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

تخمین عمق آبشستگی پایه‌های پل با استفاده از روش‌های آماری و الگوریتم‌های هوشمند سیدمرتضی سیدیان؛ ابوالحسن فتح آبادی تخمین دقیق عمق آبشستگی اطراف پایه­های پل در کارهای مهندسی حائز اهمیت می­باشد. به دلیل پیچیدگی این پدیده بسیاری از روابط موجود قادر نمی­باشند عمق آبشستگی را با دقت قابل قبولی پیش­بینی نمایند. در این تحقیق ابتدا 17 رابطه تخمین عمق آبشستگی با داده­های میدانی مقایسه شدند و رابطـه فروهلیچ 1991 به عنوان بهترین رابطه انتخاب گردید. سپس با استفاده از روش­های ترکیبی میانگین (C-SAM)، رگرسیــون خطــی (C-REG) و ماشین بردار پشتیبان (C-SVM) 5 رابطه تخمین عمق آبشستگی (شن، فروهلیچ، فروهلیچ اصلاح شده، بلنچ I و اینگلیس II) که دارای کمترین خطا بودند با یکدیگر ترکیب شدند. مقایسه در مرحله صحت­سنجی نشان داد نتایج C-SAM به دلیل این­که از میانگین روابط استفاده می­نماید، تفاوتی با رابطه فروهلیچ ندارد؛ اما C-REG و به ویژه C-SVM توانسته­اند نتایج را بهبود بخشند. C-SVM توانسته ضریب همبستگی و خطای RMSE رابطه فروهلیچ را به ترتیب از 59/0 به 85/0 و از 63/0 به 42/0 تغییر دهد. با استفاده از SVM عمق آبشستگی با استفاده از پارامترهای مؤثر بر آبشستگی (P-SVM) بررسی گردید. نتایج نشان دادند دقت P-SVM قابل قبول است. دقت P-SVM با ضریب همبستگی 77/0 و خطای RMSE 51/0 بین دو روش C-REG و C-SVM قرار دارد. در این تحقیق نشان داده شد ترکیب روابط تجربی با استفاده از تکنیک SVM دارای بیشترین دقت و ترکیب پارامترهای مؤثر بر آبشستگی در رتبه دوم قرار دارد. همچنین نتایج این تحقیق نشان دادند SVM با استفاده از هوش مصنوعی می­تواند پدیده آبشستگی را با دقت بیشتری نسبت به روابط تجربی شبیه­سازی نماید. Estimation of Bridge Pier Scour Using Statistical Methods and Intelligent Algorithms منبع دانلود CEEJ51851471807800.pdf

LEAST SQUARES SUPPORT VECTOR MACHINE FOR CONSTITUTIVE MODELING OF CLAY X. Zhou and J. Shen Abstract Constitutive modeling of clay is an important research in geotechnical engineering. It is difficult to use precise mathematical expressions to approximate stress-strain relationship of clay. Artificial neural network (ANN) and support vector machine (SVM) have been successfully used in constitutive modeling of clay. However, generalization ability of ANN has some limitations, and application of SVM in large scale function approximation problems is limited during optimization. In this paper, least squares support vector machine (LSSVM) is proposed to simulate stress-strain relationship of clay. LSSVM is a robust type of SVM, maintains the good features of SVM and also has its own unique advantages. LSSVM offers an effective alternative for mimicking constitutive modeling of clay. The good performance of the LSSVM models is demonstrated by learning and prediction of constitutive relationship of Fujinomori clay under undrained and drained conditions. In the present study, three versions of LSSVM models are built by considering more history points. The results prove that the LSSVM based models are superior to Modified Cam-clay model. Keywords Constitutive modeling, Artificial neural network (ANN), Support vector machine (SVM), Least squares support vector machine (LSSVM), Fujinomori clay چکیده مدل سازی ساختاری خاک رس از جمله تحقیقات مهم در مهندسی ژئوتکنیک است. استفاده از عبارات دقیق ریاضی برای تخمین رابطه تنش-کرنش خاک رس دشوار است. شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) با موفقیت در مدل سازی ساختاری خاک رس استفاده شده اند. با این حال، توانایی تعمیم شبکه عصبی با برخی از محدودیتها روبروست و استفاده از SVM در مسائل تقریب تابع در مقیاس بزرگ در طول بهینه سازی محدود است. در این مقاله، حداقل مربعات ماشین بردار پشتیبانی (LSSVM) برای شبیه سازی رابطه تنش-کرنش خاک رس پیشنهاد شده است. LSSVM یک نوع قوی از SVM است که ویژگی های خوب SVM را حفظ کرده و همچنین دارای مزایای منحصر به فرد خود است. LSSVM جایگزین موثری برای تقلید مدل سازی ساختاری خاک رس ارائه می دهد. عملکرد خوب مدل LSSVM با یادگیری و پیش بینی رابطه ساختاری خاک رس Fujinomori تحت شرایط زهکشی نشده و خشک نشان داده می‌شود. در مطالعه حاضر، سه نسخه از مدل LSSVM با در نظر گرفتن نقاط تاریخی بیشتر ساخته شده است. نتایج ثابت می‌کند که مدل های بر اساس LSSVM نسبت به مدل بادامک خاک رس اصلاح شده برتری دارند. منبع دانلود 28-11-4.pdf