تخمین نسبت باربری کالیفرنیا خاک های 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 می باشد. در سال های اخیر، مدلسازی به وسیله هوش محاسباتی، جایگاه ویژه ای در مهندسی عمران پیدا کرده است وتخمین رفتار و فرایند مقاوم سازی که با پیچیدگی های فراوانی روبه رو بوده، تا حدودی به کمک این روش ها میسر شده است. هدف اصلی این تحقیق، ساخت یک مدل محاسباتی جهت تخمین ضریب باربری کالیفرنیا خاک های مردابی می باشد. بدین منظور، ابتدا این نوع خاک با درصد های مختلفی از سیمان و ماسه خوب دانه بندی شده و بر مبنای استاندارد های معتبر، مقاوم سازی شده و آزمایش هایی نظیر مقاومت فشاری تک محوره و باربری کالیفرنیا بر 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 پرسپترن چند لایه ((MLP با معماری های مختلفی شامل یک و دو لایه مخفی با تعداد نورون های متفاوت برای تخمین استفاده شد. برای این هدف، پارامتر های 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 این تحقیق نشان داد که افزایش میزان ماسه به عنوان یک پرکننده طبیعی، تاثیر قابل ملاحظه‌ای در افزایش باربری کالیفرنیا دارد. به عنوان مثال، در میزان سیمان ثابت400 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 نشان داد که بهترین مدل با متوسط مربعات خطاء 41/0 و متوسط ضریب رگرسیون 99/0 بهترین عملکرد را در تخمین ضریب باربری کالیفرنیا از خود نشان داد.