پیشبینی مدول برجهندگی خاک های ریزدانه با استفاده از شبکه عصبی مصنوعی، ماشین بردار پشتیبان و سیستم استنتاج تطبیقی عصبی-فازی بهینه سازیشده با الگوریتم ازدحام ذرات

مدول برجهندگی خاک بستر ازجمله پارامترهای بسیار مهم در تحلیل و طراحی روسازی است. این پارامتر هم درروشهای تجربی (مانند اشتو 1993 ) و هم در روشهای مکانیستیک-تجربی (مانند MEPDG) به عنوان اصلی ترین پارامتر برای بیان مقاومت و خصوصیات مکانیکی خاک بستر مورداستفاده قرار می گیرد. برای تعیین این پارامتر نیاز است تا آزمایشبارگذاری سه محوری دینامیک تحت تنش های محدودکننده و تنش های انحرافی مختلف بر روی خاک انجام شود که انجاماین آزمایش ها بسیار وقت گیر و پرهزینه است. در این مقاله عملکرد سه روش ترکیبی هوش محاسباتی شامل شبکه عصبیمصنوعی بهینهسازی شده با الگوریتم ازدحام ذرات (ANN-PSO)، ماشین بردار پشتیبان بهینه سازی شده با الگوریتم ازدحام ذرات (SVM-PSO) و سیستم استنتاج تطبیقی عصبی-فازی بهینه سازی شده با الگوریتم ازدحام ذرات (ANFIS-PSO) به منظور پیش بینی مدول برجهندگی مصالح خاک بستر ریزدانه مورد ارزیابی قرار گرفته است و نتایج این سه روش با یکدیگر مقایسهگردیده است. در کلیه این مدلها درصد عبوری از الک نمره 200 ، حد روانی، شاخص خمیری، درصد رطوبت بهینه، درصدرطوبت، درجه اشباع، مقاومت فشاری تک محوری، تنش محدودکننده و تنش انحرافی به عنوان ورودی و مدول برجهندگی بهعنوان پارامتر خروجی در نظر گرفته شد. نتایج این تحقیق نشان میدهد که روش ANN-PSO بیشترین دقت را در پیش بینی مدول برجهندگی خاک های ریزدانه فراهم می سازد. ضریب رگرسیون حاصل از این روش برای مجموع کل داده ها برابر با0/992 است و این روش در اکثر موارد مقدار مدول برجهندگی را با درصد خطای کمتر از 20 درصد پیش بینی می کند. ضریبرگرسیون حاصل از دو روش SVM-PSO و ANFIS-PSO به ترتیب برابر با 0/989 و 0/951 است. نتایج این تحقیق همچنین نشان داد که درصد مصالح عبوری از الک نمره 200 بیشترین تاثیر و پارامتر تنش انحرافی کمترین تاثیر را بر روی مدول برجهندگی مصالح خاکی ریزدانه دارند.

کلیدواژه ها:

مدول برجهندگی ، شبکه عصبی مصنوعی ، ماشین بردار پشتیبان ، سیستم استنتاج تطبیقی عصبی-فازی ، الگوریتم ازدحام ذرات