پیش بینی طرح اختلاط بهینه برای بهسازی خاک رس نرم با استفاده از شبکه های عصبی مصنوعی

استفاده و کاربرد شبیه سازی مصنوعی در پیش بینی رفتار مصالح علی الخصوص هنگامی که نتایج واقعی داشته باشیم از نظر زمان و هزینه از اهمیت ویژه ای برخوردار است. بر این اساس در این پژوهش داده های آزمایش بدست آمده از آزمایش تک محوری روی نمونه های خاک تثبیت شده توسط آهک، پسماند و سیلیکات سدیم با شبکه عصبی (grnn) و الگوریتم ژنتیک (برنامه ریزی بیان ژن (gep)) مورد بررسی قرار گرفته است. بنابراین با توجه به نتایج مقاومت فشاری محدود نشده برای درصدهای محدودی که آزمایش انجام شده است شبیه سازی مصنوعی انجام و راستی آزمایی صورت گرفته است سپس با توسعه شبکه عصبی و الگوریتم ژنتیک برای حالت ها و درصدهای مختلف اختلاط در بهسازی خاک، درصد اختلاط بهینه تعیین شده است که با توجه به نتایج بدست آمده از مدل الگوریتم ژنتیک، طرح اختلاط بهینه برای این نوع خاک رس در 6 درصد آهک، 6 درصد پسماند صنعتی و 1.5 درصد سیلیکات سدیم می باشد. نتایج شبکه عصبی دارای قدرت پیش بینی مناسب تری نسبت به الگوریتم ژنتیک می باشد به طوری که بهترین پیش بینی برای مدل 90 روزه شبکه عصبی با مقدار r^2 و rmse به ترتیب برابر با 0.998 و 0.019 وکمترین پیش بینی برای مدل 7 روزه الگوریتم ژنتیک با مقدار r^2 و rmse به ترتیب برابر با 0.967 و 0.059 می باشد.

Prediction of optimal mixing design for stabilized soft clay soil using Artificial Neural Networks

The application of artificial simulations in predicting the behavior of materials, especially when we have real results, is very important in terms of time and cost. Therefore, in this study the data collected from unconfined compressive strength test on stabilized soil samples with lime, waste industrial and sodium silicate by neural network (GRNN) and genetic algorithm (GEP) have been investigated. Moreover, based on the results of unconfined compressive strength for the limited percentages of the experiment, simulation has been performed and verified. Then, with the development of the neural network and genetic algorithm for different states and percentages of mixing in stabilized soil, the optimized mixing percentage has been set. According to the results of genetic algorithm model, the optimal mixing design for this type of clay is 6% lime, 6% industrial waste, and 1.5% sodium silicate. The results of neural network had better predictive power than the genetic algorithm, so that the best prediction for the 90day model of the neural network with R2 and RMSE values is 0.998 and 0.019, respectively, and the least prediction for the 7day model of genetic algorithm with R2 and RMSE is 0.967 and 0.059, respectively.