هومن هرندی زاده - فارغ التحصیل دکترای مهندسی عمران - بخش مهندسی عمران - دانشکده فنی و مهندسی - دانشگاه شهید باهنر کرمان
محمد محسن توفیق - استاد بخش مهندسی عمران- بخش مهندسی عمران- دانشکده فنی و مهندسی- دانشگاه شهید باهنر کرمان

پیش بینی ظرفیت باربری نهایی شمع با کمک نتایج تجربی میدانی از طریق تکنیک های هوش مصنوعی (AI) یکی از مهم ترین و پیچیده ترین مسائل در تحلیل و طراحی شمع است. هدف از این تحقیق، توسعه مدل های پیش بینی هوش مصنوعی جدید برای پیش بینی ظرفیت باربری شمع است. اولین مدل پیش بینی بر اساس ترکیب سیستم استنتاج عصبی فازی تطبیقی (ANFIS) و ساختار گروهی مدیریت داده ها (GMDH) بهینه سازی شده توسط الگوریتم بهینه سازی ازدحام ذرات (PSO) به نام مدل ANFIS-GMDH-PSO ایجاد شد. مدل دوم به عنوان روش گروهی نوع شبکه عصبی چند جمله ای فازی مدل مدیریت داده (FPNN-GMDH) معرفی شد. پایگاه داده شامل ویژگی های مختلف شمع و ویژگی های خاک، جمع آوری شده از ادبیات شامل CPT و نتایج آزمایش بارگذاری شمع است که برای فرآیند آموزش و آزمایش مدل های توسعه یافته اعمال می شود. همچنین یک مدل شبکه عصبی مصنوعی رایج (ANN) به عنوان مدل مرجع برای مقایسه و تایید بین مدل های توسعه یافته ترکیبی برای پیش بینی استفاده شد. نتایج مدل سازی نشان داد که مدل ANFIS-GMDH بهبودیافته عملکرد نسبتا بالاتری را در مقایسه با مدل های ANN و FPNN-GMDH از نظر دقت و سطح پایایی بر اساس شاخص های عملکرد آماری استاندارد مانند ضریب همبستگی (R)، میانگین مربعات خطا، ریشه میانگین مربع خطا و خطا مقادیر انحراف استاندارد به دست آورد.

ظرفیت باربری نهایی شمع، فونداسیون عمیق، مدل ANFIS–GMDH–PSO ، الگوریتم PSO، مدل FPNN– GMDH، شبکه GMDH