Evaluation of slope stability in earth dams using Artificial Neural Networks

• Isaida Flores Berenguer Universidad Tecnológica de La Habana “José Antonio Echeverría” (CUJAE)
• Jenny García Tristá Universidad Tecnológica de La Habana “José Antonio Echeverría” (CUJAE).
• Yoermes Glez Haramboure Universidad Tecnológica de La Habana “José Antonio Echeverría” (CUJAE).

DOI: https://doi.org/10.46925//rdluz.32.17

Keywords: activation functions; artificial intelligence; Artificial Neural Networks; slope stability; training functions

Abstract

Analysis of slope stability in earth dams in Cuba is proposed, using Artificial Neural Networks. Currently, there are no precedents in the country for this type of study. Therefore, neural networks toolbox of MATLAB® models are evaluated, setting as a starting point a multilayer perceptron network with backpropagation algorithm, with two hidden layers, combining the available training and activation functions. Earth dam with four partially saturated soils in the embankment is analyzed, in states of operation and at the end of construction. A coefficient R2 of 0.99998 was obtained for the Bayesian Regularization function, considering the hyperbolic tangent function in the first layer and pure linear in the second layer. In the future, it is proposed to expand the use of the method by evaluating variables that affect slope stability in dams under multiple loading conditions.

References

Aldabas, E. (2002). Introducción al reconocimiento de patrones mediante redes neuronales. Conferencias de ingeniería electrónica (pp. 1–3).

Beiranvand, B., Mohammadzadeh, A., & Komasi, M. (2019). Effect of different parameters of heterogeneous dams on safety factor using the neural network . Case study : Marvak dam. Nexo Revista Científica, 32(2), 126–138. doi:10.5377/nexo.v32i02.9263

Chafla, E. X. (2019). Análisis del rendimiento de algoritmos de entrenamiento de Redes Neuronales Artificiales aplicadas al modelamiento dinámico de represas hidroeléctricas, mediante el error de predicción del nivel de embalse de agua. Tesis de Maestría. Escuela Superior Politécnica de Chimborazo.

Costa, C. (2016). Predicción de la estabilidad de presas heterogéneas mediante redes neuronales artificiales. Tesis de Maestría. Universidad Politécnica de Madrid.

Ermini, L., Catani, F., & Casagli, N. (2005). Artificial Neural Networks applied to landslide susceptibility assessment. Geomorphology, 66(3-4), 327–343. doi:http://doi.org/10.1016/j.geomorph.2004.09.025

Flores, I., Castro, I., Tristá, J. G., & Haramboure, Y. G. (2019). Influencia de la permeabilidad del suelo no saturado en los taludes de presas de tierra. Ingeniería Hidráulica y Ambiental, XL(3), 86–100.

Flores, I., Tristá, J. G., & Haramboure, Y. G. (2020). Estabilidad de taludes durante un desembalse rápido en presas de tierra con suelos parcialmente saturados. Ingeniería y Desarrollo, 38(1), 19.

Fredlund, D. G., & Rahardjo, H. (1993). Soil Mechanics for Unsaturated Soils (p. 567). New York: John Wiley & Sons.

Gomes, G. (2016). Modelo de predicción de aportaciones mensuales urilizando Redes neuronales Artificiales. Aplicación a la cuenca dek río Amambaí (Brasil). Tesis de Maestría. Universidad Politécnica de Valencia.

González Salcedo, L. O., Gotay Sardiñas, J., Roodschild, M., Will, A. L., & Rodríguez, S. (2017). Optimización en la elaboración de redes neuronales artificiales adaptativas usando una metodología de algoritmo de poda. Ingenio Magno, 8(1), 44–56.

Llano, L., Hoyos, A., Arias, F., & Velásquez, J. (2007). Comparación del desempeño de funciones de activación en Redes Feedforward para aproximar funciones de datos con y sin ruido. Avances en Sistemas e Informática, 4(2), 10.

Londoño, J. P., Cifuentes, P. A., & De Felipe, J. J. (2007). Modelización de problemas ambientales en entornos urbanos utilizando sistemas de información geográfica y métodos multivariantes. Revista Internacional de Sostenibilidad, Tecnología y Humanismo, (2), 21–51.

Montenegro, D. D., Pérez, M. A., & Vargas, V. (2019). Using Artificial Neural Networks to predict monthly precipitation for the Cali river basin, Colombia. DYNA, 86(211), 122–130.

doi:http://doi.org/10.15446/dyna.v86n211.76079

Montoya, E. (2013). Modelo de alerta de escorregamentos deflagrados por chuvas usando redes neurais artificiais. Tesis de Mestría. Universidad de Brasilia.

Montoya, E. (2018). Metodología para la aplicación de Redes Neuronales Artificales para sistemas de alerta de deslizamientos provocados por lluvias en regiones montañosas. Tesis de Doctorado. Universidad de Brasilia.

Neaupane, K. M., & Piantanakulchai, M. (2006). Analytic network process model for landslide hazard zonation. Engineering Geology, 85(3-4), 281–294. doi:http://doi.org/10.1016/j.enggeo.2006.02.003

Ni, S. H., Lu, P. C., & Juang, C. H. (1996). A fuzzy neural network approach to evaluation of slope failure potential. Computer-Aided Civil and Infrastructure Engineering, 11(1), 59–66.

doi:http://doi.org/10.1016/0148-9062(96)81903-6

Pano, A. D. (2015). Realización FPGA de una Red Neuronal Artificial para Reproducir Comportamiento Caótico. Tesis de Maestría. Instituto Nacional de Astrofísica, óptica y electrónica.

Pradhan, B., & Lee, S. (2009). Landslide risk analysis using artificial neural network model focussing on different training sites. International Journal of Physical Sciences, 4(1), 1–15. doi:http://www.academicjournals.org/IJPS

Pradhan, B., & Lee, S. (2010). Regional landslide susceptibility analysis using back-propagation neural network model at Cameron Highland, Malaysia. Landslides, 7(1), 13–30. doi:http://doi.org/10.1007/s10346-009-0183- 2

Santillán, D., Fraile-Ardanuy, J., & Toledo, M. Á. (2014). Predicción de lecturas de aforos de filtraciones de presas bóveda mediante redes neuronales artificiales. Tecnología y Ciencias del Agua, V(3), 81–96.

Yesilnacar, E., & Topal, T. (2005). Landslide susceptibility mapping: A comparison of logistic regression and neural networks methods in a medium scale study, Hendek region (Turkey). Engineering Geology, 79(3-4), 251–266. doi:http://doi.org/10.1016/j.enggeo.2005.02.002