بهبود مقاومت فشاری خاک با استفاده از مواد افزودنی و پیش بینی رفتار مقاومتی خاک های تثبیت شده با استفده از مدل مبتنی بر هوش مصنوعی

در این مقاله به بررسی بهبود مقاومت فشاری خاک با استفاده از مواد افزودنی و پیش بینی رفتار مقاومتی خاک های تثبیت شده با استفاده از مدل مبتنی بر هوش مصنوعی پرداخته شده است. بدین منظور یافته های کلیدی از آزمایش های آزمایشگاهی خاک های تثبیت شده و همچنین توسعه و اعتبار سنجی یک مدل شبکه عصبی مصنوعی (ANN) و تلفیق آن با الگوریتم ژنتیک (ANNGA) و الگوریتم گرگ خاکستری (ANNGWO) را برای پیش بینی مقاومت خاک از مطالعات قبلی حاوی نتایج آزمایش های عددی آزمایشگاهی بر روی خاک های تثبیت شده گردآوری شد. این داده ها برای آموزش و بهینه سازی معماری شبکه های عصبی برای تخمین مقاومت فشاری خاک استفاده شده است. برنامه نویسی و توسعه مدل با استفاده از نرم افزار MATLAB انجام شد. معیار برای بهبود تخمین شبکه عصبی کاهش میانگین مربعات خطا (MSE) بین خروجی های واقعی و پیش بینی شده در نظر گرفته شده است. دقت مدل با استفاده از ضریب رگرسیون بین نقاط پیش بینی شده و اندازه گیری شده ارزیابی شد. نتایج حاصل از آنالیز مثال عددی نشان داد که مدل شبکه عصبی بهینه توسعه یافته با استفاده از رئیکرد الگوریتم ژنتیک، عملکرد عالی را در پیش بینی مقاومت فشاری نامحدود (UCS) نمونه های خاک تثبیت شده در پایگاه داده دارد. ادغام تکنیک های هوش مصنوعی مانند ANNGA می تواند به طور موثر رفتار خاک های تثبیت شده را برای هدایت طراحی ژئوتکنیکی با اتکای کمتر به آزمایش های جامع آزمایشگاهی پیش بینی کند. این مدل یک ابزار سریع برای تجزیه و تحلیل اولیه ترکیبات تثبیت خاک فراهم می کند. به طور کلی، رویکرد مدل سازی هوش مصنوعی یک ابزار مبتنی بر داده قوی بای توصیف ویژگی های مکانیکی خاک تثبیت شده با حداقل نیاز به ارزیابی آزمایشگاهی طولانی ارائه کرد. هر سه شبکه عصبی توانایی لازم برای برآورد و پیش بینی مقاومت خاک را دارند، روش مدل سازی شده توسط شبکه عصبی تلفیقی با الگوریتم ژنتیک دارای دقت برآورد بالایی نسبت به دو مورد مدل سازی شده است لذا برای افزایش دقت برآورد می توان شکه عصبی را با روش الگوریتم ژنتیک تلفیق کرد تا در کارهای مهندسی خاک به دقت موردنظر دست یافت.

کلیدواژه ها:

خاک تثبیت شده ، مقاومت خاک ، شبکه عصبی ، الگوریتم ژنتیک ، الگوریتم گرگ خاکستری