توسعه جدید ANFIS-GMDH بهینه شده توسط PSO برای پیش بینی ظرفیت باربری شمع بر اساس مجموعه داده های تجربی
توسعه جدید ANFIS-GMDH بهینه شده توسط PSO برای پیش بینی ظرفیت باربری شمع بر اساس مجموعه داده های تجربی
هومن هرندی زاده1 محمد محسن توفیق2
1) فارغ التحصیل دکترای مهندسی عمران، بخش مهندسی عمران، دانشگاه شهید باهنر کرمان، ایران
2) استاد بخش مهندسی عمران، دانشگاه شهید باهنر کرمان، ایران
محل انتشار :
اولین کنفرانس هوش مصنوعی و پردازش هوشمند(aisc2022.semnan.ac.ir)
چکیده :
پیشبینی ظرفیت باربری نهایی شمع با کمک نتایج تجربی میدانی از طریق تکنیکهای هوش مصنوعی (AI) یکی از مهمترین و پیچیدهترین مسائل در تحلیل و طراحی شمع است. هدف از این تحقیق توسعه مدلهای پیشبینی هوش مصنوعی جدید برای پیشبینی ظرفیت باربری شمع است. اولین مدل پیشبینی بر اساس ترکیب سیستم استنتاج عصبی فازی تطبیقی (ANFIS) و ساختار گروهی مدیریت دادهها (GMDH) بهینهسازی شده توسط الگوریتم بهینهسازی ازدحام ذرات (PSO) به نام مدل ANFIS-GMDH-PSO ایجاد شد. مدل دوم به عنوان روش گروهی نوع شبکه عصبی چند جمله ای فازی مدل مدیریت داده (FPNN-GMDH) معرفی شد. پایگاه داده شامل ویژگیهای مختلف شمع و ویژگیهای خاک، جمعآوریشده از ادبیات شامل CPT و نتایج آزمایش بارگذاری شمع است که برای فرآیند آموزش و آزمایش مدلهای توسعهیافته اعمال میشود. همچنین یک مدل شبکه عصبی مصنوعی رایج (ANN) به عنوان مدل مرجع برای مقایسه و تأیید بین مدلهای توسعهیافته ترکیبی برای پیشبینی استفاده شد. نتایج مدلسازی نشان داد که مدل ANFIS-GMDH بهبودیافته عملکرد نسبتاً بالاتری را در مقایسه با مدلهای ANN و FPNN-GMDH از نظر دقت و سطح پایایی بر اساس شاخصهای عملکرد آماری استاندارد مانند ضریب همبستگی (R)، میانگین مربعات خطا، ریشه میانگین مربع خطا و خطا مقادیر انحراف استاندارد به دست آورد.
کلمات کلیدی :
ظرفیت باربری نهایی شمع · فونداسیون عمیق · مدل ANFIS–GMDH–PSO · الگوریتم PSO · مدل FPNN– GMDH · شبکه GMDH