تخمین مهمترین پارامتر ژئومکانیکی خاک‌های غیراشباع با بکارگیری روش‌های مختلف هوش مصنوعی

در پیش‌بینی رفتار سازه‌‌های ژئوتکنیکی که بر خاک‌های غیر اشباع احداث می‌شوند، دانستن خواص ژئومکانیکی به‌ویژه تنش موثر از اهمیت ویژه‌ای برخوردار است. تاثیر مکش در خاک های غیراشباع موجب تغییر در رفتار حجمی و برشی خاک می‌شود. از این رو در تعیین مقاومت برشی در خاک‌های غیراشباع، پارامتر تنش موثر (χ) به‌عنوان تابعی از مکش نقش اساسی دارد. تعیین این پارامتر نیازمند زمان و هزینه زیادی است که در آزمون‌های آزمایشگاهی صرف می‌شود. هدف از این تحقیق ارزیابی چند روش هوشمند برای ایجاد مدل‌هایی است که از طریق غیرمستقیم پارامتر χ را به‌طور دقیق تخمین بزند. بدین منظور از 120 داده (که از نتایج آزمایش‌های سه محوره، برشی، صفحه فشار و کاغذ فیلتر است) و روش‌های هوشمند جنگل تصادفی، ماشین بردار پشتیبان و نزدیک‌ترین همسایگی در نرم‌افزار هوشمند weka استفاده شده‌است. نتایج نشان می‌دهد که مدل‌های توسعه یافته توسط سه روش هوشمند جنگل تصادفی، ماشین بردار پشتیبان و نزدیک‌ترین همسایگی، از عملکرد و دقت بسیار خوبی برخوردار هستند. اما مدل جنگل تصادفی در ارزیابی بر روی داده‌های آزمون با r2=0.918 و rmse=0.079، بهتر از دو مدل دیگر است. به‌علاوه در این تحقیق آنالیز حساسیت به‌منظور تعیین اهمیت پارامترهای موثر بر روی پارامتر χ انجام شد که از بین پارامترهای ورودی در مدل‌سازی، مشخص شد که پارامتر محتوای آب حجمی ( θr/θs) بیشترین تاثیر را بر روی پارامتر χ دارد.

Estimation of the most important geomechanical parameter of unsaturated soils using different artificial intelligence methods

In predicting the behavior of geotechnical structures that are constructed on unsaturated soils, knowing the geomechanical properties, especially effective stress, is of particular importance. The effect of suction in unsaturated soils changes the volumetric and shear behavior of soil. Therefore, in determining the shear strength in unsaturated soils, the effective stress parameter (χ) plays an essential role as a function of suction. Determining this parameter requires a lot of time and money that is spent on laboratory tests. The purpose of this study is to evaluate several intelligent methods for creating models that indirectly accurately estimate parameter (χ). For this purpose, 120 data (which are the results of thriaxial, shear, pressure plate and filter paper tests) and intelligent methods of random forest, support vector machine and knearest neighbor were used in WEKA intelligent software. The results show that the models developed by the three intelligent methods of random forest, support vector machine and knearest neighbor, have excellent performance and accuracy. But the random forest model is better than the other two models in evaluating the test data with R2 = 0.918 and RMSE = 0.079. In addition, in this study, sensitivity analysis was performed to determine the importance of the parameters affecting parameter (χ). Among the input parameters in modeling, it was found that the volume water content parameter (θ_r/θ_s ) has the greatest effect on parameter (χ).