توسعه چارچوب ترکیبی مبتنی بر هوش مصنوعی AI جهت ارزیابی پتانسیل روانگرایی و نشست پی های سطحی: مطالعه موردی شهر اردبیل

روانگرایی خاک و نشست های متعاقب آن در طول زلزله، از مخرب ترین پدیده های ژئوتکنیکی هستند که زیرساخت های شهری را تهدید می کنند. روش های تجربی سنتی (مانند روش های مبتنی بر SPT و CPT) به دلیل ماهیت تجربی و ساده سازی روابط، در مواجهه با لایه بندی های پیچیده و ناهمگن خاک دارای عدم قطعیت بالایی هستند. در این پژوهش، یک چارچوب نوین و هوشمند مبتنی بر ترکیب الگوریتم های یادگیری ماشین و شبکه های عصبی عمیق شامل شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF) و شبکه حافظه طولانی کوتاه-مدت (LSTM)، بهینه سازی شده با الگوریتم های فرابتکاری ژنتیک (GA) و تجمع ذرات (PSO) جهت پیش بینی پتانسیل روانگرایی و نشست پی های سطحی توسعه یافته است. بدین منظور، یک پایگاه داده جامع شامل اطلاعات ۲۰۰ گمانه ژئوتکنیکی در مناطق مرکزی و جنوبی شهر اردبیل (شامل آزمایش های SPT، CPT و سرعت موج برشی V_s) همراه با شتاب نگاشت های زلزله منطقه گردآوری شد. پارامترهای ورودی مدل شامل عدد SPT اصلاح شده (N۱,۶۰)، مقاومت نوک مخروط (q_c)، درصد ریزدانه (FC)، عمق سطح آب زیرزمینی (GWT) و بیشینه شتاب زمین (PGA) است. خروجی های مدل شامل ضریب اطمینان روانگرایی (FS)، شاخص پتانسیل روانگرایی (LPI) و میزان نشست پی سطحی می باشند. نتایج ارزیابی مدل های ترکیبی پیشنهاد شده (مانند RF-LSTM و ANN-PSO) و مقایسه آن ها با روش های کلاسیک تجربی و مدل سازی های عددی پیشرفته (PLAXIS/FLAC)، نشان دهنده دقت بسیار بالا (R^۲ > ۰.۹۲) و کاهش چشمگیر خطای بالینی (RMSE) در مدل های هوش مصنوعی ترکیبی است. این چارچوب می تواند به عنوان ابزاری کارآمد در ریزپهنه بندی خطر روانگرایی و مدیریت بحران شهری مورد استفاده قرار گیرد.

کلیدواژه ها:

روانگرایی خاک ، نشست پی سطحی ، هوش مصنوعی ترکیبی ، جنگل تصادفی ، ریزپهنه بندی ژئوتکنیکی ، اردبیل