ارزیابی دقت روش های تجربی و الگوریتم های یادگیری ماشین در تعیین ظرفیت باربری شمع های کوبشی جنوب ایران
محل انتشار: پژوهشنامه حمل و نقل، دوره: 23، شماره: 3
سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 20
فایل این مقاله در 23 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TRJ-23-3_004
تاریخ نمایه سازی: 17 مهر 1405
چکیده مقاله:
شمع های فراساحلی از ارکان کلیدی در پروژه های ساخت وساز دریایی به شمار می روند و تامین استحکام و پایداری سازه ها در برابر بارهای اعمالی بر عهده آن هاست. ازاین رو، پیش بینی دقیق ظرفیت باربری این شمع ها نقشی تعیین کننده در طراحی و اجرای مطمئن سازه های فراساحلی دارد. در پژوهش حاضر، دقت روش های مختلف پیش بینی ظرفیت باربری شمع های فولادی نصب شده در رسوبات خاکی فراساحلی جنوب ایران مورد مقایسه قرار گرفته است. برای این منظور، علاوه بر استفاده از روش های تجربی طراحی استاتیکی API و رویکردهای مبتنی بر آزمایش نفوذ مخروط (CPT) شامل NGI، ICP، UWA و Fugro، هفت الگوریتم یادگیری ماشین (ML) شامل درخت تصمیم (DT)، رگرسیون خطی (LR)، نزدیک ترین همسایه (KNN)، شبکه های عصبی(NN) ، رگرسیون بردار پشتیبان(SVR) ، گرادریان بوستینگ سبک (LGBM) و ناییو بیز (NB) نیز مورد ارزیابی قرار گرفتند. نتایج نشان می دهد که الگوریتم رگرسیون خطی (LR) بالاترین دقت را در پیش بینی ظرفیت باربری نوک شمع ها داشته و پس از آن الگوریتم NB و روش API قرار دارند. در خصوص پیش بینی ظرفیت باربری جدار شمع ها، روش Fugro بهترین عملکرد را ارائه می دهد و الگوریتم NB و روش های UWA و API به ترتیب در رده های بعدی قرار می گیرند.
کلیدواژه ها:
ظرفیت باربری شمع های فراساحلی ، الگوریتم های یادگیری ماشین ، رگرسیون خطی ، شبکه های عصبی ، تحلیل PDA
نویسندگان
محمد مهدی بیات ترک
دانشجوی دکتری، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران
امیرعلی زاد
دانشیار، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران
بابک ابراهیمیان
استادیار، گروه مهندسی ژئوتکنیک، دانشکده مهندسی عمران ، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :