مقایسه الگوریتم‌های مختلف یادگیری ماشین برای تخمین مقاومت فشاری تک‌محوری خاک رس تثبیت‌شده با سیمان و خاکستر آتشفشانی

یکی از چالش‌های ساخت‌و‌ساز روی خاک‌های رسی ضعیف، مقاومت فشاری کم و نشست‌پذیری زیاد خاک است؛ ازاین‌رو مهندسان ژئوتکنیک همواره سعی در بهبود مشخصات این نوع خاک با استفاده از روش‌های مختلف تثبیت خاک دارند. برآورد کارایی روش‌های مختلف تثبیت خاک، مستلزم انجام دادن آزمایش‌های متعدد است که فرایندی زمان‌بر و هزینه‌بر است. در این مقاله به بررسی روش‌های مختلف یادگیری ماشین ازجمله رگرسیون خطی، شبکه عصبی پرسپترون چندلایه (mlp)، k نزدیک‌ترین همسایه، تخمین‌گر ماشین بردار پشتیبان (svr)، درخت تصمیم، جنگل تصادفی و تقویت گرادیان در تخمین میزان مقاومت فشاری تک‌محوری خاک پرداخته می شود. برای این منظور از نتایج آزمایش نمونه‌های خاک رس تثبیت شده با استفاده از دو نوع پوزولان‌ در شرایط عمل‌آوری مختلف استفاده شد. متغیرهای موثر ورودی الگوریتم‌های یادگیری ماشین شامل زمان و شرایط عمل‌آوری، ملاریته فعال‌ساز قلیایی، نسبت وزنی پوزولان مورد استفاده در خاک رس، نوع پوزولان و نسبت وزنی فعال‌ساز به میزان رطوبت بهینه هستند. جهت بهینه‌سازی و تسریع عملکرد الگوریتم‌ها، تنظیم ابرپارامترها با روش جستجوی مشبک انجام شد. علاوه‌براین به‌منظور کاهش تغییرپذیری نتایج هنگام تقسیم بندی داده‌ها به مجموعه آموزشی- آزمایشی از روش اعتبارسنجی متقابل ده‌تایی استفاده و عملکرد الگوریتم‌ها با سه معیار متوسط مربعات خطا، ضریب تبیین و میانگین قدرمطلق خطا بررسی شد. با توجه به نتایج بسیار نزدیک به‌کارگیری روش‌های svr و mlp، این دو روش برای برآورد مقاومت تک‌محوری خاک مورد مطالعه پیشنهاد می‌شوند. همچنین تحلیل حساسیت مدل‌ها بیانگر این است که متغیرهای ورودیِ پوزولان، ملاریته و زمان عمل‌آوری به‌ترتیب بیشترین درجه اهمیت را در پیش‌بینی مقاومت فشاری دارند.

comparison of various machine learning algorithms for estimation of uniaxial compressive strength of cement and volcanic ash stabilized clay

one of the challenges in construction on poor clay soils is their low compressive strength and high settlement. therefore, geotechnical engineers are always trying to improve the characteristics of this type of soil using different soil stabilization methods. estimation of the efficiency of different soil stabilization methods requires numerous experimental tests, which can be time-consuming and costly. this article examines the performance of various machine learning methods, including linear regression (lr), multilayer perceptron neural network (mlp), k-nearest neighbor, support vector machine regressor (svr), decision tree, random forest, and gradient boosting machine in estimating the unconfined compressive strength of stabilized clay soil using two types of pozzolans under different curing conditions. the input variables for the machine learning algorithms include time and curing conditions, the molarity of the alkaline activator, the binder replacement, the type of pozzolan, and ratio of the activator to the optimal moisture content. to optimize and speed up the performance of the algorithms, hyperparameter tuning was performed using a grid search method. in addition, to reduce the variability of the results with respect to data division into training and testing sets, a 10-fold cross-validation method was used. the performance of the algorithms was evaluated using three criteria, namely mean square error, coefficient of determination, and mean absolute percentage error. given the very close results of the svr method to the mlp method, these algorithms can be confidently recommended for the estimation of ucs of the studied soil. moreover, based on the performance evaluation criteria, the linear regression method has the worst results among the models used on the experimental data. also, the sensitivity analysis of the models shows that, in order of preference, the input variables of binder replacement, molarity and curing time have the highest effect on the predicted compressive strength. the results of parametric analysis represent that by increasing the curing time, for both types of binders, namely cement and volcanic ash, uniaxial compressive strength increases. in addition, by increasing the percentage of binders under the optimum water condition, the uniaxial strength of soil increases, while in dry condition with increasing the binder replacement, for volcanic ash stabilized soil, the ucs decreases and for cement stabilized soil it fluctuates. it is observed that the compressive strength has a direct relationship with the amount of molarity. the results indicate also that by increasing the alkali activator/optimum water content up to 1.2, for the curing time of 28 days, the compressive strength increases and then it will be constant.