16986

استفاده از روش‌هاي مختلف يادگيري ماشين براي پيش‌بيني و تحليل پتانسيل روانگرايي خاك

1401

دكتر محمدحسن بازيار

از آن‌جا كه پديده روانگرايي خاك يكي از عوامل اصلي افزايش خسارات و شدت خرابي‌ها در زلزله‌ها به شمار مي‌رود، برآورد دقيق پتانسيل روانگرايي همواره از مسائل مهم در مهندسي ژئوتكنيك بوده است. روش‌هاي سنتي ارزيابي روانگرايي عمدتاً بر روابط تجربي و تحليل‌هاي ساده‌شده استوار هستند و به دليل ماهيت غيرخطي رفتار خاك، در بسياري از موارد دقت محدودي دارند. در سال‌هاي اخير، روش‌هاي يادگيري ماشين به‌عنوان ابزارهايي كارآمد براي مدل‌سازي روابط پيچيده و غيرخطي ميان ويژگي‌هاي فيزيكي و مكانيكي خاك مطرح شده‌اند. در اين سمينار، كاربرد مجموعه‌اي از الگوريتم‌هاي مختلف يادگيري ماشين شامل درخت تصميم، رگرسيون لجستيك، ماشين بردار پشتيبان، k-نزديك‌ترين همسايه، گراديان كاهشي تصادفي، جنگل تصادفي و شبكه عصبي مصنوعي در پيش‌بيني و تحليل پتانسيل روانگرايي خاك بررسي مي‌شود. داده‌هاي مورد استفاده بر اساس نتايج آزمايش‌هاي برجا، به‌ويژه آزمايش نفوذ استاندارد (SPT)، از مناطق مستعد روانگرايي استخراج شده و عملكرد مدل‌ها با استفاده از شاخص‌هايي نظير دقت، فراخواني، صحت، امتياز F1 و منحني ROC مورد ارزيابي قرار گرفته است. نتايج نشان مي‌دهد كه برخي الگوريتم‌ها، به‌ويژه مدل‌هاي مبتني بر درخت، ضمن دستيابي به دقت بالاتر، از تفسيرپذيري مناسبي برخوردار بوده و مي‌توانند به‌عنوان ابزاري مؤثر در اختيار مهندسان و تصميم‌گيرندگان قرار گيرند؛ همچنين تحليل اهميت پارامترها بيانگر آن است كه ويژگي‌هاي دانه‌بندي خاك، به‌ويژه اندازه متوسط دانه‌ها، نقش تعيين‌كننده‌اي در پتانسيل روانگرايي ايفا مي‌كنند و استفاده از روش‌هاي يادگيري ماشين مي‌تواند به‌عنوان رويكردي دقيق و مكمل، ارزيابي‌هاي كلاسيك روانگرايي را به‌طور قابل توجهي بهبود بخشد.

1/1/1900 12:00:00 AM

90070

1405/01/31