ارزیابی پتانسیل روان‌گرایی خاک در اثر وقوع زمین‌لرزه بااستفاده از چند الگوریتم طبقه‌بندی هوشمند در نرم‌افزار Orange

مهندسی عمران فردوسی

مقاله 3، دوره 34، شماره 3 - شماره پیاپی 35، دی 1400، صفحه 39-52   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jfcei.2021.70257.1038

نویسندگان

هادی فتاحی^{* 1}؛ فاطمه جیریایی²

¹دانشیار، دانشکدۀ مهندسی علوم زمین، دانشگاه صنعتی اراک.

²دانشکدۀ مهندسی علوم زمین، دانشگاه صنعتی اراک.

چکیده

یکی از پیامدهای احتمالی وقوع زمین‌لرزه در زمین‌های اشباع، روان‌گرایی خاک و در نتیجۀ آن شکست و خرابی فونداسیون ساختمان‌ها، انواع زیرساخت‌ها، پل‌ها و بسیاری فجایع دیگر می‌باشد. در این تحقیق سعی شد به‌منظور ارزیابی پتاسیل روان‌گرایی خاک برروی ۷۹ نمونه از پایگاه دادۀ زلزلۀ تنگشان کشور چین، چند مدل طبقه‌بندی هوشمند با کمک نرم‌افزار Orange ساخته شود. به همین منظور عملکرد 5 روش طبقه‌بندی هوشمند (رگرسیون لاجستیک، شبکۀ عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM)، نزدیک‌ترین همسایگی(KNN) و جنگل تصادفی) براساس معیارهای مختلف با هم مقایسه شدند. نتایج نشان داد روش‌های SVM، ANN و رگرسیون لاجستیک از توانایی بالایی برای پیش‌بینی کلاس روان‌گرایی خاک برخوردار هستند و در بین آنها روش رگرسیون لاجستیک با مقدار شاخص AUC (۹۸/۰) به‌عنوان بهترین روش انتخاب شد. علاوه‌بر این، بررسی تأثیرگذاری متغیرها بااستفاده از چهار معیار بهرۀ اطلاعاتی، بهرۀ اطلاعاتی نسبی، شاخص جینی و شاخص ReliefF  بیانگر این است که متغیر مقاومت نوک مخروط در آزمایش نفوذ مخروطی مؤثرترین روش است و در اولویت اول قرار می‌گیرد. هم‌چنین متغیرهای نسبت تنش تناوبی و حداکثر شتاب افقی زلزله در سطح زمین ویژگی‌های مهمی‌ به‌حساب می‌آیند.

کلیدواژه‌ها

زمین‌لرزه؛ روان‌گرایی؛ الگوریتم‌های طبقه‌بندی هوشمند؛ نرم‌افزار Orange

سایر فایل های مرتبط با مقاله

3-Fattahi-Revised-1.pdf

مراجع

1. 1. Seed, H.B.J.E.e.r.i., "Ground motions and soil liquefaction during earthquakes", Earthquake engineering research insititue, Vol. 5, pp. 1249-1273, (1982).
2. 2. Xue, X. and Yang, X.J.N.h., "Application of the adaptive neuro-fuzzy inference system for prediction of soil liquefaction", Natural hazards, Vol. 67, pp. 901-917, (2013).
3. 3. Seed, H.B. and Idriss, I.M., "Simplified procedure for evaluating soil liquefaction potential" Journal of the Soil Mechanics and Foundations division, Vol. 97, pp. 1249-1273, (1971).
4. 4. Kiang, M.Y.J.D.s.s., "A comparative assessment of classification methods", Decision support systems, Vol. 35, pp. 441-454, (2003).
5. 5. Ramakrishnan, D., et al., "Artificial neural network and liquefaction susceptibility assessment: a case study using the 2001 Bhuj earthquake data, Gujarat, India", Computational Geosciences, 12, pp. 491-501, (2008).
6. 6. Chern, S.-G., Lee, C.-Y.J.J.o.M.S., and Technology, "CPT-based simplified liquefaction assessment by using fuzzy-neural network", Journal of Marine Science and Technology, 17, pp. 326-331, (2009).
7. 7. Mughieda, O., Bani-Hani, K., and Safieh, B.J.I.J.o.G.E., "Liquefaction assessment by artificial neural networks based on CPT", International Journal of Geotechnical Engineering, Vol. 3, pp. 289-302, (2009).
8. 8. Sulewska, M.J.J.C.A.M.i.E. and Science, "Applying artificial neural networks for analysis of geotechnical problems", Computer Assisted Methods in Engineering and Science, Vol. 18, pp. 231-241, (2017).
9. 9. Samui, P., Sitharam, T.J.N.H., and Sciences, E.S., "Machine learning modelling for predicting soil liquefaction susceptibility", Natural Hazards and Earth System Sciences, Vol. 11, pp. 1-9, (2011).
10. 10. Farrokhzad, F., Choobbasti, A., and Barari, A.J.J.o.K.S.U.-S., "Liquefaction microzonation of Babol city using artificial neural network", Journal of King Saud University, Vol. 24, pp. 89-100, (2012).
11. 11. Tolon, M.J.I.J.H.S., "A comparative study on computer aided liquefaction analysis methods", Journal for Housing Science, Vol. 37, pp. 121-35, (2013).
12. 12. Muduli, P.K. and Das, S.K.J.I.G.J., "CPT-based seismic liquefaction potential evaluation using multi-gene genetic programming approach", Indian Geotechnical Journal, Vol. 44, pp. 86-93, (2014).

13 .Bre, F., et al., "Prediction of wind pressure coefficients on building surfaces using artificial neural networks", Energy and Buildings, Vol. 158, pp. 1429-1441, (2018).

14. 14. Mashrei, M.A.J.F.I.S.-T., "Neural network and adaptive neuro-fuzzy inference system applied to civil engineering problems", Fuzzy Inference System-Theory and Applications, Vol., (2012).
15. 15. Noble, W.S.J.N.b., "What is a support vector machine?", Nature biotechnology, Vol. 24, pp. 1565-1567, (2006).
16. 16. Wu, X. and Kumar, V., "The top ten algorithms in data mining". CRC pres, (2009.(
17. 17. Wright, R.E., "Logistic regression", American Psychological Association, Vol., (1995).
18. 18. Breiman, L.J.M.l., "Random forests", Machine learning, Vol. 45, pp. 5-32, (2001).
19. 19. Raileanu, L.E., Stoffel, K.J.A.o.M., and Intelligence, A., "Theoretical comparison between the gini index and information gain criteria", Annals of Mathematics and Artificial Intelligence, Vol. 41, pp. 77-93, (2004).
20. 20. Kira, K. and Rendell, L.A. The feature selection problem: Traditional methods and a new algorithm. in Aaai. 1992.
21. 21. Xue, X., Yang, X.J.B.o.E.G., and Environment, t., "Seismic liquefaction potential assessed by support vector machines approaches", Bulletin of Engineering Geology and the Environment, Vol. 75, pp. 153-162, (2016).