بررسی خاک های روانگرای ماسه ای مبتنی بر یادگیری عمیق

در این مطالعه به بررسی الگوریتم های مختلف یادگیری عمیق (Deep Learning) مانند شبکه فازی و نزدیک ترین در پیش بینی روان گرایی و یا عدم روانگرایی خاک پرداخته شده است. از آن جایی که روانگرایی خاک، سبب آسیب شدید به زیر ساخت ها، شریان های حیاتی می گردد، پیش بینی این موضوع امری مهم و ضروری می باشد. پیش بینی روانگرایی و عدم روانگرایی خاک موضوع این تحقیق می باشد که در آن از مقایسه ۲ روش یادگیری استفاده شد. این مدل ها با استفاده از چندین ورودی مدل و یک خروجی (یعنی روانگرایی خاک/ عدم روانگرایی خاک) در شرایط زلزله ای با بزرگی ۷.۸ ساخته شد. عملکرد روانگرایی یا عدم روانگرایی مدل مبتنی بر داده های CPT (Cone Penetration Test) با استفاده از دقت (%) در ۳ حالت روانگرا، غیر روانگرا و حالت کلی ماتریس های سردرگمی و نمودار (receiver operating characteristic) ROC ارزیابی شد. برای بررسی روانگرایی خاک، از مدل های پیشنهادی (مانند: نزدیک ترین همسایگی K-Nearest Neighbors (KNN) و شبکه فازی Fuzzy) استفاده گردید.

کلیدواژه ها:

بررسی روانگرایی ، یادگیری عمیق ، نزدیک ترین همسایه ، شبکه فازی