تخمین نسبت باربری کالیفرنیا در خاک‏های مردابی بهسازی شده با استفاده از شبکه عصبی مصنوعی

امروزه، استفاده از روش اختلاط عمیق برای بهبود روسازی جاده ها گسترش یافته است. یکی از مهمترین اهداف این روش، افزایش ضریب باربری کالیفرنیا و کاهش نشست روسازی می‏باشد. درسال‏های اخیر، مدل‏سازی به وسیله هوش محاسباتی، جایگاه ویژه ای درمهندسی عمران پیدا کرده است و تخمین رفتار و فرایند مقاوم سازی، که با پیچیدگی های فراوانی روبرو بوده، تا حدودی به کمک این روش ها میسر شده است. هدف اصلی این تحقیق، ساخت یک مدل محاسباتی جهت تخمین ضریب باربری کالیفرنیا در خاک‏های مردابی می‏باشد. بدین منظور، ابتدا این نوع خاک با درصدهای مختلفی از سیمان و ماسه خوب دانه بندی شده و بر مبنای استانداردهای معتبر، مقاوم سازی شده و آزمایش هایی نظیر مقاومت فشاری تک محوره و باربری کالیفرنیا روی نمونه های مقاوم سازی شده انجام شد.پس از انجام تست های آزمایشگاهی، یک مجموعه از اطلاعات برای ساخت مدل هوش محاسباتی جمع آوری شد. در این تحقیق، از مدل پرسپترون چندلایه با معماری های مختلف شامل یک و دو لایه مخفی با تعداد نرون های متفاوت برای تخمین استفاده شد.برای این هدف، پارامترهای ورودی به مدل شامل مقاومت فشاری تک محوره، زمان عمل آوری و میزان ماسه در نظر گرفته شدند و آنالیز حساسیت با الگوریتم گارسون انجام شد.نتایج آزمایشگاهی نشان داد که افزایش میزان ماسه به عنوان یک پُرکننده طبیعی، تاثیر قابل ملاحظه‌ای در افزایش باربری کالیفرنیا دارد. به عنوان مثال، در میزان سیمان ثابت 400 کیلوگرم بر متر مکعب،افزایش میزان ماسه به اندازه 200 کیلوگرم بر متر مکعب، ضریب باربری کالیفرنیا را از 31% به 59% افزایش داد. همچنین، نتایج مدل سازی به‏دست آمده نشان داد که بهترین مدل با متوسط مربعات خطای 0.41 و متوسط ضریب رگرسیون 0.99 بهترین عملکرد را در تخمین ضریب باربری کالیفرنیا داشت.

Estimation of California Bearing Ratio of Improved Peat Soils by Artificial Neural Networks

Nowadays, the use of deep soil mixing method has expanded to improve road pavement. One of the most important goals of this approach is to increase the California Bearing Factor and reduce the pavement settlement. In recent years, modeling by computational intelligence has found a special place in civil engineering, and partly due to the use of these methods, the behavior and process of stabilization, which has been encountered with many problems, is possible. The main objective of this research is to develop a computational model for estimating the California Bearing Factor for peat soils. For this purpose, firstly, this soil was mixed with various percentages of cement and wellgraded sand based on validated standards, and experimental tests such as singleaxial compressive strength and California bearing were performed on the stabilized specimens. After laboratory testing, a set of information was compiled to construct the computing intelligence model. In this research, the multilayer (MLP) with different architectures including one and two hidden layers with different number of neurons were used for estimation. For this purpose, input parameters of uniaxial compressive strength, curing time and the amount of sand were considered and the sensitivity analysis was carried out using the Garson algorithm. The experimental results of this study showed that by increasing the amount of sand as a natural filler a significant effect on California’s bearing ratio was observed. For example, in a constant amount of cement of 400 kg/m3, adding 200 kg/m3 sand, increased the CBR from 31% to 59%. Also, the results showed that the best model with an average mean square error of 0.41 and an average regression coefficient of 0.99 showed the best performance in estimation of the California Bearing Factor.