Ir al contenido

Documat

Artificial Neural Network Model to Predict the Factor of Safety in Earth Dams Subjected to Rapid Drawdown

  • Flores Berenguer, Isaida [1] ; González Haramboure, Yoermes [2] ; García Tristá, Jenny [1] ; Rosete Suárez, Alejandro [3]
    1. [1] Technological University of Havana ¨José Antonio Echeverría¨, Faculty of Civil, Havana, Cuba
    2. [2] National Institute of Hydraulic Resources, Havana, Cuba
    3. [3] Technological University of Havana ¨José Antonio Echeverría¨, Faculty of Informatics, Havana, Cuba
    Mostrar afiliaciones +
  • Localización: Revista Politécnica, ISSN-e 2477-8990, Vol. 54, Nº. 1, 2024 (Ejemplar dedicado a: Revista Politécnica), págs. 33-44
  • Idioma: inglés
  • DOI: 10.33333/rp.vol54n1.04
  • Títulos paralelos:
    • Modelo de Redes Neuronales Artificiales para Predecir el Factor de Seguridad en Presas de Tierra Sometidas a Desembalse Rápido
  • Enlaces
  • Resumen
    • español

      El desembalse rápido se ha identificado como una de las causas más frecuentes de las fallas en taludes debido a los efectos asociados a la sequía y a los cambios de operación al incorporar hidroeléctricas, los cuales influyen en el nivel de llenado de las presas de tierra. Esta investigación tiene como objetivo fundamental la obtención de modelos predictivos basados en Redes Neuronales Artificiales que devuelvan el factor de seguridad del talud aguas arriba en presas de tierra homogéneas ante el efecto del desembalse rápido. Se definieron tres geometrías y 40 suelos para conformar el terraplén, a partir de los cuales se construyeron modelos numéricos híbridos de flujo de agua transitorio con suelos no saturados, considerando tres velocidades de desembalse. A partir de estos resultados, se construyó una base de datos para desarrollar los modelos predictivos, a través del programa KNIME y un algoritmo basado en Redes Neuronales Artificiales. Se analiza, además, el comportamiento del factor de seguridad en función del tiempo para establecer sus intervalos de recuperación. Los principales resultados muestran que el factor de seguridad mínimo se obtiene entre el 52 % y el 88 % del tiempo total de desembalse. En cuanto a los modelos predictivos, los coeficientes de determinación R2 ajustados fueron superiores al 95 % en todos los casos y los errores se mantuvieron por debajo de 10 %. Se demuestra una alta efectividad en este tipo de herramienta y la validez de su aplicación a problemas geotécnicos.

    • English

      Rapid drawdown has been identified as one of the most frequent causes of slope failures due to the effects associated with drought and operational changes when incorporating hydroelectric plants, which influence the filling level of earth dams. The main goal of this research is to obtain predictive models based on Artificial Neural Networks that return the factor of safety of the upstream slope in homogeneous earth dams in the face of the effect of rapid drawdown. Three geometries and 40 soils were defined to form the embankment, from which hybrid numerical models of transient water flow with unsaturated soils were built, considering three discharge speeds. From these results, a database was built to develop the predictive models, by means of the KNIME program and an algorithm based on Artificial Neural Networks. The behavior of the factor of safety as a function of time is also analyzed to establish its recovery intervals. Main results show that the minimum factor of safety is obtained between 52 % and 88 % of the total drawdown time. Regarding the predictive models, the adjusted R2 determination coefficients were greater than 95 % in all cases and the errors remained below 10 %. This demonstrates a high effectiveness of this algorithm and the validity of its application to geotechnical problems.

  • Referencias bibliográficas
Fundación Dialnet

Mi Documat

Opciones de artículo

Opciones de compartir

Opciones de entorno