پیش‌بینی پارامترهای مقاومت برشی خاک با استفاده از هوش مصنوعی

پارامترهای مقاومت برشی خاک، یعنی چسبندگی (c) و زاویه اصطکاک داخلی (φ)، از مهم‌ترین ورودی‌ها در تحلیل‌های پایداری شیب، طراحی پی و مسائل ژئوتکنیکی هستند. روش‌های مستقیم تعیین این پارامترها مانند آزمایش برش مستقیم و سه‌محوری، اگرچه دقیق، اما پرهزینه، زمان‌بر و نیازمند نمونه‌های با کیفیت هستند. این چالش، نیاز به روش‌های جایگزین سریع‌تر و کم‌هزینه‌تر را برجسته می‌سازد. این مقاله به بررسی سیستماتیک یک رویکرد نوین و کارآمد می‌پردازد: استفاده از الگوریتم‌های هوش مصنوعی برای پیش‌بینی پارامترهای c و φ از داده‌های آزمایش‌های ساده‌تر و متداول‌تر، مانند آزمایش نفوذ استاندارد (spt)، آزمایش نفوذ مخروط (cpt) و برخی ویژگی‌های فیزیکی اولیه خاک. با به‌کارگیری یک مجموعه داده مصنوعی واقع‌گرایانه و مقایسه سه الگوریتم رگرسیون خطی چندمتغیره، درخت تصمیم و جنگل تصادفی، نشان داده می‌شود که مدل‌های مبتنی بر هوش مصنوعی می‌توانند با دقت قابل قبولی (r² > 0.85) این پارامترهای حیاتی را تخمین بزنند. این مقاله به عنوان یک راهنمای عملی و گام‌به‌گام، مفاهیم، روش اجرا، تحلیل نتایج و مهم‌تر از همه، محدودیت‌های این رویکرد را برای دانشجویان و مهندسان جوان تشریح می‌کند.

prediction of soil shear strength parameters using artificial intelligence

soil shear strength parameters, namely cohesion (c) and internal friction angle (φ), are among the most critical inputs in slope stability analyses, foundation design, and geotechnical problems. direct methods for determining these parameters, such as direct shear and triaxial tests, although accurate, are costly, time-consuming, and require high-quality samples. this challenge highlights the need for faster and more cost-effective alternative methods. this paper systematically investigates a novel and efficient approach: the use of artificial intelligence algorithms to predict c and φ parameters from simpler and more common test data, such as standard penetration test (spt), cone penetration test (cpt), and some basic physical properties of soil. using a realistic synthetic dataset and comparing three algorithms—multiple linear regression, decision tree, and random forest—it is demonstrated that ai-based models can estimate these vital parameters with acceptable accuracy (r² > 0.85). this paper serves as a practical, step-by-step guide, explaining the concepts, implementation methods, analysis of results, and, most importantly, the limitations of this approach for students and young engineers.