مروری بر کاربرد الگوریتم‌ یادگیری ماشین (ann) در ارزیابی پتانسیل روانگرایی خاک: گامی به سوی طراحی سازه‌های پایدار و تاب‌آور

تاب‌آوری سازه‌ها و جوامع در برابر مخاطرات طبیعی، به ویژه زلزله، یکی از چالش‌های اصلی مهندسی مدرن است. در این میان، پدیده روان‌گرایی خاک (liquefaction) به عنوان یک مکانیزم اصلی در تخریب زیرساخت‌ها، ریسک قابل توجهی را ایجاد می‌کند. لذا ارزیابی دقیق ریسک برای آمادگی در برابر بلایا و تدوین راهکارهای کاهش آسیب ضروری است. روش‌های سنتی تحلیل ریسک روانگرایی اغلب در ثبت رفتارهای پیچیده خاک تحت شرایط بارگذاری دینامیکی، با شکست مواجه می‌شوند و این امر مستلزم کاوش در رویکردهای نوآورانه مانند یادگیری ماشین است. در مهندسی ژئوتکنیک، بررسی خطر روان‌گرایی خاک با بهره‌گیری از شبکه‌های عصبی مصنوعی (anns) به یک رویکرد پیشگامانه برای ارزیابی و پیش‌بینی پتانسیل روان‌گرایی در طول رویدادهای لرزه‌ای تبدیل شده است. این مقاله مروری به بررسی جامع کاربرد شبکه‌های عصبی مصنوعی (anns) به عنوان یک ابزار قدرتمند یادگیری ماشین در تحلیل خطر روان‌گرایی می‌پردازد. anns با قابلیت چشمگیردر یادگیری از مجموعه‌داده‌های بزرگ و شناسایی الگوهای غیرخطی پیچیده، پتانسیل بالایی در بهبود دقت پیش‌بینی این پدیده ژئوتکنیکی دارند. تمرکز این تحقیق بر این است که نشان دهد پیش‌بینی‌های دقیق‌تر، مبنایی محکم برای تصمیم‌گیری در مورد طراحی، بهسازی و مدیریت ریسک فراهم می‌کند که مستقیماً به افزایش تاب‌آوری سازه‌ها در برابر روان‌گرایی منجر می‌شود. ارائه یک دیدگاه جامع از مزایا و محدودیت‌های به‌کارگیری anns در تحلیل خطر روان‌گرایی در این تحقیق مورد بحث قرار می‌گیرد.