پیش‌بینی مدول برجهندگی خاک‌ های ریزدانه با استفاده از شبکه عصبی مصنوعی، ماشین بردار پشتیبان و سیستم استنتاج تطبیقی عصبی- فازی بهینه‌سازی‌شده با الگوریتم ازدحام ذرات

مدول برجهندگی خاک بستر ازجمله پارامترهای بسیار مهم در تحلیل و طراحی روسازی‌ است. این پارامتر هم در روش‌های تجربی (مانند اشتو 1993) و هم در روش‌های مکانیستیک- تجربی (مانند mepdg) به عنوان اصلی‌ترین پارامتر برای بیان مقاومت و خصوصیات مکانیکی خاک بستر مورداستفاده قرار می‌گیرد. برای تعیین این پارامتر نیاز است تا آزمایش بارگذاری سه محوری دینامیک تحت تنش‌های محدود‌کننده و تنش‌های انحرافی مختلف بر روی خاک انجام شود که انجام این آزمایش‌ها بسیار وقت‌گیر و پرهزینه است. در این مقاله عملکرد سه روش ترکیبی هوش محاسباتی شامل شبکه عصبی مصنوعی بهینه‌سازی شده با الگوریتم ازدحام ذرات (annpso)، ماشین بردار پشتیبان بهینه‌سازی شده با الگوریتم ازدحام ذرات (svmpso) و سیستم استنتاج تطبیقی عصبی- فازی بهینه‌سازی شده با الگوریتم ازدحام ذرات (anfispso) به‌منظور پیش‌بینی مدول برجهندگی مصالح خاک بستر ریزدانه مورد ارزیابی قرار گرفته است و نتایج این سه روش با یکدیگر مقایسه گردیده‌ است. در کلیه این مدل‌ها درصد عبوری از الک نمره 200، حد روانی، شاخص خمیری، درصد رطوبت بهینه، درصد رطوبت، درجه اشباع، مقاومت فشاری تک‌محوری، تنش محدودکننده و تنش انحرافی به عنوان ورودی و مدول برجهندگی به عنوان پارامتر خروجی در نظر گرفته شد. نتایج این تحقیق نشان می‌دهد که روش annpso بیش‌ترین دقت را در پیش‌بینی مدول برجهندگی خاک‌های ریزدانه فراهم می‌سازد. ضریب رگرسیون حاصل از این روش برای مجموع کل داده‌ها برابر با 0/992 است و این روش در اکثر موارد مقدار مدول برجهندگی را با درصد خطای کمتر از 20 درصد پیش‌بینی می‌کند. ضریب رگرسیون حاصل از دو روش svmpso وanfispso به ترتیب برابر با  0/989 و 0/951 است. نتایج این تحقیق همچنین نشان داد که درصد مصالح عبوری از الک نمره 200 بیشترین تاثیر و پارامتر تنش انحرافی کمترین تاثیر را بر روی مدول برجهندگی مصالح خاکی ریزدانه دارند.

Prediction of Finegrained Soils Resilient Modulus using Hybrid ANNPSO, SVMPSO and ANFISPSO Methods

Resilient modulus of subgrade soil is one of the most important parameters in terms of pavement analysis and design. This parameter is used for design of pavement structure based on both empirical (e.g. AASHTO 1993) and mechanisticempirical methods (e.g. MEPDG). In order to determine resilient modulus, dynamic triaxial loading test should be conducted at different confining and deviator stresses on the soil samples and conducting such a test is very time consuming and costly. This paper aims to evaluate three hybrid neurocomputing methods including Artificial Neural NetworkParticle Swarm Optimization (ANNPSO), Support Vector MachineParticle Swarm Optimization (SVMPSO) and Adaptive neuroFuzzy Inference SystemParticle Swarm Optimization (ANFISPSO) for predicting resilient modulus of finegrained soils. Input parameters in all of these models were considered as particles passing #200 sieve, liquid limit, plastic index, moisture content, optimum moisture content, degree of saturation, unconfined compression strength, confining stress, and deviator stress and output was assumed as resilient modulus of soil. Results show that ANNPSO method has the highest accuracy in comparison with other methods. Coefficient of determination (R2) for ANNPSO method was determined as 0.992 in case of overall dataset and in most cases the prediction error of resilient modulus using this method was less than 20%. Coefficient of determination for SVMPSO method and ANFISPSO method were determined as 0.989 and 0.951, respectively. Results of this study also showed that the input parameter of particles passing #200 sieve has maximum influence on the resilient modulus of fine grained soil materials while the deviator stress has minimum impact on the resilient modulus of this type of materials.