پیش بینی نشست حداکثری سطح زمین ناشی از عملیات تونل سازی شهری با استفاده از الگوریتم های تکاملی GEP و MEP

در این مقاله، هدف پیش بینی حداکثر نشست سطح زمین (Smax) ناشی از عملیات تونل سازی در محیط های کم عمق شهری با استفاده از دو الگوریتم برنامه ریزی بیان ژن (GEP) و بیان چند ژنی (MEP) است. بدین منظور، ۲۴ دسته داده مربوط به پروژه های مختلف تونل سازی مشتمل بر ۹ پارامتر ورودی موثر بر Smax از جمله فاصله مرکز تونل از سطح زمین (H)، ارتفاع سطح آب زیرزمینی بالای تونل (W)، قطر تونل (D)، مدول الاستیسیته خاک (E)، مقاومت برشی زهکشی نشده خاک (Cu)، ضریب فشار زمین (K۰)، وزن مخصوص خاک (γ)، پارامتر گپ (g) و عدد پایداری (N)، جمع آوری و بطور تصادفی به دو بخش آموزش و تست تقسیم شد. سپس، الگوریتم های GEP و MEP بر داده های مرحله آموزش اعمال و دو مدل ریاضی جدید برای پیش بینی Smax بدست آمد. در ادامه، از رگرسیون خطی چند متغیره (LMR) نیز برای پیش بینی Smax و مقایسه آن با مدل های GEP و MEP استفاده شد. به منظور اعتبارسنجی و مقایسه عملکرد مدل های پیشنهادی در مراحل آموزش و تست از دیاگرام تیلور، منحنی مشخصه خطای رگرسیون (REC) و ۵ شاخص آماری شامل ضریب تعیین، شمول واریانس، شاخص a۲۰-index، جذر میانگین مربعات خطا و خطای مطلق میانگین استفاده شد. نتایج بدست آمده بر مبنای دیاگرام تیلور، منحنی REC و شاخص های آماری نشان داد که هر دو مدل هوش مصنوعی مبتنی بر تکامل به ویژه GEP، در مقایسه با مدل LMR عملکرد بهتری دارند و می توانند با دقت و قابلیت اطمینان بالاتر و خطای کمتر Smax را پیش بینی نماید. به علاوه، استفاده از آزمون های آماری ANOVA و t-test، نمودارهای پراکندگی و هیستوگرام خطا و نیز نمودار جعبه ای باقی مانده ها، پایداری و تعادل آماری مدل های GEP و MEP را تایید کرده و نشان داد که مدل های توسعه یافته از دقت و قابلیت اطمینان مناسبی برخوردار هستند. همچنین، استفاده از باند اطمینان ۹۵% برای بررسی عدم قطعیت مدل ها، نشان داد که بخش عمده ای از مقادیر واقعی در این بازه قرار دارند، که نشان دهنده توانایی بالای مدل ها در تعمیم به داده های جدید است. در نهایت، نتایج تحلیل اهمیت پارامترهای ورودی نشان داد که g، Cu و N به ترتیب مهمترین پارامترهای تاثیرگذار بر Smax هستند در حالی که γ و K۰ کمترین تاثیر را بر Smax دارند.

کلیدواژه ها:

عملیات تونل سازی ، حداکثر نشست سطح زمین ، برنامه ریزی بیان ژن ، برنامه ریزی بیان چند ژنی ، رگرسیون خطی چندمتغیره