پیش بینی نشست شمع ها بر اساس مقاومت برشی زهکشی نشده خاک با استفاده از شبکه های عصبی مصنوعی و ماشین بردار پشتیبان

نشست شمع‎ها یکی از مهم ترین ‎مسائلی است که مهندسان به دنبال رسیدن به یک مدل بهینه برای تخمین آن هستند. اغلب روش‎های موجود برای محاسبه نشست شمع‎ها با در نظر گرفتن فرضیاتی که در نشست موثر می‎باشند مسأله را ساده‎تر کرده‎اند. بنابراین، در روش های متفاوت پیش‎بینی نشست، سازگاری وجود ندارد و روش های دیگری مورد نیاز است که بتواند بر محدودیت‎های روش‎های موجود غلبه نموده و دقت کافی را در پیش‎بینی نشست دارا باشد. در این راستا با پیشرفت روش های یادگیری ماشین، علوم مختلف برای مدل سازی دقیق تر پدیده های خود به سمت این روش ها گرایش یافتند که مهندسی ژئوتکنیک نیز از آن دسته مستثنی نبوده است. شبکه های عصبی مصنوعی(ann) و ماشین بردار پشتیبان(svm) از جمله روش هایی هستند که در علوم مختلف، نتایج خوبی از خود نشان داده اند. علاوه بر به کارگیری روش‎های مدل‎سازی متنوع، پارامترهایی که در مدل‎سازی نشست به کار می‎روند نیز در پژوهش‎های مختلف با یکدیگر متفاوت هستند. در این تحقیق مقاومت برشی زهکشی نشده خاک، که یک پارامتر اصلی در مقاومت خاک های چسبنده محسوب می-شود به همراه هندسه شمع و مشخصه خاک به عنوان ورودی های مدل در نظر گرفته شده اند. مدل های طراحی شده از نوع شبکه عصبی پرسپترون دولایه با الگوریتم پس انتشار خطا می باشند که با توابع انتقال سیگموئید و تانژانت هایپربولیک گسترش یافته اند. هم چنین مدل-های ماشین بردار پشتیبان با توابع کرنل پایه شعاعی و چندجمله ای ساده، برای پیش بینی نشست شمع ها بر اساس مقاومت برشی زهکشی نشده خاک ارائه شده اند. این مدل ها بر مبنای 253 داده به دست آمده از نمودارهای بار- تغییرمکان حاصل از 23 آزمایش بارگذاری استاتیکی شمع در مقیاس واقعی، طراحی شده اند. هدف از این تحقیق، استفاده از دو روش از روش های یادگیری ماشین جهت گسترش مدلی برای پیش بینی نشست شمع ها می-باشد. نتایج نشان می‎دهند که مقادیر پیش بینی شده با شبکه عصبی و مقادیر شبیه سازی شده با ماشین بردار پشتیبان به نتایج واقعی نزدیک است و مدل ها کارائی بالایی را از خود نشان می دهند. می توان نتیجه گرفت این دو روش دارای عمل کرد بسیار مناسبی هستند و می توانند به عنوان ابزاری قدرتمند در مدل سازی پدیده های ژئوتکنیکی مورد استفاده قرار گیرند.