طراحی به کمک یادگیری ماشین برای خاکهای تثبیتشده با ژئوپلیمر: مدلسازی پیشبینیکننده، عوامل مؤثر کلیدی و جهتگیریهای تحقیقاتی آینده
طراحی به کمک یادگیری ماشین برای خاکهای تثبیتشده با ژئوپلیمر: مدلسازی پیشبینیکننده، عوامل مؤثر کلیدی و جهتگیریهای تحقیقاتی آینده
ملیحه عصمتی1 مهدی ذبیحی ثانی شهر کهنه2 آرمین حاتمی راد3
1) ۱. دانشجوی کارشناسی ارشد مهندسی عمران، دانشگاه سمنان، سمنان، ایران،
2) ۲. کارشناسی ارشد ژئوتکنیک، دانشگاه آزاد اسلامی مشهد،
3) ۳. دانشجوی کارشناسی ارشد مهندسی عمران، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران
کد IOI مقاله
:
ABEB-ABHZFA
محل انتشار :
چهارمین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com)
چکیده :
تثبیت خاکهای مسئلهدار یک عمل اساسی در مهندسی ژئوتکنیک است که با هدف بهبود عملکرد مکانیکی و دوام طولانیمدت مصالح ضعیف زمین انجام میشود. در سالهای اخیر، چسبهای ژئوپلیمری تولید شده از طریق فعالسازی قلیایی پیشسازهای آلومینوسیلیکات مانند خاکستر بادی، سرباره کوره بلند دانهبندی شده و متاکائولن به عنوان جایگزینهای پایدار برای تثبیتکنندههای مرسوم مانند سیمان پرتلند و آهک ظهور کردهاند. این مواد مزایای زیستمحیطی قابل توجهی از جمله کاهش انتشار کربن و استفاده مجدد مفید از محصولات جانبی صنعتی را ارائه میدهند. با این حال، رفتار مهندسی خاکهای تثبیتشده با ژئوپلیمر تحت تأثیر پارامترهای تعاملی متعددی از جمله ترکیب پیشساز، غلظت فعالکننده، شرایط عملآوری، دوز چسب و کانیشناسی خاک قرار دارد. روابط پیچیده و غیرخطی بین این متغیرها، کاربرد تکنیکهای یادگیری ماشین (ML) را برای پیشبینی و بهینهسازی عملکرد خاکهای تثبیتشده برانگیخته است. این مقاله مروری جامع بر پیشرفتهای اخیر در طراحی خاکهای تثبیتشده با ژئوپلیمر به کمک یادگیری ماشین ارائه میدهد. مدلهای پیشبینی مختلف، از جمله شبکههای عصبی مصنوعی (ANN)، ماشینهای بردار پشتیبان (SVM)، جنگل تصادفی (RF)، الگوریتمهای تقویت گرادیان و رویکردهای ترکیبی دادهمحور، از نظر تواناییشان در تخمین خواص کلیدی ژئوتکنیکی مانند مقاومت فشاری تکمحوری، نسبت باربری کالیفرنیا و شاخصهای دوام، به طور انتقادی بررسی شدهاند. تأثیر متغیرهای ورودی و تحلیلهای اهمیت ویژگی گزارششده در مقالات نیز مورد بحث قرار گرفته است. علاوه بر این، این مطالعه عملکرد مدل، الزامات داده و محدودیتهای فعلی مرتبط با چارچوبهای پیشبینی مبتنی بر یادگیری ماشین را ارزیابی میکند. در نهایت، جهتگیریهای تحقیقاتی آینده برای ارتقای ادغام یادگیری ماشین با فناوریهای پایدار بهسازی زمین و افزایش قابلیت اطمینان ابزارهای پیشبینی در عمل مهندسی ژئوتکنیک پیشنهاد شده است.
کلمات کلیدی : خاک تثبیتشده با ژئوپلیمر یادگیری ماشین در مهندسی ژئوتکنیک مدلسازی پیشبینیکننده چسبهای فعالشده با قلیا تثبیت پایدار خاک