یک مدل، تحت یک تنظیم بیزی خاص، بنابراین BIC پایین تر به این معنی است که یک مدل به احتمال زیاد مدل واقعی است [ 29 ]. مدلی که کمترین مقدار AIC و BIC را داشته باشد بهترین مدل محسوب می شود.

تمرین‌کنندگان ARIMA، درست مانند تمرین‌کنندگان ANN، اغلب متوجه می‌شوند که انتخاب مدل ARIMA تا حدی هنر و تا حدودی علم است. در این تحقیق برای انتخاب مدل‌هایی برای پیش‌بینی عوامل تأثیرگذار سری‌های زمانی بر آمار تکیه کردیم. برای انتخاب مدل از الگوریتم زیر استفاده شده است:

تعداد تفاوت ها $0 \leq d \leq 2$ با استفاده از تست های مکرر ADF و KPSS تعیین می شود.
اگر d = 0 یک ثابت در یک مدل گنجانده شود.
مناسب مدل ها در حالی که $p \leq 8$ و $q \leq 8$ .
مدل با کوچکترین ترکیب از مقدار AIC و BIC برازش شده در مرحله 3 توسط تست Ljung-Box آزمایش می شود. اگر اعلام شد که یک مدل آزمون را گذرانده است، مدل را به عنوان “مدل بهینه” تنظیم کنید. در غیر این صورت، مدل بعدی را با توجه به معیارهای انتخاب شده آزمایش کنید تا زمانی که یک مدل از آزمون عبور کند.
استفاده از مدل بهینه برای پیش‌بینی سری‌های زمانی عوامل تأثیرگذار.

شبکه NAR، پیش‌بینی مقادیر آینده یک سری زمانی را، که توسط پیشینه تاریخی آن پشتیبانی می‌شود، با استفاده از مکانیزم تغذیه مجدد، که در آن یک مقدار پیش‌بینی‌شده ممکن است به عنوان ورودی برای پیش‌بینی‌های جدید در مقاطع بعدی در زمان عمل کند، امکان‌پذیر می‌کند [ 30 ]. مدل NAR را می توان با معادله زیر [ 31 ] تعریف کرد:

y (t) = f (y (t - 1), y (t - 2, \dots, y (t -_n y)) .

(11)

اگر مقدار سیگنال خروجی $y (t)$ بر روی مقادیر قبلی سیگنال خروجی و مقادیر قبلی یک سیگنال ورودی مستقل (برون زا) پسرفت می شود. $u (t)$ سپس این مدل NARX نامیده می شود. معادله مدل NARX [ 31 ] است:

y (t) = f (y (t - 1), y (t - 2, \dots, y (t -_n y), u (t - 1), u (t - 2), \dots, u (t - n تو)) .

(12)

شبکه های پویا با بازخورد، مانند شبکه های عصبی NARX و NAR، می توانند از حالت حلقه باز به حالت حلقه بسته و بالعکس تبدیل شوند. شبکه های حلقه باز پیش بینی های یک مرحله ای و شبکه های حلقه بسته پیش بینی های چند مرحله ای انجام می دهند. به عبارت دیگر، شبکه های حلقه بسته به پیش بینی زمانی که بازخورد خارجی وجود ندارد، با استفاده از بازخورد داخلی [ 31 ] ادامه می دهند.

محققان مختلف روش های مختلفی را برای تعیین ساختار شبکه عصبی مصنوعی ارائه می کنند. متداول‌ترین روش‌ها و معادلات استفاده شده برای تعیین ساختار شبکه‌های عصبی مصنوعی در مقالات هیتون در [ 32 ] و لو و همکارانش خلاصه می‌شوند. در [ 33 ]. شبکه بدون لایه های پنهان تنها قادر به نمایش توابع یا تصمیمات قابل جداسازی خطی است. شبکه با یک لایه پنهان می‌تواند هر تابعی را که شامل یک نگاشت پیوسته از یک فضای محدود به فضای دیگر است، تقریب بزند، در حالی که دو لایه پنهان می‌توانند یک مرز تصمیم دلخواه تا دقت دلخواه را با توابع فعال‌سازی منطقی نشان دهند و می‌توانند هر نگاشت صاف را به هر دقتی تقریب بزنند [ 32 ] .

در [ 32 ] آمده است که:

تعداد نورون های پنهان باید در محدوده بین اندازه لایه ورودی و اندازه لایه خروجی باشد.
تعداد نورون های پنهان باید 2/3 اندازه لایه ورودی به اضافه اندازه لایه خروجی باشد.
تعداد نورون های پنهان باید کمتر از دو برابر اندازه لایه ورودی باشد.

نویسندگان در [ 33 ] معادلات را برای انتخاب تعداد دقیق نورون ها در لایه پنهان آزمایش کردند. آنها معادلات مختلفی را که توسط پزشکان و محققین شبکه عصبی مصنوعی پیشنهاد شده بود جمع آوری و آزمایش کردند، به عنوان مثال، معادلات (13)-(16):

N = 2 * i + 1 ،

(13)

N = من * o —\sqrt ،

(14)

N = 0.43 * i * o + 0.12 * o 2 + 2.54 * i + 0.77 * o + 0.35 —————————————-\sqrt + 0.51 و_

(15)

N = من + o —-\sqrt + A._

(16)

در معادلات (13)-(16)، N تعداد نورون‌های لایه پنهان، i تعداد گره‌های ورودی، o تعداد گره‌های خروجی و A ثابت بین 1 تا 10 است.

قوانین و معادلات فوق برای تعیین معماری های ANN شروع برای آموزش ANN استفاده شد. برای تعیین ساختار دقیق شبکه عصبی مصنوعی از روش آزمون و خطا استفاده شد. این روش در مقایسه با تمام روش‌های ذکر شده قبلی زمان‌برتر است، اما شانس بیشتری برای یافتن ساختار ANN بهینه می‌دهد.

2.6. پیش بینی حرکت سد افقی

در مجموع از پنج نوع شبکه عصبی مصنوعی برای پیش‌بینی عوامل تأثیرگذار و پیش‌بینی جابجایی سد استفاده شد. دو نوع شبکه عصبی مصنوعی پیش‌بینی سری زمانی برای پیش‌بینی عوامل تأثیرگذار استفاده شد: شبکه NAR و شبکه NARX. سه نوع شبکه عصبی مصنوعی کلاسیک و یک روش آماری برای پیش‌بینی جابه‌جایی سد مورد استفاده قرار گرفت: انتشار آبشاری به جلو (CFBP)، انتشار به جلو (FFBP)، انتشار برگشتی لایه‌ای (LRBP) و رگرسیون خطی چندگانه (MLR).

شبکه FFBP از یک سری لایه تشکیل شده است. لایه اول به ورودی ها و هر لایه بعدی به لایه قبلی متصل می شود. لایه اول دارای وزن هایی است که از ورودی می آید و هر لایه بعدی وزنی از لایه قبلی دارد. آخرین لایه خروجی شبکه است. برخلاف شبکه‌های FFBP، شبکه‌های CFBP دارای لایه‌هایی هستند که به ورودی و تمام لایه‌های قبلی متصل هستند. در شبکه های LRBP، یک حلقه بازخورد با یک تاخیر در اطراف هر لایه شبکه به جز آخرین لایه وجود دارد. این به شبکه اجازه می دهد تا پاسخ دینامیکی بی نهایت به داده های ورودی سری زمانی داشته باشد [ 31 ].

مفهوم اصلی MLR این است که مقدار پیش بینی شده y رابطه خطی با دو یا چند متغیر مستقل دارد. شکل کلی مدل رگرسیون چندگانه به شرح زیر است:

y تی = β 0 + β 1 ایکس 1 ، تی + β 2 ایکس 2 ، تی + \dots + β ک ایکس k ، t + ϵ تی ،

(17)

جایی که $y$ متغیری است که باید پیش بینی شود و $x_{1} {, \dots, x}_{k}$ k متغیرهای پیش بینی هستند. ضرایب β اثر هر پیش بینی کننده را پس از در نظر گرفتن اثرات همه پیش بینی کننده های دیگر در مدل اندازه گیری می کند [ 34 ].

تابع تقسیم بندی متلب برای تجزیه و تحلیل و پیش بینی در همه شبکه های عصبی مصنوعی آموزش دیده استفاده شد. این تابع داده ها را در سه زیر مجموعه تقسیم می کند که در آن نسبت های پیش فرض برای آموزش، آزمایش و اعتبارسنجی به ترتیب 0.70، 0.15 و 0.15 است. برای آموزش شبکه های عصبی مصنوعی، الگوریتم لونبرگ-مارکوارت انتخاب شد که به دلیل توانایی همگرایی سریع خود شناخته شده است [ 35 ]. علاوه بر این، تمام شبکه‌های عصبی مصنوعی آزمایش‌شده حاوی یک لایه پنهان بودند و برای مدل‌های ARIMA، آزمایش‌های ADF و KPSS مشخص کردند که نیازی به تفاوت سری‌های زمانی وجود ندارد، بنابراین d = 0. پس از شروع ساختار ANN، تعداد نورون‌ها و تعداد تاخیرها مشخص شد. افزایش و کاهش یافت تا جایی که دیگر پیشرفتی حاصل نشد.

2.7. مدلسازی سیستم

در این تحقیق، پیش‌بینی حرکت سد مستقیماً از مقادیر اندازه‌گیری شده عوامل تأثیرگذار انجام نمی‌شود. عوامل مؤثر بیشتر با استفاده از روش‌های آماری و یادگیری ماشینی پیش‌بینی می‌شوند و تنها پس از آن از مقادیر پیش‌بینی‌شده برای پیش‌بینی حرکت سد استفاده می‌شود. تمرکز اصلی بر روی روش های پیش بینی سری های زمانی است: شبکه NAR، شبکه NARX و ARIMA. دو رویکرد استفاده می شود:

هر عامل تأثیرگذار به طور مستقل با استفاده از شبکه های NAR پیش بینی می شود و ARIMA – مقادیر پیش بینی شده مستقل برای پیش بینی حرکت سد استفاده می شود.
عوامل موثر با استفاده از شبکه NARX با در نظر گرفتن اتصالات آنها پیش بینی می شود، به عنوان مثال، دمای آب به دمای هوا، دمای بتن به دمای هوا و آب بستگی دارد، در حالی که سطح آب به ورودی، خروجی آب و آب مورد استفاده برای تولید انرژی الکتریکی این رویکرد به این وابستگی‌های متقابل بین عوامل تأثیرگذار می‌پردازد که اغلب در تحقیقات نادیده گرفته می‌شود.

عوامل مؤثر بر هر قسمت از سد تأثیر یکسانی ندارند، از این رو یک مدل نمی تواند دقیقاً رفتار هر قسمت از سد را توصیف کند. بنابراین، یک رویکرد محلی برای تجزیه و تحلیل و پیش‌بینی معرفی می‌شود، یعنی برای هر نقطه شی روی سد دو مدل طراحی شد: مدل اول برای تحلیل و پیش‌بینی حرکت سد در جهت محورهای X ساخته شده است (+X به سمت بالا هدایت می‌شود، – – X به پایین دست هدایت می شود)، و مدل دوم برای تحلیل و پیش بینی حرکت سد در جهت محورهای Y ساخته شده است (+Y به سمت ساحل رودخانه سمت چپ هدایت می شود، -Y به سمت ساحل رودخانه سمت راست هدایت می شود).

پایش سد در دوره‌های مختلف سال انجام شد و از این رو وضعیت سد در شرایط مختلف از جمله سطح آب شدید، دمای بسیار پایین و بسیار بالا ثبت شد. تاریخ هر سری پایش و مقادیر عوامل تأثیرگذار در لحظه وقوع سریال در جدول 2 ارائه شده است.

برای تعیین روابط بین عوامل موثر و حرکت سد از دو روش استفاده می شود. روش اول یادگیری ماشینی با استفاده از سه نوع ANN کلاسیک است: FFBP، CFBP و LRBP. پس از آموزش شبکه های عصبی مصنوعی، مقدار ضریب رگرسیون اطلاعاتی در مورد همبستگی بین عوامل موثر و حرکت سد می دهد. روش دوم MLR است که پس از انجام آموزش شبکه های عصبی مصنوعی استفاده می شود. MLR دو کارکرد دارد: اول تعیین وجود همبستگی بین عوامل تأثیرگذار و حرکت سد و دوم تعیین نوع این روابط. اگر مقدار ضریب MLR معنی دار نباشد، باز هم به این معنی نیست که بین حرکت سد و عوامل تأثیرگذار رابطه معناداری وجود ندارد، بلکه فقط به این معنی است که این رابطه خطی نیست.

فقط پیش بینی کوتاه مدت به دلیل محدودیت های ناشی از دقت پیش بینی آب و هوا برای دوره های طولانی تر انجام می شود. دمای هوا و بارندگی دو عامل اصلی موثر در پیش بینی حرکت سد هستند. بنابراین بدون پیش‌بینی دقیق این عوامل، پیش‌بینی دقیقی از حرکت سد وجود ندارد. هر گونه تفاوت معنی دار بین جابجایی های اندازه گیری شده و جابجایی های پیش بینی شده حاکی از وجود ناهنجاری در رفتار سد است. نمودار جریان کامل رویکرد پیشنهادی برای تحلیل رفتار سد و پیش‌بینی حرکت سد کوتاه‌مدت بر اساس عوامل تأثیرگذار سری زمانی در شکل 8 ارائه شده است .

اگر اشاره کنیم $y_{i}$ به عنوان اندازه گیری i-ام و ${\bar{y}}_{i}$ به عنوان پیش بینی از $y_{i}$ ، سپس خطای پیش بینی $e_{i}$ است:

ه من = y من - y - من .

(18)

برای ارزیابی عملکرد پیش‌بینی از میانگین خطای مطلق (MAE) استفاده شد. MAE به صورت زیر تعریف می شود:

MAE = \sum n i = 1 | ه من | n ،

(19)

MAE درک کلی در مورد دقت پیش‌بینی می‌دهد و حداکثر خطا به عنوان معیاری برای قابلیت اطمینان پیش‌بینی استفاده می‌شود، به عنوان مثال، به این سؤال پاسخ می‌دهد: “نتیجه بدترین سناریو چیست؟”

برای اندازه گیری قدرت پیش بینی یک مدل از ضریب همبستگی چندگانه R استفاده شد که به صورت زیر تعریف می شود:

R = 1-_\sum n i = 1 ( Y من - Y من ˆ ) 2 \sum n i = 1 ( Y من - Y ¯¯¯ ) 2 —————-⎷ ،

(20)

که در آن Y متغیر اندازه گیری می شود، $\hat{Y}$ نشان دهنده ارزش تخمینی و $\bar{Y}$ میانگین Y است.

ضریب همبستگی چندگانه R را می توان به عنوان جذر نسبت تغییرات در مقدار تخمینی در نظر گرفت.

\hat{Y}

(این تغییری است که توسط مدل توضیح داده شده است) به تغییر در متغیر پاسخ Y. اگر مدل تخمین بزند

Y_{i}

خوب بدون پراکندگی، مقدار R به 1 نزدیک می شود. بنابراین، ما ضریب همبستگی چندگانه را به عنوان یک اندازه گیری معقول از قدرت پیش بینی [ 36 ] در نظر می گیریم.

3. نتایج و بحث

داده‌های جابجایی سد به دلیل داده‌های از دست رفته نقطه JP24 در سری‌های 13، 14 و 15 ناقص بود. داده‌های گمشده با پیش‌بینی ANN درونیابی شدند و نتایج در جدول 3 ارائه شده است.

نتایج اعتبارسنجی خارجی نشان می‌دهد که می‌توان داده‌های جابه‌جایی سد گمشده (MAE زیر 1 میلی‌متر) را به دقت درون‌یابی کرد. همچنین، جابجایی‌ها در جهت محورهای X دارای میانگین خطای مطلق پیش‌بینی به‌طور معنی‌داری کمتر از جابجایی‌ها در جهت محورهای Y بودند. مجموعه داده های تکمیل شده جابجایی سد بعداً برای محاسبه ضرایب رگرسیون توسط ANN و MLR مورد استفاده قرار گرفت.

سطح آب در مخزن با استفاده از 3 روش پیش‌بینی شد: دو روش برای پیش‌بینی سری‌های زمانی از یک متغیر استفاده می‌کنند (NAR و ARIMA) و روش سوم که از چندین متغیر برای پیش‌بینی سری‌های زمانی استفاده می‌کند (NARX). هدف اصلی یافتن ساختار شبکه عصبی مصنوعی و مدل ARIMA بود که بتواند به طور دقیق سطح آب کوتاه مدت را که برای پیش‌بینی حرکت سد مورد نیاز است، پیش‌بینی کند. هدف ثانویه بررسی چگونگی تأثیر افزودن متغیرهای جدید بر دقت پیش‌بینی در دوره‌های تغییر ناگهانی سطح آب بود. در [ 17 ] به این نتیجه رسیدیم که ضعف اصلی پیش‌بینی سطح آب سری زمانی تک متغیره توسط شبکه‌های NAR و شبکه‌های FFBP، تنظیم آهسته برای تغییرات ناگهانی سطح آب است. این ضعف باعث ایجاد حداکثر خطاهای بزرگ در این روش پیش بینی می شود.

اعتبار سنجی خارجی برای مقایسه قدرت پیش بینی سه روش مورد استفاده انجام می شود. داده‌های 1 ژانویه 1998 تا 7 آوریل 2017 برای آموزش ANN استفاده شد و برازش مدل ARIMA و اعتبار سنجی خارجی به‌طور متوالی ده روز در ده روز بر روی داده‌ها از 1 ژانویه 2016 تا 4 ژانویه 2017 (در مجموع 37 اعتبارسنجی متوالی) انجام شد. در هر مرحله متوالی آموزش اعتبار سنجی خارجی/مجموعه برازش داده ها با افزودن داده های اندازه گیری شده جدید به روز شد. اصل اساسی رویکرد متوالی برای پیش بینی کوتاه مدت در شکل 9 ارائه شده است .

در بین تمامی مدل‌های ARIMA و ساختار شبکه‌های عصبی مصنوعی، بهترین نتایج توسط مدل ARIMA (3،0،4)، شبکه NAR با هفت نورون در لایه پنهان و سه تاخیر و شبکه NARX با چهار نورون در لایه پنهان و یک تاخیر به دست آمد. نتایج اعتبار سنجی خارجی در جدول 4 ارائه شده است.

بر اساس داده های جدول 4 ، شبکه های NARX در پیش بینی سطح آب در مخزن از شبکه های ARIMA و NAR بهتر عمل کردند. با تجزیه و تحلیل نمودار مقادیر اندازه گیری شده و پیش بینی شده سطح آب با هر روشی مشخص می شود که این مزیت برای شبکه های NARX در دوره هایی به وجود می آید که سطح آب ناگهانی رخ می دهد. در دوره هایی که سطح آب به آرامی در حال تغییر است، تفاوت قابل توجهی در کیفیت پیش بینی در بین روش های آزمایش شده، همانطور که در شکل 10 ارائه شده است، وجود ندارد .

برای پیش‌بینی سطح آب برای سری اعتبارسنجی پیش‌بینی جابجایی سد، به‌عنوان مثال، برای پیش‌بینی سطح آب برای 23 فوریه 2017 و 7 آوریل 2017 مجموعه داده‌های آموزش/برازش به‌روزرسانی شد و از سه مدل/سازه برتر از هر روش مورد استفاده برای پیش‌بینی استفاده شد. . از میانگین سه پیش‌بینی هر روش استفاده شد. نتایج در جدول 5 ارائه شده است.

سطح آب اندازه گیری شده در 23 فوریه 2017 249.40 متر و در 7 آوریل 2017 260.09 متر بود. اگرچه، هر سه روش آزمایش شده نتایج خوبی نشان دادند، شبکه های NARX تا حدودی بهتر عمل کردند، به خصوص در اولین اندازه گیری اعتبار. این نتایج با نتایج به دست آمده در اعتبار سنجی خارجی ارائه شده در جدول 4 مطابقت دارد.

دمای هوا تأثیر مستقیم و غیرمستقیم بر حرکت سد دارد. تاثیر مستقیم فقط بر روی سطح سد به دلیل تابش جذب شده خورشید و تاثیر غیرمستقیم از طریق آب و دمای بتن به دلیل تاثیر طولانی مدت دمای هوا بر آب و بتن می باشد.

پیش بینی کنندگان آب و هوا از نرم افزارهای بسیار پیچیده، الگوریتم ها و منابع مختلف داده های آب و هوا (داده های تاریخی، تصاویر ماهواره ای) برای پیش بینی آب و هوا استفاده می کنند. حتی با وجود تمام این ابزارها، پیش‌بینی‌کنندگان آب و هوا برای ارائه پیش‌بینی دقیق برای مدت بیش از سه روز تلاش می‌کنند. بین متخصصان پیش بینی آب و هوا درباره اینکه حداکثر تعداد روزهایی که می توان به طور قابل اعتماد پیش بینی کرد، اتفاق نظر وجود ندارد، اما اکثر پزشکان موافق هستند که پیش بینی دقیق آب و هوا برای ده روز یا بیشتر امکان پذیر نیست، همانطور که در شکل 11 نشان داده شده است [ 37 ].

با توجه به حقایق ذکر شده در بالا، ما دمای هوا را پیش‌بینی نکردیم، اما پیش‌بینی‌های دمای هوا از سرویس‌های هواشناسی وب گرفته شده‌اند: AccuWeather [ 38 ] و The Weather Channel [ 39 ]. نتایج پیش‌بینی هوای هوا برای ده روز آینده در سری اول اعتبارسنجی و هشت روز آینده در سری دوم اعتبارسنجی در جدول 6 ارائه شده است.

برای مقایسه قدرت پیش‌بینی روش‌های مورد استفاده برای پیش‌بینی دمای آب، اعتبار سنجی خارجی بر روی داده‌ها از 1 ژانویه 2016 تا 4 ژانویه 2017 انجام می‌شود. رویکرد اعتبارسنجی خارجی مانند داده‌های سطح آب بود. نتایج اعتبار سنجی خارجی برای پیش بینی کوتاه مدت دمای آب در جدول 7 نشان داده شده است.

نتایج اعتبار سنجی خارجی نشان داد که بین سه روش آزمایش شده تفاوت معنی داری در پیش بینی کوتاه مدت دمای آب وجود ندارد. با توجه به سرعت کم تغییر دمای آب، روش‌های تک متغیره قادر به تطبیق و پیش‌بینی دقیق مقادیر دمای آب در آینده هستند. بنابراین، زمانی که مقدار متغیر پیش‌بینی‌شده به آرامی تغییر می‌کند، تفاوت معنی‌داری در دقت بین روش‌های تک متغیره و چند متغیره مشاهده نشد.

پیش‌بینی دمای آب با دو رویکرد انجام می‌شود: رویکرد اول یک TSP ساده تک متغیره بر اساس داده‌های دمای آب تاریخی (شبکه‌های ARIMA و NAR) و رویکرد دوم TSP چند متغیره است – دمای آب با استفاده از دمای هوا اندازه‌گیری شده، داده‌های دمای آب پیش‌بینی می‌شود. و دمای هوا پیش بینی آب و هوا (شبکه های NARX). برای پیش‌بینی دمای آب در 23 فوریه 2017 و 7 آوریل 2017 از سه مدل از هر روش استفاده شد که بهترین نتایج را در اعتبارسنجی خارجی نشان داد. میانگین سه پیش‌بینی هر روش به عنوان نتیجه نهایی استفاده شد. نتایج در جدول 8 ارائه شده است.

هر سه روش استفاده شده دمای آب را در 23 فوریه 2017 (5.9 ℃) و 7 آوریل 2017 (8.6 ℃) به طور دقیق اندازه گیری کردند. اگرچه خطاهای پیش‌بینی کوچک هستند، اما این نتایج تعجب‌آور نیستند زیرا دمای آب به کندی تغییر می‌کند و انجام پیش‌بینی کوتاه‌مدت دشوار نیست.

اعتبار سنجی خارجی برای دمای بتن بر روی داده ها از 1 ژانویه 2016 تا 4 ژانویه 2017 با استفاده از روش مشابه برای داده های سطح آب و دمای آب انجام می شود. نتایج در جدول 9 ارائه شده است.

نتایج پیش‌بینی دمای بتن بسیار شبیه به نتایج حاصل از پیش‌بینی دمای آب بود. این متغیرها به کندی تغییر می‌کنند، بنابراین پیش‌بینی تک متغیره دقتی مشابه پیش‌بینی چند متغیره دارد.

پیش‌بینی دمای بتن با دو رویکرد انجام شد: رویکرد اول، پیش‌بینی سری‌های زمانی تک متغیره ساده بر اساس داده‌های دمای بتن اندازه‌گیری شده تاریخی (شبکه‌های ARIMA و NAR) و رویکرد دوم یک رویکرد آبشاری دو مرحله‌ای (شبکه‌های NARX) است. رویکرد آبشاری دو مرحله ای به شکل زیر است:

در مرحله اول، دمای آب با استفاده از داده های اندازه گیری شده و پیش بینی آب و هوا و داده های دمای آب اندازه گیری شده پیش بینی می شود.
در مرحله دوم دمای هوا، دمای آب و دمای بتن اندازه گیری شده، دمای هوا پیش بینی شده و دمای آب پیش بینی شده از مرحله اول برای پیش بینی دمای بتن استفاده می شود.

برای پیش‌بینی دمای بتن برای دو سری اعتبارسنجی پیش‌بینی جابجایی سد (ده روز پیش‌بینی و پیش‌بینی هشت روز قبل)، مجموعه داده‌های آموزش/برازش به‌روزرسانی شد و از سه مدل/سازه بهترین از هر روش مورد استفاده برای پیش‌بینی استفاده شد. مقدار میانگین سه پیش‌بینی هر روش به عنوان نتیجه نهایی همانطور که در ارائه شده است استفاده می‌شود جدول 10 ارائه شده است استفاده می‌شود ارائه شده است استفاده می‌شود .

دمای اندازه گیری بتن در 23 فوریه 2017 8.8 درجه سانتی گراد و در 7 آوریل 2017 12.1 درجه سانتی گراد بود. هر سه روش آزمایش شده به طور دقیق دمای بتن را پیش‌بینی کردند و علاوه بر این، همه مدل‌ها نتایج ثابتی داشتند.

داده‌های تکمیل شده جابجایی سد برای هر نقطه شی با مقادیر متناظر عوامل تأثیرگذار برای روزهایی که اندازه‌گیری‌های ژئودتیکی انجام شد مطابقت داده شد. این مجموعه داده ها سپس برای آموزش ANN و برازش MLR برای هر نقطه به طور مستقل استفاده شد. علاوه بر این، مدل‌های جداگانه‌ای برای هر نقطه شی برای حرکت سد در جهت محورهای X و Y ایجاد شد. معیار اصلی برای انتخاب مدل بهینه برای پیش‌بینی جابجایی سدها، ضریب همبستگی چندگانه R بود. نتایج آزمون همبستگی در شکل 12 ارائه شده است. ارائه شده است.

این شکل نشان می دهد که همبستگی قوی بین جابجایی سد و مقادیر سطح آب در مخزن، دمای هوای روی سد، دمای آب مخزن و دمای بتن سد وجود دارد. علاوه بر این، این عوامل تأثیرگذار تأثیر بیشتری بر جابجایی های سد در جهت محورهای X (+X بالادست، -X پایین دست) در مقایسه با جابجایی ها در جهت محورهای Y دارند. همچنین، نتایج نشان داد که این رابطه برای اکثر نقاط جسم سد خطی نیست، اما اگر تنها حرکات سد در جهت محورهای X را برای تمام نقاط جسم دور از پی سد در نظر بگیریم، همبستگی خطی قوی بین عوامل تأثیرگذار و حرکت سد وجود دارد.

برای آزمایش قدرت پیش‌بینی شبکه‌های عصبی مصنوعی و MLR برای پیش‌بینی حرکت کوتاه‌مدت سد بر اساس پیش‌بینی سری‌های زمانی عوامل مؤثر، از دو اندازه‌گیری اعتبارسنجی استفاده شد. مقادیر پیش‌بینی‌شده عوامل تأثیرگذار به عنوان ورودی برای مدل‌های ANN آموزش‌دیده با بالاترین مقادیر R استفاده شد. در مجموع 12 ترکیب، سه ورودی (پیش‌بینی ARIMA، NAR و NARX از عوامل تأثیرگذار) و چهار مدل پیش‌بینی جابجایی (FFBP، CFBP، LRBP و MLR)، برای بررسی وجود ترکیب برتر برای پیش‌بینی، مورد آزمایش قرار گرفتند. نتایج پیش‌بینی برای همه 12 ترکیب آزمایش شده در ضمیمه A ارائه شده است . نتایج اعتبار سنجی خارجی برای پیش‌بینی حرکت سد کوتاه‌مدت بر اساس پیش‌بینی سری‌های زمانی عوامل تأثیرگذار در جدول 11 ارائه شده است.جدول 12 .

توزیع فضایی کیفیت پیش بینی برای تمام نقاط جسم روی بدنه سد در شکل 13 ارائه شده است . اگر فقط حرکات سد را در جهت محورهای X (جهت جریان رودخانه) در نظر بگیریم، می‌توان نتیجه گرفت که نقاط جسمی که از پایه‌های سد فاصله دارند، نسبت به نقاط نزدیک به پی، خطاهای پیش‌بینی کمتری دارند. هنگام در نظر گرفتن حرکات سد در جهت محورهای Y هیچ قانون روشنی وجود ندارد که بتواند توزیع فضایی خطاهای پیش‌بینی را توضیح دهد. علاوه بر این، حتی زمانی که ضرایب همبستگی خیلی زیاد نیستند، برای مثال نقطه JP24، دقت پیش‌بینی همچنان خوب است. رابطه بین تغییر شکل های مشاهده شده و پیش بینی شده برای پنج نقطه جسم انتخاب شده در چهار سری اندازه گیری متوالی در شکل 14 ارائه شده است. ارائه شده است وشکل 15 . جابجایی پیش‌بینی‌شده سد، میانگین ارزش پیش‌بینی‌های تمام روش‌های مورد استفاده است.

همانطور که از شکل 14 و شکل 15 مشاهده می شود ، رویکرد پیشنهادی برای پیش بینی حرکت سد می تواند حرکت سد را در هر قسمت از جسم به طور دقیق تخمین بزند. همچنین مقادیر پیش‌بینی‌شده جابه‌جایی سد اغلب از روند فعلی حرکت سد در جهت‌های محور X و Y پیروی می‌کند.

با تجزیه و تحلیل تمامی نتایج به‌دست‌آمده، می‌توان نتیجه گرفت که با استفاده از رویکرد پیشنهادی می‌توان حرکت کوتاه‌مدت سد را بر اساس مقادیر پیش‌بینی‌شده عوامل تأثیرگذار پیش‌بینی کرد. هیچ ترکیب واحدی وجود نداشت که نتایج پیش‌بینی برتر را در مقایسه با سایر روش‌های آزمایش‌شده نشان دهد، اما MLR نتایج تا حدودی بهتری را در مقایسه با ANN در هر دو سری اعتبارسنجی برای پیش‌بینی حرکت سد در جهت محورهای X نشان داد. این نتیجه غیرمعمول است زیرا ANN ها هنگام آزمایش ANN و مدل های MLR بهتر عمل می کنند (مقادیر R بالاتری را به دست می آورند).

4. نتیجه گیری

در این تحقیق فرآیند کامل جمع‌آوری داده‌ها، پردازش داده‌ها و تحلیل پایداری سد با استفاده از اندازه‌گیری‌های ژئودتیک ارائه می‌شود. چهار عامل اصلی تأثیرگذار برای حرکت سدها شناسایی شده و بعداً برای پیش‌بینی حرکت کوتاه‌مدت استفاده می‌شود.

روشی مبتنی بر شبکه های عصبی مصنوعی برای درونیابی داده های جابجایی سد ارائه شده و برای تکمیل داده های جابجایی سد از دست رفته استفاده می شود. این روش منحصر به فرد دارای دقت کافی برای پیش‌بینی داده‌های جابجایی سد از دست رفته بود که با اعتبارسنجی خارجی در چهار نقطه شی شناخته شده تأیید می‌شود.

پیش‌بینی سری‌های زمانی عوامل تأثیرگذار با روش آماری (ARIMA) و دو روش یادگیری ماشین (شبکه NAR و شبکه NARX) انجام می‌شود. دو رویکرد برای پیش‌بینی عوامل تأثیرگذار سری‌های زمانی ارائه شد. رویکرد اول فقط از داده های تاریخی متغیر پیش بینی شده استفاده می کند. روش دوم، روش چند متغیره، رویکردی که با در نظر گرفتن وابستگی متقابل عوامل تأثیرگذار، پیش‌بینی آبشاری می‌کند. اعتبار سنجی خارجی برای مقایسه روش ها و رویکردهای متوالی استفاده شده انجام شد. نتایج نشان می دهد که پیش بینی چند متغیره سطح آب نسبت به پیش بینی تک متغیره برتری دارد. این برتری به ویژه در دوره های تغییر ناگهانی سطح آب قابل توجه است. در دوره هایی که سطح آب به آرامی تغییر می کند، پیش بینی تک متغیره و چند متغیره نتایج بسیار مشابهی را نشان می دهد.

برای بررسی وجود همبستگی بین عوامل موثر و جابجایی سد از سه نوع ANNS کلاسیک (FFBP، CFBP و LRBP) و یک روش آماری (MLR) استفاده شد. به عنوان اندازه گیری قدرت پیش بینی از ضریب رگرسیون چندگانه (R) استفاده شده است. نتایج نشان می دهد که بین عوامل تأثیرگذار انتخابی و حرکت سد رابطه معناداری وجود دارد. ضریب R محاسبه شده از MLR ثابت کرد که این رابطه برای اکثر نقاط شی خطی نیست، اما در عین حال این روش آماری ساده نتایج خوبی را برای پیش‌بینی کوتاه‌مدت جابجایی سد بر اساس مقادیر پیش‌بینی‌شده عوامل تأثیرگذار نشان می‌دهد.

مقادیر بسیار بالای R برای هر سه شبکه عصبی مصنوعی آزمایش‌شده نشان می‌دهد که شبکه‌های عصبی مصنوعی می‌توانند حرکت سد را بر اساس مقادیر عوامل تأثیرگذار به درستی تعمیم دهند. این مهم‌ترین نتیجه این تحقیق است زیرا وضعیت سلامت جسم را می‌توان با مقایسه مقادیر اندازه‌گیری شده جابجایی سد و مقادیر پیش‌بینی‌شده به‌دست‌آمده از پیش‌بینی شبکه‌های عصبی مصنوعی بر اساس فاکتورهای تأثیرگذار اندازه‌گیری شده تعیین کرد. مقادیر اندازه گیری و مقایسه شده باید با باقیمانده های کم مطابقت داشته باشد، در غیر این صورت برخی از عوامل خارجی (ناپایداری زمین شناسی، فرسایش داخلی، پوسیدگی مواد سد) باعث حرکت غیرمنتظره سد می شود.

هر چهار روش مورد استفاده برای حرکت کوتاه‌مدت سد بر اساس مقادیر پیش‌بینی‌شده عوامل تأثیرگذار، نتایج پیش‌بینی خوبی را نشان دادند. عامل محدودکننده اصلی برای افزایش طول پیش‌بینی، پیش‌بینی دقیق آب و هوای بلندمدت، به‌ویژه بارش دقیق است که تأثیر مستقیمی بر سطح آب و دمای هوا دارد که بیشتر بر دمای آب و بتن تأثیر می‌گذارد.

نتایج به‌دست‌آمده در این تحقیق را می‌توان با افزودن داده‌های جدید در مدل‌های مورد استفاده، به عنوان مثال، سری جدید اندازه‌گیری‌های پایش، بهبود بخشید. شانس خوبی برای بهبود پیش‌بینی داده‌های سطح آب با محاسبه حوضه آبریز برای همه رودخانه‌ها و نهرها وجود دارد که بر جریان ورودی کل آب در مخزن تأثیر می‌گذارند. این را می توان با استفاده از مدل دیجیتال زمین انجام داد. با افزودن بارش اندازه گیری شده و داده های بارش پیش بینی شده، می توان پیش بینی سطح آب را بهبود بخشید. این یک عامل مهم برای پیش بینی حرکت سد است و در صورت محاسبه با دقت بالا می توان از این داده ها برای برنامه ریزی تولید انرژی الکتریکی نیز استفاده کرد. علاوه بر این، داده‌های سنجش از دور (تاریخی و واقعی) می‌توانند برای درک بهتر رفتار سد در رابطه با عوامل تأثیرگذار مورد استفاده قرار گیرند. با نصب گیرنده های GPS بر روی تاج سد، ارزیابی وضعیت سلامت سد در زمان واقعی و بررسی چگونگی تأثیر عوامل مؤثر بر حرکت سد امکان پذیر است. اینها می توانند وظایف آتی تحقیقات و دستورالعمل هایی برای بهبود سیستم پایش سدها باشند.

پیوست اول

مقادیر مشاهده شده و پیش بینی شده جابجایی سد در جدول A1 ، جدول A2 ، جدول A3 ، جدول A4 ، جدول A5 ، جدول A6 ، جدول A7 و جدول A8 ارائه شده است.

جدول A1. پیش‌بینی حرکت سد CFBP در جهت محورهای X (واحد: میلی‌متر).

جدول A2. پیش‌بینی حرکت سد FFBP در جهت محورهای X (واحد: میلی‌متر).

جدول A3. پیش‌بینی حرکت سد LRBP در جهت محورهای X (واحد: میلی‌متر).

جدول A4. پیش‌بینی حرکت سد MLR در جهت محورهای X (واحد: میلی‌متر).

جدول A5. پیش‌بینی حرکت سد CFBP در جهت محورهای Y (واحد: میلی‌متر).

جدول A6. پیش بینی حرکت سد FFBP در جهت محورهای Y (واحد: میلی متر).

جدول A7. پیش بینی حرکت سد LRBP در جهت محورهای Y (واحد: میلی متر).

جدول A8. پیش بینی حرکت سد MLR در جهت محورهای Y (واحد: میلی متر).

منابع

لومباردی، جی. ارزیابی ایمنی سازه سدها. در تفسیر داده های پیشرفته برای تشخیص سدهای بتنی ; CISM: اودینه، ایتالیا، 2004. [ Google Scholar ]
Yigit، CO; آلکای، اس. سیلان، الف. پاسخ جابجایی یک سد قوسی بتنی به نوسانات دمایی فصلی و افزایش سطح مخزن در طول اولین دوره پر شدن: شواهدی از داده‌های ژئودزیکی. Geomat. نات. خطر خطرات 2015 ، 7 ، 1489-1505. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شیائو، آر. شی، اچ. او، X. لی، ز. جیا، دی. یانگ، ز. نظارت بر تغییر شکل سدهای مخزنی با استفاده از GNSS: یک برنامه کاربردی برای پروژه انحراف آب از جنوب به شمال، چین. دسترسی IEEE 2019 ، 7 ، 54981–54992. [ Google Scholar ] [ CrossRef ]
داردانلی، جی. مدل های هیدرولیک و اجزای محدود پایپیتون، C. برای پایش سد خاکی با استفاده از تکنیک GNSS. دوره زمانی. Polytech.-Civ. 2017 ، 61 ، 421-433. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وانگ، تی. پریسین، دی. روکا، اف. پایش پایداری سد Liao، MS Three Gorges با تجزیه و تحلیل تصویر InSAR سری زمانی. علمی علوم زمین چین 2011 ، 54 ، 720-732. [ Google Scholar ] [ CrossRef ]
ووگ، م. Frauenfelder، R.; لارسن، Y. پایش جابجایی در سد Svartevatn با SAR تداخل سنجی. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE، مونیخ، آلمان، 22 تا 27 ژوئیه 2012. صص 3895–3898. [ Google Scholar ] [ CrossRef ]
داردانلی، جی. لا لوژیا، جی. پرفتی، ن. کاپودیچی، اف. پوچیو، ال. مالتیز، الف. نظارت بر جابجایی های یک سد خاکی با استفاده از GNSS و سنجش از دور. در مجموعه مقالات سنجش از دور برای کشاورزی، اکوسیستم ها و هیدرولوژی، آمستردام، هلند، 23 تا 25 سپتامبر 2014. [ Google Scholar ] [ CrossRef ]
الحسیناوی، ی. لی، ز. کلارک، پی. ادواردز، س. ارزیابی پایداری سد دربندیخان پس از زلزله 12 نوامبر 2017 مگاواتی 7.3 سرپل ذهاب (مرز ایران و عراق). Remote Sens. 2018 , 10 , 1426. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Bui، KT; Bui، DT; زو، جی. ون دوان، سی. Revhaug، I. یک رویکرد هوشمند مصنوعی ترکیبی جدید مبتنی بر مدل استنتاج فازی عصبی و بهینه‌سازی ازدحام ذرات برای مدل‌سازی جابجایی افقی سد برق آبی. محاسبات عصبی Appl. 2018 ، 29 ، 1495-1506. [ Google Scholar ] [ CrossRef ]
زو، جی. Bui، KT; شیائو، ی. Doan، تجزیه و تحلیل تغییر شکل سد CV بر اساس مدل های ادغام BPNN. ژئو اسپات. Inf. علمی 2018 ، 21 ، 149-157. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، HF; رن، سی. ژنگ، ZT; لیانگ، YJ; Lu، XJ مطالعه مدل شبکه عصبی BP ژنتیکی خاکستری در پایش خطا و یک سیستم تشخیص برای ایمنی سد. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 4. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
کانگ، اف. لیو، جی. لی، جی. لی، اس. مدل پیش‌بینی تغییر شکل سد بتنی برای پایش سلامت بر اساس ماشین یادگیری افراطی. ساختار. کنترل سلامت 2017 ، 24 ، e1997. [ Google Scholar ] [ CrossRef ]
مورات، م. مالینوفسکا، آی. گوس، م. Krzyszczak، J. پیش بینی سری های زمانی هواشناسی روزانه با استفاده از مدل های ARIMA و رگرسیون. بین المللی آگروفیز. 2018 ، 32 ، 253-264. [ Google Scholar ] [ CrossRef ]
چاوشین، TA; جاروب، M. مدل‌سازی سری‌های زمانی فصلی و پیش‌بینی میانگین دمای ماهانه برای تصمیم‌گیری در منطقه کردستان عراق. J. Stat. عمل تئوری. 2017 ، 11 ، 604-633. [ Google Scholar ] [ CrossRef ]
ریزکینا، MA; آدیتیا، دی. سوباسیتا، N. مدل های شبکه عصبی خودبازگشت غیرخطی برای پیش بینی سطح دریا، مورد مطالعه: در سمارنگ، اندونزی. در مجموعه مقالات هفتمین کنفرانس بین المللی فناوری اطلاعات و ارتباطات (ICoICT)، کوالالامپور، مالزی، 24 تا 26 ژوئیه 2019؛ صص 1-5. [ Google Scholar ] [ CrossRef ]
کادناس، ای. ریورا، دبلیو. Campos-Amezcua، R.; Heard, C. پیش‌بینی سرعت باد با استفاده از یک مدل ARIMA تک متغیره و یک مدل NARX چند متغیره. Energies 2016 , 9 , 109. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
حمزیچ، ع. آوداگیچ، ز. Omanovic، S. یک رویکرد متوالی برای پیش‌بینی کوتاه‌مدت سطح آب با استفاده از شبکه‌های عصبی اتورگرسیو غیرخطی. در مجموعه مقالات یازدهمین سمپوزیوم بین المللی 2016 در زمینه ارتباطات، سارایوو، بوسنی و هرسگوین، 24 تا 26 اکتبر 2016. [ Google Scholar ] [ CrossRef ]
فرانیک، ک . روش حداقل مربعات در ژئودزی ، چاپ اول. دانشکده مهندسی عمران: سارایوو، بوسنی و هرسگوین، 2010. [ Google Scholar ]
Perovic, G. Precise Geodetic Measurements , 1st ed.; دانشکده مهندسی عمران: بلگراد، صربستان، 2007. [ Google Scholar ]
بنچیچ، دی. Solaric, N. Measuring Instruments and Systems in Geodesy and Geoinformatics , 1st ed.; Školska Knjiga: زاگرب، کرواسی، 2008. [ Google Scholar ]
جگر، آر. هوسیسلاوسکی، آ. Oswald، M. سیستم کنترل و هشدار آنلاین مبتنی بر GNSS/LPS/LS (GOCA) – مدل‌های ریاضی و تحقق فنی یک سیستم مقیاس‌پذیر برای نظارت و تحلیل تغییر شکل طبیعی و ژئوتکنیکی. در پایش تغییر شکل زمین‌شناسی: از نقش‌های ژئوفیزیکی تا مهندسی . Springer: برلین/هایدلبرگ، آلمان، 2009; صص 293-303. [ Google Scholar ]
جگر، آر. گونزالس، F. سیستم کنترل و هشدار آنلاین مبتنی بر GNSS/LPS (GOCA) – مدل‌های ریاضی و تحقق فنی یک سیستم برای نظارت بر تغییر شکل طبیعی و ژئوتکنیکی و پیشگیری از خطر. در پایش تغییر شکل زمین‌شناسی: از نقش‌های ژئوفیزیکی تا مهندسی . Springer: Berlin/Heidelberg, Germany, 2006. [ Google Scholar ] [ CrossRef ]
EPBIH. در دسترس آنلاین: https://www.epbih.ba/eng/page/hydro-power-plants-on-neretva#hydro-power-plant-jablanica (در 1 ژانویه 2020 قابل دسترسی است).
ساپانکویچ، NI; سانکار، آر. پیش‌بینی سری زمانی با استفاده از ماشین‌های بردار پشتیبان: یک بررسی. محاسبات IEEE. هوشمند Mag. 2009 ، 4 ، 24-38. [ Google Scholar ] [ CrossRef ]
حمزیچ، ع. Avdagic، Z. پیش بینی چندسطحی داده های جابجایی سدهای سری زمانی گمشده بر اساس ارزیابی رای گیری شبکه های عصبی مصنوعی. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد سیستم ها، انسان و سایبرنتیک، بوداپست، مجارستان، 9 تا 12 اکتبر 2016. [ Google Scholar ] [ CrossRef ]
اندرسون، OD رویکرد باکس- جنکینز به تحلیل سری های زمانی. RAIRO-Oper. Res. 1977 ، 11 ، 3-29. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چرخ رایت، اس. ماکریداکیس، اس. Hyndman، RJ Forecasting: Methods and Applications , 3rd ed.; John Wiley & Sons, Inc.: Hoboken, NJ, USA, 1998. [ Google Scholar ]
لیونگ، جنرال موتورز; جعبه، GE در معیار عدم تناسب در مدل‌های سری زمانی. Biometrika 1978 ، 65 ، 297-303. [ Google Scholar ] [ CrossRef ]
ردی، جی آر؛ گانش، تی. ونکاتسواران، م. Reddy, PR پیش‌بینی میانگین بارندگی ماهانه در آندرا ساحلی. بین المللی J. Stat. Appl. 2017 ، 7 ، 197-204. [ Google Scholar ] [ CrossRef ]
پریرا، اف. بزرا، اف. جونیور، اس. سانتوس، جی. چابو، من. سوزا، جی. میسرینو، اف. مدل‌های شبکه عصبی اتورگرسیو غیرخطی Nabeta، S. برای پیش‌بینی غلظت گاز محلول در روغن ترانسفورماتور. Energies 2018 ، 11 ، 1691. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
بیل، MH; هاگان، MT; راهنمای کاربر جعبه ابزار شبکه عصبی HB Demuth . The MathWorks Inc.: Natick, MA, USA, 2015. [ Google Scholar ]
Heaton, J. مقدمه ای بر شبکه های عصبی با جاوا . Heaton Research, Inc.: St. Louis, MO, USA, 2008. [ Google Scholar ]
لو، تی. چن، ایکس. ژو، اس. بهینه سازی برای عوامل تاثیر تغییر شکل سد بر اساس مدل شبکه عصبی BP. در مجموعه مقالات کنفرانس بین المللی فناوری محاسبات هوشمند و اتوماسیون، چانگشا، چین، 11 تا 12 مه 2010. [ Google Scholar ] [ CrossRef ]
Hyndman، RJ; Athanasopoulos, G. Forecasting: Principles and Practice , 2nd ed.; OTexts: ملبورن، استرالیا، 2018. [ Google Scholar ]
یو، اچ. ویلاموفسکی، BM Levenberg-Marquardt آموزش. در کتاب الکترونیک صنعتی ; CRC Press: Boca Raton، FL، USA، 2011. [ Google Scholar ]
تاکاهاشی، ا. کوروساوا، T. ضریب همبستگی رگرسیون برای مدل رگرسیون پواسون. محاسبه کنید. آمار داده آنال. 2016 ، 98 ، 71-78. [ Google Scholar ] [ CrossRef ]
بائر، پی. تورپ، آ. برونت، جی. انقلاب آرام پیش‌بینی عددی آب و هوا. Nature 2015 ، 525 ، 47-55. [ Google Scholar ] [ CrossRef ] [ PubMed ]
AccuWeather. در دسترس آنلاین: https://www.accuweather.com/bs/ba/jablanica/33158/weather-forecast/33158 (در 13 فوریه 2017 قابل دسترسی است).
کانال هواشناسی. در دسترس آنلاین: https://weather.com/weather/today/l/BKXX2909:1:BK (در 13 فوریه 2017 قابل دسترسی است).

شکل 1. شبکه نقاط مرجع، نقاط شی روی تاج سد و ناحیه تغییر شکل سد.

شکل 2. قرارگیری نقاط جسم در سمت پایین دست بدنه سد.

شکل 3. نمایش ساده عوامل موثر بر حرکت سد.

شکل 4. اصل اساسی درونیابی جابجایی های سد با استفاده از پیش بینی شبکه های عصبی مصنوعی [ 25 ].

شکل 5. سطح آب در مخزن (واحد: m؛ فرمت تاریخ: روز/ماه/سال).

شکل 6. آب ورودی و خروجی آب از مخزن (واحد: m ³ /s؛ فرمت تاریخ: سال).

شکل 7. دمای هوا، آب و بتن (واحد: درجه سانتیگراد؛ فرمت تاریخ: روز/ماه/سال).

شکل 8. نمودار جریان تحلیل رفتار سد و پیش‌بینی حرکت سد کوتاه‌مدت بر اساس عوامل تأثیرگذار سری‌های زمانی.

شکل 9. یک رویکرد متوالی برای پیش بینی کوتاه مدت.

شکل 10. پیش بینی سطح آب – مقایسه روش (واحد: m؛ فرمت تاریخ: ماه/روز/سال).

شکل 11. پیشرفت در اندازه گیری مهارت پیش بینی (3-10 روز) محاسبه شده از 1995 تا 2015. [ 37 ].

شکل 12. چیدمان نسبی نقاط جسم سد با ضرایب رگرسیون بر اساس روش.

شکل 13. توزیع فضایی کیفیت پیش بینی (واحد: میلی متر).

شکل 14. رابطه بین جابجایی های مشاهده شده و پیش بینی شده سد در جهت محورهای X.

شکل 15. رابطه بین جابجایی های مشاهده شده و پیش بینی شده سد در جهت محورهای Y.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی

2. مواد و روشها

2.1. مطالعه موردی

2.2. داده های جابجایی سد

2.3. داده های سطح آب

2.4. داده های دمای هوا، آب و بتن

2.5. پیش بینی عوامل تأثیرگذار

2.6. پیش بینی حرکت سد افقی

2.7. مدلسازی سیستم

3. نتایج و بحث

4. نتیجه گیری

پیوست اول

منابع

قبلیتجزیه و تحلیل عدم قطعیت پیش تصفیه سنجش از دور برای تخمین زیست توده در Landsat OLI و Landsat ETM +

بعدییک الگوریتم برنامه ریزی تخلیه مرحله ای کارآمد برای ساختمان های چند خروجی اعمال شده است

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

مشاورین هوش پیروزی

پیش‌بینی‌کننده آبشاری چند مرحله‌ای حرکت عناصر ساختاری در تحلیل تغییر شکل اجسام بزرگ بر اساس عوامل مؤثر بر سری‌های زمانی

خلاصه

کلید واژه ها:

1. معرفی

2. مواد و روشها

2.1. مطالعه موردی

2.2. داده های جابجایی سد

2.3. داده های سطح آب

2.4. داده های دمای هوا، آب و بتن

2.5. پیش بینی عوامل تأثیرگذار

2.6. پیش بینی حرکت سد افقی

2.7. مدلسازی سیستم

3. نتایج و بحث

4. نتیجه گیری

پیوست اول

منابع

قبلیتجزیه و تحلیل عدم قطعیت پیش تصفیه سنجش از دور برای تخمین زیست توده در Landsat OLI و Landsat ETM +

بعدییک الگوریتم برنامه ریزی تخلیه مرحله ای کارآمد برای ساختمان های چند خروجی اعمال شده است

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب