ارزیابی دادههای روانگرایی مبتنی بر یادگیری عمیق
ارزیابی دادههای روانگرایی مبتنی بر یادگیری عمیق
شیما آقاکثیری1 محمد امامی کورنده2 قدرت الله محمدی3 امیر تابان4
1) . دانشجوی دکتری مهندسی ژئوتکنیک، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران. رایانامه:
2) استادیار، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران. رایانامه:
3) استادیار، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران. رایانامه:
4) استادیار، گروه مهندسی عمران، واحد خرمآباد، دانشگاه آزاد اسلامی، تهران، ایران. رایانامه:
کد IOI مقاله
:
XKHB-AAAAEH
محل انتشار :
کنفرانس سالانه معماری، شهرسازی، هنر، طراحی صنعتی، ساخت و فناوری حکمت بنیان(icahu.com)
چکیده :
از مخاطرات بعد از به وقوع پیوستن زمینلرزهها میتوان به آتشسوزی، سیل، رانش زمین و روانگرایی چرخهای اشاره کرد. در میان این مخاطرات متعدد، روانگرایی چرخهای آسیب شدیدی را به محیط ساختهشده وارد کرده است. بهطور سنتی، استنباطهای تحلیلی متعددی برای پیشبینی روانگرایی خاک انجامشده است. بااینحال، استفاده از روشهای یادگیری ماشین برای ایجاد روابط غیرخطی خصوصیات فیزیکی خاک و توسعه یک مدل طبقهبندی دقیق ضروری است. در این مطالعه، کاربرد 4 الگوریتم مختلف یادگیری ماشین مانند: شبکه بیزین، درخت تصمیم، رگرسیون لجستیک و شبکه فازی بر روی مجموعه دادههای بهدستآمده از آزمایشهای صحرایی (آزمایش نفوذ مخروط) روی خاکهای مناطق شمالی کشور موردبررسی قرار گرفتند. معیارهای عملکردی مانند دقت، صحت، فراخوانی مجدد و معیار ترکیبی در الگوریتمهای مورداستفاده ارزیابیشدهاند. درنتیجه مطالعات بهدستآمده، الگوریتم درخت تصمیم بهترین عملکرد را بر روی مجموعه داده با دقت کلی 92 % داشت. درنتیجه مطالعه، درروش درخت تصمیم مشاهده شد که در ویژگیهای خاکهای موردبررسی، متوسط اندازه دانه (D50) بیشترین تأثیر را بر پتانسیل روانگرایی دارد.
کلمات کلیدی : ارزیابی روانگرایی یادگیری عمیق شبکه فازی رگرسیون لجستیک شبکه بیزین درخت تصمیم