بلال محمدی یایچی - دانشجوی کارشناسی ارشد دانشگاه مقدس اردبیلی
مهزاد اسمعیلی فلک - استادیار دانشگاه آزاد اسلامی واحد تهران شمال
رضا سرخانی بنماران - کارشناسی ارشد دانشگاه تبریز

روش های تحلیلی سنتی برای تخمین ظرفیت، دقت محدودی دارند. دو شبکه عصبی مصنوعی (ANN) و ترکیب آن با الگوریتم بهینه ساز شیر مورچه ها (ANNALO) برای مدل سازی پیش بینی کننده براساس مجموعه داده های تجربی آموزش داده شده است. نتایج حاصل از مطالعات عددی نشان دادند که تکنیک ترکیبی ANNALO یک ابزار امیدوار کننده برای تقویت تحلیل مهندسی ژئوتکنیک و شیوه های طراحی شمع از طریق مدل سازی پیش بینی کننده داده محور است که مجذور میانگین مربعات خطای پیش بینی (RMSE) بمقدار ۴۱% نسبت به شبکه عصبی استاندارد، کاهش داده است. ANNALO می تواند دقت پیش بینی را تا ۱۷ درصد در مقایسه با ANN برای گروه شمع بهبود بخشد. انحراف معیار برآورد در گروه شمع نیز ۲۰ درصد کاهش یافته است. میانگین مربعات خطای پیش بینی ۲۱ دصد بهبود یافته است.

ظرفیت باربری گروه شمع، الگوریتم های فرا ابتکاری، شبکه عصبی مصنوعی (ANN)، الگوریتم بهینه ساز شی مورچه ها (ANNALO)