ارزیابی پتانسیل روان‌گرایی خاک در اثر وقوع زمین‌لرزه بااستفاده از چند الگوریتم طبقه‌بندی هوشمند در نرم‌افزار orange

یکی از پیامدهای احتمالی وقوع زمین‌لرزه در زمین‌های اشباع، روان‌گرایی خاک و در نتیجۀ آن شکست و خرابی فونداسیون ساختمان‌ها، انواع زیرساخت‌ها، پل‌ها و بسیاری فجایع دیگر می‌باشد. در این تحقیق سعی شد به‌منظور ارزیابی پتاسیل روان‌گرایی خاک برروی 79 نمونه از پایگاه دادۀ زلزلۀ تنگشان کشور چین، چند مدل طبقه‌بندی هوشمند با کمک نرم‌افزار orange ساخته شود. به همین منظور عملکرد 5 روش طبقه‌بندی هوشمند (رگرسیون لاجستیک، شبکۀ عصبی مصنوعی (ann)، ماشین بردار پشتیبان (svm)، نزدیک‌ترین همسایگی(knn) و جنگل تصادفی) براساس معیارهای مختلف با هم مقایسه شدند. نتایج نشان داد روش‌های svm، ann و رگرسیون لاجستیک از توانایی بالایی برای پیش‌بینی کلاس روان‌گرایی خاک برخوردار هستند و در بین آنها روش رگرسیون لاجستیک با مقدار شاخص auc (0/98) به‌عنوان بهترین روش انتخاب شد. علاوه‌بر این، بررسی تاثیرگذاری متغیرها بااستفاده از چهار معیار بهرۀ اطلاعاتی، بهرۀ اطلاعاتی نسبی، شاخص جینی و شاخص relieff  بیانگر این است که متغیر مقاومت نوک مخروط در آزمایش نفوذ مخروطی موثرترین روش است و در اولویت اول قرار می‌گیرد. هم‌چنین متغیرهای نسبت تنش تناوبی و حداکثر شتاب افقی زلزله در سطح زمین ویژگی‌های مهمی‌ به‌حساب می‌آیند.

Evaluation of Soil Liquefaction Potential Due to Earthquake using Intelligent Classification Algorithm in Orange Software

One of the possible consequences of earthquakes in saturated areas is soil liquefaction and as a result the failure of foundations of buildings, types of infrastructure, bridges and many other disasters. In this study, in order to evaluate the potential of soil liquefaction on 79 samples from China Tangshan Earthquake Database, several intelligent classification models were constructed with the help of Orange software. Therefore, the performance of 5 intelligent classification methods (Logistic Regression, Artificial Neural Network (ANN), Support Vector Machine (SVM), K-fold Nearest Neighbor (KNN) and Random Forest) were compared based on different criteria. The results showed that SVM, ANN and Logistic Regression methods have a high ability to predict soil liquefaction class and among them the Logistic Regression method with AUC index (0.98) was selected as the best method. In addition, the study of the effectiveness of variables using three criteria of Information Gain, Information Gain Ratio and Gini Index, indicates that the variable measured CPT tip resistance is the most effective variable and is the first priority. The variables of cyclic stress ratio and peak acceleration at the ground surfaceare also important features.