الگوریتم یادگیری ماشین در ارزیابی پتانسیل روانگرایی خاک

تاب آوری سازه ها و جوامع در برابر مخاطرات، طبیعی به ویژه زلزله یکی از چالشهای اصلی مهندسی مدرن است. در این میان، پدیده روانگرایی خاک (Liquefaction) به عنوان یک مکانیزم اصلی در تخریب زیرساختها ریسک قابل توجهی ایجاد میکند. لذا ارزیابی دقیق ریسک برای آمادگی در برابر بلایا و تدوین راهکارهای کاهش آسیب ضروری است. روشهای سنتی تحلیل ریسک روانگرایی اغلب در ثبت رفتارهای پیچیده خاک تحت شرایط بارگذاری، دینامیکی با شکست مواجه میشوند و این امر مستلزم کاوش در رویکردهای نوآورانه مانند یادگیری ماشین است. در مهندسی ژئوتکنیک بررسی خطر روانگرایی خاک با بهرهگیری از شبکه های عصبی مصنوعی (ANNs) به یک رویکرد پیشگامانه برای ارزیابی و پیشبینی پتانسیل روانگرایی در طول رویدادهای لرزه ای تبدیل شده است. این مقاله مروری به بررسی جامع کاربرد شبکه های عصبی مصنوعی (ANNS) به عنوان یک ابزار قدرتمند یادگیری ماشین در تحلیل خطر روانگرایی میپردازد ANNS با قابلیت چشمگیر در یادگیری از مجموعه دادههای بزرگ و شناسایی الگوهای غیرخطی پیچیده پتانسیل بالایی در بهبود دقت پیش بینی این پدیده ژئوتکنیکی دارند تمرکز این تحقیق بر این است که نشان دهد پیش بینی های دقیق تر مبنایی محکم برای تصمیم گیری در مورد، طراحی بهسازی و مدیریت ریسک فراهم میکند که مستقیما به افزایش تاب آوری سازه ها در برابر روانگرایی منجر میشود.

کلیدواژه ها:

روانگرایی ، یادگیری ماشین ، شبکه عصبی ، تاب آوری ، پایداری