کاربرد روش های عددی محاسباتی مبتنی بر داده کاوی در تخمین ظرفیت باربری شمع درخاک با استفاده از داده های آزمایشگاهی

تخمین ظرفیت باربری نهایی شمعها با بهره گیری از نتایج آزمایشات میدانی و تجربی گذشته از طریق بکارگیری روش های هوش مصنوعی (AI) ترکیبی یکی از مهمترین مسائل در تحلیل و طراحی پی های عمیق است. هدف از این تحقیق توسعه مدلهای جدید پیشبینی کننده مبتنی بر روش های داده کاوی (Data mining) جهت تخمین ظرفیت باربری شمعهای منفرد در خاک است. اولین مدل پیش بینی کننده بر اساس ترکیب سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) و ساختار روش گروهی دسته بندی داده ها (GMDH) بهینه شده توسط الگوریتم بهینه سازی ازدحام ذرات (PSO) به نام مدل ANFIS-GMDH-PSO ایجاد شد. مدل دوم به عنوان شبکه عصبی چند جمله ای فازی سازی شده روش گروهی دسته بندی داده ها (FPNN-GMDH) معرفی شد. یک پایگاه داده از مقالات مروری موجود شامل ویژگیهای مختلف شمع و خصوصیات خاک از طریق گزارشات ثبت شده آزمایشات نفوذ مخروط (CPT) و بارگذاری شمع گردآوری شد که به منظور توسعه روش های پیشنهادی در طی مراحل آموزش وآزمایش مدلهای توسعه یافته به کار میرود. همچنین یک مدل شبکه عصبی مصنوعی رایج (ANN) به عنوان مدل مرجع به منظور مقایسه عملکرد مدلهای توسعه یافته ترکیبی و صحت سنجی نتایج جهت پیشبینی ظرفیت باربری نهایی شمع استفاده شد.همچنین نتایج مدلسازی نشان داد که مدل ANFIS-GMDH بهینه سازی شده توسط الگوریتم بهینه سازی ازدحام ذرات عملکرد نسبتا بالاتری نسبت به مدلهای ANN و FPNN-GMDH از نظر سطح دقت پیشبینی بر اساس شاخصهای استاندارد آماری متداول در حوزه هوش مصنوعی و داده کاوی کسب کرد.

Keywords:

ظرفیت باربری شمع نهایی (پی عمیق) , الگوریتم فرا ابتکاری PSO , شبکه GMDH , مدل شبکه ترکیبی FPNN-GMDH , مدل شبکه ترکیبی ANFIS-GMDH-PSO