جستجو در تالارهای گفتگو

پیش‌بینی ظرفیت باربری جانبی شمع‌ها در خاک‌های رسی با استفاده از ماشین بردار پشتیبان علیرضا اردکانی؛ وحیدرضا کوهستانی چکیده پیش‌بینی ظرفیت باربری شمع‌های تحت بار جانبی یکی از مسائل اساسی در مهندسی ژئوتکنیک است و تاکنون روش‌های متفاوتی برای ارزیابی آن ارائه شده است. ماشین بردار پشتیبان (SVM) یک روش نسبتاً جدید هوش مصنوعی است که در بسیاری از مسائل ژئوتکنیکی به طور موفقیت‌آمیزی مورد استفاده قرار گرفته است. این مقاله کاربرد مدل SVM برای پیش‌بینی ظرفیت باربری جانبی شمع‌ها در خاک‌های رسی را شرح می‌دهد. از نتایج مدل‌های کوچک مقیاس آزمایشگاهی شمع‌های صلب در خاک‌های رسی با پارامترهای ورودی قطر شمع (D)، طول مدفون شمع (L)، خروج از مرکز بار (e) و مقاومت برشی زهکشی‌نشده خاک (Su) برای توسعه و ارزیابی مدل استفاده شده است. ظرفیت باربری جانبی پیش‌بینی‌شده توسط مدل پیشنهادی با نتایج حاصل از مدل شبکه عصبی مصنوعی (ANN) و همچنین روش‌های تحلیلی Broms و Hansen مقایسه شده است. نتایج نشان از کارایی بهتر مدل SVM نسبت به روش‌های مذکور دارد. این مطالعه نشان می‌دهد که روش SVM یک ابزار جایگزین برای مهندسین ژئوتکنیک به منظور پیش‌بینی ظرفیت باربری جانبی شمع‌ها ارائه می‌دهد. Prediction of Lateral Bearing Capacity of Pile in Clay Using Support Vector Machine منبع دانلود CEEJ_Volume 47.2_Issue 87_Pages 1-10.pdf

استفاده از مدل هوش مصنوعی مرکب نظارت شده برای پیش‌بینی سطح آب زیرزمینی عطاالله ندیری؛ فاطمه واحدی؛ اصغر اصغری مقدم؛ علی کدخدایی منابع آب زیرزمینی از مهم­ترین منابع تأمین آب هستند، لذا مدل­سازی آن­ها حائز اهمیت می­باشد. در این میان مطالعه و بررسی نوسانات سطح آب زیرزمینی از نظر مطالعات مدیریتی، ایجاد سازه­های مهندسی، مصارف کشاورزی و حصول آب­های زیرزمینی با کیفیت بالا از اهمیت بالایی برخوردار است. عمده تقاضا برای آب شرب و کشاورزی در دشت مشگین­شهر نیز از طریق آب زیرزمینی تأمین می­شود. در این تحقیق چهار مدل هوش مصنوعی که عبارتند از شبکه عصبی پیشرو، شبکه عصبی برگشتی، منطق فازی ساگنو و ماشین­بردار پشتیبان برای پیش­بینی سطح آب زیرزمینی استفاده شدند. با توجه به نزدیک بودن نتایج به دست آمده و با توجه به این مسئله که مدل­های مختلف در مراحل مختلف مدل­سازی نتایج متفاوتی ارائه دادند، انتخاب یکی از مدل­ها به عنوان مدل منتخب معقول به نظر نمی­رسید. لذا از ترکیب غیر خطی این چهار مدل که مدل هوش مصنوعی مرکب نظارت شده نامیده می­شود، برای ترکیب نتایج این مدل­ها استفاده شد تا نتایج به دست آمده تقویت شده و از توانایی مدل­های مختلف به طور هم­زمان استفاده شود. به منظور ارزیابی کارایی و دقت مدل­ها در پیش­بینی، از دو معیار مختلف RMSE و R2 استفاده شد. نتایج نشان دادند که مدل SCMAI با مقادیر R2 برابر 85/0 و 90/0 به ترتیب برای پیزومترهای شماره 1 و 22 در مرحله آموزش بهترین پیش­بینی را نسبت به هر کدام از چهار مدل منفرد هوش مصنوعی ارائه کرده است. همچنین مدل SCMAI توانست RMSEE پیش­بینی را تا 9% درصد برای پیزومتر شماره یک و 17% درصد برای پیزومتر شماره دو کاهش دهد. Supervised Intelligent Committee Machine Method for Groundwater Level Prediction منبع دانلود CEEJ56041479673800.pdf