توسعه یک چارچوب هوش مصنوعی ترکیبی جهت ارزیابی پتانسیل روانگرایی و نشست پی‌های سطحی: مطالعه موردی شهر اردبیل

رامین قنبری بودالالو¹

1) دانشجوی دکتری مهندسی عمران ژئوتکنیک

کد IOI مقاله : ABZE-ABGKAH
محل انتشار : پنجمین کنگره بین المللی مهندسی عمران ، معماری ، مصالح ساختمانی و محیط زیست(caucong.com)
چکیده :
    روانگرایی خاک و نشست‌های متعاقب آن در طول زلزله، از مخرب‌ترین پدیده‌های ژئوتکنیکی هستند که زیرساخت‌های شهری را تهدید می‌کنند. روش‌های تجربی سنتی (مانند روش‌های مبتنی بر SPT و CPT) به دلیل ماهیت تجربی و ساده‌سازی روابط، در مواجهه با لایه‌بندی‌های پیچیده و ناهمگن خاک دارای عدم قطعیت بالایی هستند. در این پژوهش، یک چارچوب نوین و هوشمند مبتنی بر ترکیب الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی عمیق شامل شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF) و شبکه حافظه طولانی کوتاه-مدت (LSTM)، بهینه‌سازی شده با الگوریتم‌های فرابتکاری ژنتیک (GA) و تجمع ذرات (PSO) جهت پیش‌بینی پتانسیل روانگرایی و نشست پی‌های سطحی توسعه یافته است. بدین منظور، یک پایگاه داده جامع شامل اطلاعات ۲۰۰ گمانه ژئوتکنیکی در مناطق مرکزی و جنوبی شهر اردبیل (شامل آزمایش‌های SPT، CPT و سرعت موج برشی V_s) همراه با شتاب‌نگاشت‌های زلزله منطقه گردآوری شد. پارامترهای ورودی مدل شامل عدد SPT اصلاح‌شده (N1,60)، مقاومت نوک مخروط (q_c)، درصد ریزدانه (FC)، عمق سطح آب زیرزمینی (GWT) و بیشینه شتاب زمین (PGA) است. خروجی‌های مدل شامل ضریب اطمینان روانگرایی (FS)، شاخص پتانسیل روانگرایی (LPI) و میزان نشست پی سطحی می‌باشند. نتایج ارزیابی مدل‌های ترکیبی پیشنهاد شده (مانند RF-LSTM و ANN-PSO) و مقایسه آن‌ها با روش‌های کلاسیک تجربی و مدل‌سازی‌های عددی پیشرفته (PLAXIS/FLAC)، نشان‌دهنده دقت بسیار بالا (R^2 > 0.92) و کاهش چشمگیر خطای بالینی (RMSE) در مدل‌های هوش مصنوعی ترکیبی است. این چارچوب می‌تواند به عنوان ابزاری کارآمد در ریزپهنه‌بندی خطر روانگرایی و مدیریت بحران شهری مورد استفاده قرار گیرد.

کلمات کلیدی : روانگرایی خاک نشست پی سطحی هوش مصنوعی ترکیبی جنگل تصادفی ریزپهنه‌بندی ژئوتکنیکی اردبیل