| بررسی خاک های روانگرای ماسه ای مبتنی بر یادگیری عمیق |
| کد مقاله : 1106-NAEC |
| نویسندگان |
|
شیما آقاکثیری *1، ساناز آقاکثیری2، سعید فرخی زاده3، محمد امامی کورنده3 1Ph.D. Candidate, student in Geotechnical Engineering, Department of Civil Engineering, South Tehran Branch, Islamic Azad University, Tehran, iran. 2دانش آموخته ارشد راه و ترابری دانشگاه صنعتی نوشیروانی بابل، مازندران، ایران. 3استادیار، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران. |
| چکیده مقاله |
| در این مطالعه به بررسی الگوریتم‌های مختلف یادگیری عمیق (Deep Learning) مانند شبکه فازی و نزدیک ترین در پیش‌بینی روانگرایی و یا عدم روانگرایی خاک پرداخته شده است. از آن جایی که روانگرایی خاک، سبب آسیب شدید به زیر ساخت ها، شریان های حیاتی می گردد، پیش بینی این موضوع امری مهم و ضروری می باشد. پیش بینی روانگرایی و عدم روانگرایی خاک موضوع این تحقیق می باشد که در آن از مقایسه 2 روش یادگیری استفاده شد. این مدل‌ها با استفاده از چندین ورودی مدل و یک خروجی (یعنی روانگرایی خاک/ عدم روانگرایی خاک) در شرایط زلزله ای با بزرگای 7.8 ساخته شد. عملکرد روانگرایی یا عدم روانگرایی مدل مبتنی بر داده‌های CPT (Cone Penetration Test) با استفاده از دقت (%) در 3 حالت روانگرا، غیر روانگرا و حالت کلی ماتریس‌های سردرگمی و نمودار (receiver operating characteristic) ROC ارزیابی شد. برای بررسی روانگرایی خاک، از مدل‌های پیشنهادی (مانند: نزدیک ترین همسایگی K-Nearest Neighbors (KNN) و شبکه فازی Fuzzy) استفاده گردید. |
| کلیدواژه ها |
| بررسی روانگرایی، یادگیری عمیق، نزدیک ترین همسایه، شبکه فازی |
| وضعیت: پذیرفته شده |
