صحت‌سنجی مدل‌های یادگیری ماشین برای تفسیر و پیش‌بینی رفتار سازه‌ای سدها با استفاده از داده‌های ابزار دقیق
Keywords:
پیش‌بینی رفتار سد, ابزار دقیق پاندول, یادگیری ماشین, سد قوسی, جابجایی شعاعیAbstract
در سال‌های اخیر، در دسترس بودن تکنیک‌های یادگیری ماشین برای پیش‌بینی و تفسیر رفتار ساختاری سدها مورد استفاده قرار گرفته است. هدف این مقاله نحوه انتخاب یک مدل یادگیری ماشین با دقت و عملکرد مناسب برای پیش‌بینی رفتار سازه‌های سد با در نظر گرفتن داده های جمع آوری شده به مدت 13 سال از ابزارهای موجود در سازه سد است. این امر مستلزم انتخاب چندین روش یادگیری ماشین مانند جنگل‌های تصادفی (RF)، درختان رگرسیون تقویت‌شده (BRT)، شبکه‌های عصبی مصنوعی (ANN)، رگرسیون برداری پشتیبانی (SVR) و الگوریتم‌های رگرسیون درخت تصمیم (DTR) است. در این مقاله، با در نظر گرفتن 6 متغیر هدف تعریف‌شده از ابزار دقیق پاندول، رفتار سد با استفاده از مدل‌های یادگیری ماشین انتخابی مدل‌سازی می‌شود. ارزیابی مدل های ساخته شده با استفاده از سه شاخص اندازه‌گیری خطا (MAE، MSE و R2) و تکنیک‌های صحت‌سنجی و راستی آزمایی مدل انجام شده است. بنابراین، در این مقاله کار گسترده‌ای در مورد ارزیابی و صحت‌سنجی مدل‌های مبتنی بر داده برای تجزیه و تحلیل رفتار سد مورد مطالعه ارایه شده است. تکنیک‌های صحت‌سنجی شامل صحت‌سنجی داده‌های تاریخی، صحت‌سنجی پیش‌بینی و رفتار باقیمانده‌ها در طول زمان است. بدین ترتیب، مدل درختان رگرسیون تقویت‌شده (BRT) در فرآنید ارزیابی و صحت‌سنجی مدل، بهترین انطباق و دقت را در بخش‌های یادگیری و پیش‌بینی رفتار سد قوسی مورد مطالعه را داشته است.
References
[1] RSB. Regulation for the Safety of Dams; Decree-Law number 21/2018 of March 28; RSB: Porto, Portugal, 2018.
[2] Lombardi G. Advanced data interpretation for diagnosis of concrete dams. CISM Udine, Italy. 2004 Dec.
[3] International Commission on Large Dams, Dam surveillance guide, tech. rep. B- 158, ICOLD; 2012.
[4] Salazar F, Toledo MÁ, Oñate E, Suárez B. Interpretation of dam deformation and leakage with boosted regression trees. Engineering Structures. 2016 Jul 15;119:230-51.
[5] Dai B, Gu C, Zhao E, Qin X. Statistical model optimized random forest regression model for concrete dam deformation monitoring. Structural Control and Health Monitoring. 2018 Jun;25(6):e2170.
[6] Mata J. Interpretation of concrete dam behaviour with artificial neural network and multiple linear regression models. Engineering structures. 2011 Mar 1;33(3):903-10.
[7] Ren Q, Li M, Li H, Shen Y. A novel deep learning prediction model for concrete dam displacements using interpretable mixed attention mechanism. Advanced Engineering Informatics. 2021 Oct 1;50:101407.
[8] Ranković V, Grujović N, Divac D, Milivojević N. Development of support vector regression identification model for prediction of dam structural behaviour. Structural Safety. 2014 May 1;48:33-9.
[9] Hariri-Ardebili MA, Pourkamali-Anaraki F. Support vector machine based reliability analysis of concrete dams. Soil Dynamics and Earthquake Engineering. 2018 Jan 1;104:276-95.
[10] Murthy SK. Automatic construction of decision trees from data: A multi-disciplinary survey. Data mining and knowledge discovery. 1998 Dec;2:345-89.
[11] Salazar F, Morán R, Toledo MÁ, Oñate E. Data-based models for the prediction of dam behaviour: a review and some methodological considerations. Archives of computational methods in engineering. 2017 Jan;24:1-21.
[12] Hochreiter S, Schmidhuber J. Long short-term memory. Neural computation. 1997 Nov 15;9(8):1735-80.
[13] Tatin M, Briffaut M, Dufour F, Simon A, Fabre J-P. Thermal displacements of concrete dams: accounting for water temperature in statistical models. Eng Struct 2015;91:26–39.
[14] Su H, Chen Z, Wen Z. Performance improvement method of support vector machine‐based model monitoring dam safety. Structural Control and Health Monitoring. 2016 Feb;23(2):252-66.
[15] Salazar F, Toledo MA, Oñate E, Morán R. An empirical comparison of machine learning techniques for dam behaviour modelling. Structural Safety. 2015 Sep 1;56:917.
[16] De Granrut M, Simon A, Dias D. Artificial neural networks for the interpretation of piezometric levels at the rock-concrete interface of arch dams. Engineering Structures. 2019 Jan 1;178:616-34.
[17] Rico J, Barateiro J, Mata J, Antunes A, Cardoso E. Applying advanced data analytics and machine learning to enhance the safety control of dams. Machine Learning Paradigms: Applications of Learning and Analytics in Intelligent Systems. 2019:315-50.
[18] Sargent, R. Verification and validation of simulation models. In Proceedings of the 2010 Winter Simulation Conference, Baltimore, MD, USA, 5–8 December 2010.
[19] Mata J, Salazar F, Barateiro J, Antunes A. Validation of machine learning models for structural dam behaviour interpretation and prediction.Water. 2021 Oct 1;13(19):2717.
[19] Hariri-Ardebili MA, Barak S. A series of forecasting models for seismic evaluation of dams based on ground motion meta-features. Engineering Structures. 2020 Jan 15;203:109657.
[20] Breiman L. Random forests. Mach Learning 2001;45(1):05–32.
[21] Genuer R, Poggi JM, Tuleau-Malot C. Variable selection using random forests. Pattern recognition letters. 2010 Oct 15;31(14):2225-36.
[22] Thakur M, Kumar D. A hybrid financial trading support system using multi-category classifiers and random forest. Applied Soft Computing. 2018 Jun 1;67:337-49.
[23] Vapnik V. The support vector method of function estimation. InNonlinear modeling: Advanced black-box techniques 1998 Jan (pp. 55-85). Boston,MA:springer us.
[24] Vapnik V. The nature of statistical learning theory. Springer science & business media; 2013.
[25] Bishop CM. Neural networks for pattern recognition. Oxford university press; 1995 Nov 23.
[26] Gershenfeld NA. The nature of mathematical modeling. Cambridge university press; 1999.
[27] Zhang G, Patuwo BE, Hu MY. Forecasting with artificial neural networks:: The state of the art. International journal of forecasting. 1998 Mar 1;14(1):35-62.
[28] Appleyard J, Kocisky T, Blunsom P. Optimizing performance of recurrent neural networks on gpus. arXiv preprint arXiv:1604.01946. 2016 Apr 7.
[29] Nair V, Hinton GE. Rectified linear units improve restricted boltzmann machines. InProceedings of the 27th international conference on machine learning (ICML-10) 2010 (pp. 807-814).
[30] Breiman L, Friedman JH, Olshen RA, Stone CJ. Classification and regression trees. Monterrey, CA: Wadsworth & Brooks; 1984.
[31] Elith J, Leathwick JR, Hastie T. A working guide to boosted regression trees. Journal of animal ecology. 2008 Jul;77(4):802-13.
[32] Auret L, Aldrich C. Empirical comparison of tree ensemble variable importance measures. Chemometrics and Intelligent Laboratory Systems. 2011 Feb 15;105(2):157-70.
[33] Rizzo G, d’Amato C, Fanizzi N, Esposito F. Tree-based models for inductive classification on the web of data. Journal of Web Semantics. 2017 Aug 1;45:1-22.
[34] Ranković V, Grujović N, Divac D, Milivojević N, Novaković A. Modelling of dam behaviour based on neuro-fuzzy identification. Engineering Structures. 2012 Feb 1;35:107-13.
[35] Guo X, Baroth J, Dias D, Simon A. An analytical model for the monitoring of pore water pressure inside embankment dams. Engineering Structures. 2018 Apr 1;160:356-65.
