بررسی کارایی تلفیق الگوریتم ذرات و شبکه عصبی مصنوعی جهت پیش بینی پتانسیل تورم خاک های متورم شونده

پیش بینی دقیق رفتار تورمی خاک های کسترده همچنان یک چالش مداوم در مهندسی ژئوتکنیک است. خاک های گسترده حاوی مواد معدنی رسی مانند مونتموریلونیت هستند که رطوبت قابل توجهی را جذب می کنند، که منجر به تغییر حجم یا تورم قابل توجهی می شود که به ساختارها آسیب می رساند. این مطالعه با استفاده از روش های محاسباتی نرم برای پیش بینی پتانسیل تورم خاک های گسترده مورد بررسی قرار گرفت. دو نوع شبکه عصبی مصنوعی (ANN) توسعه داده شد یک ANN استاندارد و دیگری یکپارچه شده با بهینه سازی ازدحام ذرات (PSO) به عنوان ANN-PSO این مدل های مبتنی بر داده ها بر روی داده های تجربی مربوط به پارامترهای کلیدی موثر بر تورم در خاک های گسترده آموزش داده شدند. نتایج نشان داد که مدل ANN-PSO پیش بینی های قابل توجهی بهبود درصد تورم و فشار تورم را در مقایسه با مدل مستقل ANN ارائه می کند. رویکرد ANN-PSO مطابقت عالی با داده های آزمایش آزمایشگاهی ایجاد کرد. به طور کلی، هر دو روش شبکه عصبی تکنیک های مدل سازی مفیدی برای پیش بینی تورم گسترده خاک به عنوان جایگزینی سریع و کم هزینه برای آزمایش های فیزیکی هستند. یکپارچه سازی ANN-PSO با بهینه سازی معماری شبکه و وزن ها، قابلیت های پیش بینی پیشرفته تری را نشان داد. با اصلاح بیشتر، این تکنیک های مدل سازی محاسباتی پیشرفته نوید بخش توسعه ابزاهای پیش بینی تورم قابل اعتمادتر است. این می تواند به مهندسان ژئوتکنیک در تجزیه و تحلیل و طراحی سازه ها بر روی رسوبات خاک متورم کمک کند. این مدل ها جایگزین ارزان قیمتی برای آزمایش های آزمایشگاهی پر هزینه هستند. به طور خلاصه، این مطالعه قابلیت استفاده از یادگیری ماشینی بهینه را برای مدل سای بهبود رفتار تورم خاک گسترده نشان داد. روش پیشرفته ANN-PSO پتانسیل خاصی را برای پیش بینی دقیق تورم نشان می دهد.

کلیدواژه ها:

خاک های متورم شونده ، بهسازی خاک ، شبکه عصبی ، الگوریتم بهینه یابی اجتماع ذرات