ارزیابی ظرفیت باربری شالوده های جدار نازک با روش تلفیقی فازی -عصبی روش دسته بندی گروهی داده ها بهینه شده با روش های فراابتکاری
- سال انتشار: 1401
- محل انتشار: دومین کنفرانس بین المللی معماری، عمران، شهرسازی، محیط زیست و افق های هنر اسلامی در بیانیه گام دوم انقلاب
- کد COI اختصاصی: ICACU02_1909
- زبان مقاله: فارسی
- تعداد مشاهده: 141
نویسندگان
فارغ التحصیل دکترای مهندسی عمران - بخش مهندسی عمران - دانشکده فنی و مهندسی - دانشگاه شهید باهنر کرمان،
دانشیار گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته
چکیده
برآورد صحیح و مطمئن ظرفیت باربری پی های جدار نازک برای طراحی دقیق این سازه ها مهم و ضروری است . این مطالعه یک تکنیک هوشمند ترکیبی جدید، یعنی سیستم استنتاج عصبی فازی تطبیقی -(ANFIS)شبکه عصبی چند جمله ای (GMDH) بهینه سازی شده توسط الگوریتم ژنتیک (GA)، به نام ANFIS-GMDH-GA را برای پیش بینی ظرفیت باربری پیشنهاد می کند. پایه های دیوار نازک در واقع در سیستم ANFIS-GMDH-GA از GA برای بهینه سازی ساختار ANFIS-GMDH استفاده شد. برای دستیابی به هدف این پژوهش ، مجموعه ای از نمونه های داده از مقالات گذشته جمع آوری شد. پس از ایجاد پایگاه داده، بسیاری از مدلهای ANFIS-GMDH-GA ساخته و برای تخمین ظرفیت باربری پایه های فوقالذکر پیشنهاد شدند. برای نشان دادن قابلیت این مدل هیبریدی پیشرفته ، دو مدل از پیش توسعه یافته یعنی ANFIS و GMDH نیز برای پیش بینی ظرفیت باربری ساخته شدند. پیش بینی عملکرد مدلهای پیشنهادی با استفاده از چندین شاخص عملکرد، به عنوان مثال، ضریب همبستگی (R) و میانگین مربعات خطا (MSE) ارزیابی شد. مقادیر R (۰.۹۸۲۵، ۹۰۷۱.۰، و ۹۹۲۸.۰) و (۸۶۳۰.۰، ۷۵۹۵.۰ و ۹۲۴۱.۰) به ترتیب برای آموزش و آزمایش داده های مدل های ANFIS، GMDH و ANFIS-GMDH-GA به دست آمد. بر این اساس، به دلیل نقش GA به عنوان یک الگوریتم بهینه سازی عملی در بهبود کارایی هر دو مدل GMDH و ANFIS، نتایج به دست آمده توسط مدل ANFIS-GMDH-GA در مقایسه با سایر روشهای اجرا شده دقیق تر است . مدل ترکیبی پیشرفته پیشنهادی را می توان به عنوان یک تکنیک جدید و کاربردی برای حل مسائل در زمینه ژئوتکنیک و مهندسی عمران معرفی کرد.کلیدواژه ها
ظرفیت باربری ، پی های جدار نازک، الگوریتم ANFIS، شبکه روش گروهی دسته بندی داده ها (GMDH)، الگوریتم ژنتیک ، تکنیک های مبتنی بر هوش مصنوعی ترکیبیمقالات مرتبط جدید
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.