تخمین مهمترین پارامتر ژئومکانیکی خاک های غیراشباع با بکارگیری روش های مختلف هوش مصنوعی

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 111

This Paper With 14 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_CIVIL-35-2_003

تاریخ نمایه سازی: 30 شهریور 1401

Abstract:

در پیش بینی رفتار سازه های ژئوتکنیکی که بر خاک های غیر اشباع احداث می شوند، دانستن خواص ژئومکانیکی به ویژه تنش موثر از اهمیت ویژه ای برخوردار است. تاثیر مکش در خاک های غیراشباع موجب تغییر در رفتار حجمی و برشی خاک می شود. از این رو در تعیین مقاومت برشی در خاک های غیراشباع، پارامتر تنش موثر (χ) به عنوان تابعی از مکش نقش اساسی دارد. تعیین این پارامتر نیازمند زمان و هزینه زیادی است که در آزمون های آزمایشگاهی صرف می شود. هدف از این تحقیق ارزیابی چند روش هوشمند برای ایجاد مدل هایی است که از طریق غیرمستقیم پارامتر χ را به طور دقیق تخمین بزند. بدین منظور از ۱۲۰ داده (که از نتایج آزمایش های سه محوره، برشی، صفحه فشار و کاغذ فیلتر است) و روش های هوشمند جنگل تصادفی، ماشین بردار پشتیبان و نزدیک ترین همسایگی در نرم افزار هوشمند WEKA استفاده شده است. نتایج نشان می دهد که مدل های توسعه یافته توسط سه روش هوشمند جنگل تصادفی، ماشین بردار پشتیبان و نزدیک ترین همسایگی، از عملکرد و دقت بسیار خوبی برخوردار هستند. اما مدل جنگل تصادفی در ارزیابی بر روی داده های آزمون با R۲=۰.۹۱۸ و RMSE=۰.۰۷۹، بهتر از دو مدل دیگر است. به علاوه در این تحقیق آنالیز حساسیت به منظور تعیین اهمیت پارامترهای موثر بر روی پارامتر χ انجام شد که از بین پارامترهای ورودی در مدل سازی، مشخص شد که پارامتر محتوای آب حجمی ( ) بیشترین تاثیر را بر روی پارامتر χ دارد.

Authors

هادی فتاحی

دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک

فاطمه جیریایی

دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Fredlund, D.G., "Unsaturated soil mechanics in engineering practice". Journal of ...
  • Aitchison, G.D., Russam, K., and Richards, B., "Engineering concepts of ...
  • Sheng, D., "Constitutive modelling of unsaturated soils: Discussion of fundamental ...
  • Lee, S., Lee, S.R., and Kim, Y., "An approach to ...
  • Kayadelen, C., "Estimation of effective stress parameter of unsaturated soils ...
  • Ajdari, M., Habibagahi, G., and Ghahramani, A., "Predicting effective stress ...
  • Johari, A., Habibagahi, G., and Nakhaee, M., "Prediction of unsaturated ...
  • Kanungo, D., Sharma, S., and Pain, A., "Artificial Neural Network ...
  • Rahnema, H., Hashemi Jokar, M., and Khabbaz, H., "Predicting the ...
  • Tien Bui, D., Hoang, N.-D., and Nhu, V.-H., "A swarm ...
  • Khalili, N. and Khabbaz, M., "A unique relationship for χ ...
  • Cui, Y.J., et al., "Unsaturated soil mechanics". International Society of ...
  • Bishop, A.W., "The principle of effective stress". Teknisk ukeblad, Vol. ...
  • Vanapalli, S., et al., "Model for the prediction of shear ...
  • vladimir, et al., "A classification and regression tool for compound ...
  • Cortes, C. and Vapnik, V., "Support vector machine". Machine learning, ...
  • Zhang, D., et al., "Parameter optimization for support vector regression ...
  • Shahrabi, J. and Hejazi, T., Data mining ۲, Tehran, Industrial ...
  • Azmi, M. and Araghinejad, S., "Development of K-Nearest Neighbour Regression ...
  • Witten, I.H., et al. Practical machine learning tools and techniques. ...
  • Thu, T.M., Rahardjo, H., and Leong, E.-C., Effects of hysteresis ...
  • Russell, A.R. and Khalili, N., "A bounding surface plasticity model ...
  • Russell, A. and Khalili, N., "A unified bounding surface plasticity ...
  • نمایش کامل مراجع