مقایسه عملکرد روشهای هوشمند ترکیبی شبکه های عصبی-فازی بهینه سازی شده در ارزیابی ظرفیت باربری پی های عمیق با استفاده از روش داده کاوی

در این مطالعه به منظور تخمین ظرفیت باربری محوری نهایی شمع های کوبشی در خاک، به کمک روش های هوش مصنوعی و داده کاوی، مدل های عددی پیشبینی کننده از طریق تلفیق سیستم ترکیبی فازی-عصبی (NF) و الگوریتم روش گروهی دسته بندی داده ها((GMDH توسعه داده شد. برای رسیدن به طراحی بهینه این شبکه تلفیقی (NF-GMDH)، از تکنیکهای فراابتکاری شامل بهینه سازی ازدحام ذرات (PSO)و الگوریتم جستجوی گرانشی (GSA) استفاده شد. پایگاه داده ای متشکل از گزارشات و آزمایشات تجربی-میدانی موجود در مقالات و مرور ادبیات موضوعی جهت مدلسازی، توسعه و تحلیل سیستم برای تخمین ظرفیت باربری شمع ها جمع آوری شد. پارامترهای ورودی موثر بر مدلسازی و تحلیل ظرفیت شمع شامل شماره فلپ، ویژگیهای خاک اطراف شمع، ویژگیهای هندسی شمع، و زوایای اصطکاک داخلی رابط بین شمع و خاک در نظر گرفته شدند. سپس کارایی شبکه هیبریدی NF-GMDH در مراحل آموزش و آزمایش مدل مورد ارزیابی قرار گرفت؛ نشان داده شد استفاده از الگوریتم PSO در ساختار مدل ترکیبی NF-GMDH عملکرد مدل را بطور قابل توجهی بهبود بخشید و به سطح بالایی از دقت از نظر شاخص های آماری متداول (RMSE=۱۳۷۵ and SI=۰.۲۵۵) در پیشبینی ظرفیت باربری نهایی شمع در مقایسه با مدل NF-GMDH توسعهیافته توسط الگوریتم (RMSE=۱۷۴۰.۷ and SI=۰.۳۵۷) GSA دست یافت. علاوه بر این، بر اساس نتایج بهدست آمده، شبکه های NF-GMDH توسعه یافته با روش های فرا ابتکاری عملکرد نسبتا بهتری در مقایسه با روشهای برنامه نویسی بیان ژن (GEP) و مدل روش رگرسیون خطی (LRM) استفاده شده در تحقیقات گذشته در این مطالعه از خود نشان دادند.

کلیدواژه ها:

شمع های کوبشی (فونداسیون های عمیق) ، ظرفیت باربری نهایی شمع ، سیستم عصبی-فازی (NF) ، روش گروهی دسته بندی داده ها (GMDH) ، الگوریتم جستجوی گرانشی (GSA) و بهینه سازی ازدحام ذرات (PSO)