تخمین مهمترین پارامتر ژئومکانیکی خاک‌های غیراشباع با بکارگیری روش‌های مختلف هوش مصنوعی

مهندسی عمران فردوسی

مقاله 3، دوره 35، شماره 2 - شماره پیاپی 38، شهریور 1401، صفحه 35-48   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jfcei.2022.74090.1100

نویسندگان

هادی فتاحی^{* 1}؛ فاطمه جیریایی²

¹دانشکدۀ مهندسی علوم زمین، دانشگاه صنعتی اراک

²دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک

چکیده

در پیش‌بینی رفتار سازه‌‌های ژئوتکنیکی که بر خاک‌های غیر اشباع احداث می‌شوند، دانستن خواص ژئومکانیکی به‌ویژه تنش مؤثر از اهمیت ویژه‌ای برخوردار است. تأثیر مکش در خاک های غیراشباع موجب تغییر در رفتار حجمی و برشی خاک می‌شود. از این رو در تعیین مقاومت برشی در خاک‌های غیراشباع، پارامتر تنش مؤثر (χ) به‌عنوان تابعی از مکش نقش اساسی دارد. تعیین این پارامتر نیازمند زمان و هزینه زیادی است که در آزمون‌های آزمایشگاهی صرف می‌شود. هدف از این تحقیق ارزیابی چند روش هوشمند برای ایجاد مدل‌هایی است که از طریق غیرمستقیم پارامتر χ را به‌طور دقیق تخمین بزند. بدین منظور از ۱۲۰ داده (که از نتایج آزمایش‌های سه محوره، برشی، صفحه فشار و کاغذ فیلتر است) و روش‌های هوشمند جنگل تصادفی، ماشین بردار پشتیبان و نزدیک‌ترین همسایگی در نرم‌افزار هوشمند WEKA استفاده شده‌است. نتایج نشان می‌دهد که مدل‌های توسعه یافته توسط سه روش هوشمند جنگل تصادفی، ماشین بردار پشتیبان و نزدیک‌ترین همسایگی، از عملکرد و دقت بسیار خوبی برخوردار هستند. اما مدل جنگل تصادفی در ارزیابی بر روی داده‌های آزمون با R²=0.918 و RMSE=0.079، بهتر از دو مدل دیگر است. به‌علاوه در این تحقیق آنالیز حساسیت به‌منظور تعیین اهمیت پارامترهای مؤثر بر روی پارامتر χ انجام شد که از بین پارامترهای ورودی در مدل‌سازی، مشخص شد که پارامتر محتوای آب حجمی ( ) بیشترین تأثیر را بر روی پارامتر χ دارد.

کلیدواژه‌ها

تنش مؤثر؛ جنگل تصادفی؛ ماشین بردار پشتیبان؛ نزدیک‌ترین همسایگی؛ آنالیز حساسیت؛ نرم‌افزار WEKA

مراجع

 Fredlund, D.G., "Unsaturated soil mechanics in engineering practice". Journal of geotechnical geoenvironmental engineering, Vol. 132, No. 3, pp. 286-321, (2006).

2. Aitchison, G.D., Russam, K., and Richards, B., "Engineering concepts of moisture equilibria and moisture changes in soils". Ministry of Transport, Vol., (1966).
3. Sheng, D., "Constitutive modelling of unsaturated soils: Discussion of fundamental principles". Unsaturated soils, Vol. 1, No. pp. 91-112, (2011).
4. Lee, S., Lee, S.R., and Kim, Y., "An approach to estimate unsaturated shear strength using artificial neural network and hyperbolic formulation". Computers Geotechnics, Vol. 30, No. 6, pp. 489-503, (2003).
5. Kayadelen, C., "Estimation of effective stress parameter of unsaturated soils by using artificial neural networks". International journal for numerical analytical methods in geomechanics, Vol. 32, No. 9, pp. 1087-1106, (2008).
6. Ajdari, M., Habibagahi, G., and Ghahramani, A., "Predicting effective stress parameter of unsaturated soils using neural networks". Computers and Geotechnics, Vol. 40, No. pp. 89-96, (2012).
7. Johari, A., Habibagahi, G., and Nakhaee, M., "Prediction of unsaturated soils effective stress parameter using gene expression programming". Scientia Iranica, Vol. 20, No. 5, pp. 1433-1444, (2013).
8. Kanungo, D., Sharma, S., and Pain, A., "Artificial Neural Network (ANN) and Regression Tree (CART) applications for the indirect estimation of unsaturated soil shear strength parameters". Frontiers of earth science, Vol. 8, No. 3, pp. 439-456, (2014).
9. Rahnema, H., Hashemi Jokar, M., and Khabbaz, H., "Predicting the effective stress parameter of unsaturated soils using adaptive neuro-fuzzy inference system". Scientia Iranica, Vol. 26, No. 6, pp. 3140-3158, (2019).
10. Tien Bui, D., Hoang, N.-D., and Nhu, V.-H., "A swarm intelligence-based machine learning approach for predicting soil shear strength for road construction: a case study at Trung Luong National Expressway Project (Vietnam)". Engineering with Computers, Vol. 35, No. 3, pp. 955-965, (2019).
11. Khalili, N. and Khabbaz, M., "A unique relationship for χ for the determination of the shear strength of unsaturated soils". Geotechnique, Vol. 48, No. 5, pp. 681-687, (1998).
12. Cui, Y.J., et al., "Unsaturated soil mechanics". International Society of Soil Mechanics and Geotechnical Engineering, Vol., (2004).
13. Bishop, A.W., "The principle of effective stress". Teknisk ukeblad, Vol. 39, No. pp. 859-863, (1959).
14. Vanapalli, S., et al., "Model for the prediction of shear strength with respect to soil suction". Canadian geotechnical journal, Vol. 33, No. 3, pp. 379-392, (1996).
15. vladimir, et al., "A classification and regression tool for compound classification and qsar modeling svetnik". Journal of Chemical Information Computer Sciences, Vol. 43, No. 6, pp. 1947-1958, (2003).
16. Cortes, C. and Vapnik, V., "Support vector machine". Machine learning, Vol. 20, No. 3, pp. 273-297, (1995).
17. Zhang, D., et al., "Parameter optimization for support vector regression based on genetic algorithm with simplex crossover operator". Journal of Information Computational Science, Vol. 8, No. 6, pp. 911-920, (2011).
18. Shahrabi, J. and Hejazi, T., Data mining 2, Tehran, Industrial university of amirkabir. 2013, Jahad daneshgahi Press.(In Persian).
19. Azmi, M. and Araghinejad, S., "Development of K-Nearest Neighbour Regression Method in Forecasting River Stream Flow". Journal of Water and Wastewater, Vol. 23, No. 2, pp. 108-119, (2012).
20. Witten, I.H., et al. Practical machine learning tools and techniques. in DATA MINING. 2005.
21. Thu, T.M., Rahardjo, H., and Leong, E.-C., Effects of hysteresis on shear strength envelopes from constant water content and consolidated drained triaxial tests, in Unsaturated soils 2006. p. 1212-1222.
22. Russell, A.R. and Khalili, N., "A bounding surface plasticity model for sands exhibiting particle crushing". Canadian Geotechnical Journal, Vol. 41, No. 6, pp. 1179-1192, (2004).
23. Russell, A. and Khalili, N., "A unified bounding surface plasticity model for unsaturated soils". International Journal for Numerical Analytical Methods in Geomechanics, Vol. 30, No. 3, pp. 181-212, (2006).