ارزیابی داده های روانگرایی مبتنی بر یادگیری عمیق

از مخاطرات بعد از وقوع پیوستن زمین لرزه ها می توان به آتش سوزی، سیل، روانش زمین و روانگرایی چرخه های اشاره کرد. در میان این مخاطرات متعدد، روانگرایی چرخه های شدیدی را به محیط زیرساخت وارد کرده است. به طور کلی، استانداردهای تحلیل محدودی برای پیش بینی روانگرایی خاک انجام شده است. به دلیل پیچیدگی ذاتی مدل سازی روانگرایی، استفاده از روش های یادگیری عمیق می تواند راهکار مناسبی باشد. در این مطالعه، از شبکه فازی و الگوریتم درخت تصمیم گیری برای پیش بینی روانگرایی استفاده شده است. مجموعه داده های به دست آمده از آزمایش های صحرایی (آزمایش نفوذ مخروط) روی خاک های مناطق شمالی کشور فازی روی مجموعه داده ها موردبررسی قرار گرفت. معیارهای عملکردی مانند دقت، صحت، فراخوانی مجدد و معیار ترکیبی در نتیجه مطالعه درخت تصمیم الگوریتم درخت تصمیم بهترین عملکرد را بر روی مجموعه داده با دقت کل ۹۲ % داشته است. درنتیجه مطالعه، درصورتی که متوسط اندازه دانه (D۵۰) بیشترین تاثیر را بر پتانسیل روانگرایی دارد.

کلیدواژه ها:

ارزیابی روانگرایی ، یادگیری عمیق ، شبکه فازی ، رگرسیون لجستیک ، شبکه بیزین ، درخت تصمیم