این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی حمل و نقل، جلد ۹، شماره ویژه نامه روسازی، صفحات ۱۵۹-۱۸۱
عنوان فارسی پیش‌بینی مدول برجهندگی خاک‌های ریزدانه با استفاده از شبکه عصبی مصنوعی، ماشین بردار پشتیبان و سیستم استنتاج فازی-عصبی تطبیقی بهینه‌سازی شده با الگوریتم ازدحام ذرات
چکیده فارسی مقاله مدول برجهندگی خاک بستر ازجمله پارامترهای بسیار مهم در تحلیل و طراحی روسازی‌ است. این پارامتر هم در روش‌های تجربی (مانند اشتو 1993) و هم در روش‌های مکانیستیک-تجربی (مانند MEPDG) به عنوان اصلی‌ترین پارامتر برای بیان مقاومت و خصوصیات مکانیکی خاک بستر مورداستفاده قرار می‌گیرد. برای تعیین این پارامتر نیاز است تا آزمایش بارگذاری سه محوری دینامیک تحت تنش‌های محدود‌کننده و تنش‌های انحرافی مختلف بر روی خاک انجام شود که انجام این آزمایش‌ها بسیار وقت‌گیر و پرهزینه است. در این مقاله عملکرد سه روش ترکیبی هوش محاسباتی شامل شبکه عصبی مصنوعی بهینه‌سازی شده با الگوریتم ازدحام ذرات (ANN-PSO)، ماشین بردار پشتیبان بهینه‌سازی شده با الگوریتم ازدحام ذرات (SVM-PSO) و سیستم استنتاج تطبیقی عصبی-فازی بهینه‌سازی شده با الگوریتم ازدحام ذرات (ANFIS-PSO) به‌منظور پیش‌بینی مدول برجهندگی مصالح خاک بستر ریزدانه مورد ارزیابی قرار گرفته است و نتایج این سه روش با یکدیگر مقایسه گردیده‌ است. در کلیه این مدل‌ها درصد عبوری از الک نمره 200، حد روانی، شاخص خمیری، درصد رطوبت بهینه، درصد رطوبت، درجه اشباع، مقاومت فشاری تک‌محوری، تنش محدودکننده و تنش انحرافی به عنوان ورودی و مدول برجهندگی به عنوان پارامتر خروجی در نظر گرفته شد. نتایج این تحقیق نشان می‌دهد که روش ANN-PSO بیش‌ترین دقت را در پیش‌بینی مدول برجهندگی خاک‌های ریزدانه فراهم می‌سازد. ضریب رگرسیون حاصل از این روش برای مجموع کل داده‌ها برابر با 0.992 است و این روش در اکثر موارد مقدار مدول برجهندگی را با درصد خطای کمتر از 20 درصد پیش‌بینی می‌کند. ضریب رگرسیون حاصل از دو روش SVM-PSO وANFIS-PSO به ترتیب برابر با 0.989 و 0.951 است. نتایج این تحقیق همچنین نشان داد که درصد مصالح عبوری از الک نمره 200 بیشترین تأثیر و پارامتر تنش انحرافی کمترین تأثیر را بر روی مدول برجهندگی مصالح خاکی ریزدانه دارند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Prediction of Fine-grained Soils Resilient Modulus Using Hybrid ANN-PSO, SVM-PSO and ANFIS-PSO Methods
چکیده انگلیسی مقاله Resilient modulus of subgrade soil is one of the most important parameters in terms of pavement analysis and design. This parameter is used for design of pavement structure based on both empirical (e.g. AASHTO 1993) and mechanistic-empirical methods (e.g. MEPDG). In order to determine resilient modulus, dynamic triaxial loading test should be conducted at different confining and deviator stresses on the soil samples and conducting such a test is very time consuming and costly. This paper aims to evaluate three hybrid neuro-computing methods including Artificial Neural Network-Particle Swarm Optimization (ANN-PSO), Support Vector Machine-Particle Swarm Optimization (SVM-PSO) and Adaptive neuro-Fuzzy Inference System-Particle Swarm Optimization (ANFIS-PSO) for predicting resilient modulus of fine-grained soils. Input parameters in all of these models were considered as particles passing #200 sieve, liquid limit, plastic index, moisture content, optimum moisture content, degree of saturation, unconfined compression strength, confining stress, and deviator stress and output was assumed as resilient modulus of soil. Results show that ANN-PSO method has the highest accuracy in comparison with other methods. Coefficient of determination (R2) for ANN-PSO method was determined as 0.992 in case of overall dataset and in most cases the prediction error of resilient modulus using this method was less than 20%. Coefficient of determination for SVM-PSO method and ANFIS-PSO method were determined as 0.989 and 0.951, respectively. Results of this study also showed that the input parameter of particles passing #200 sieve has maximum influence on the resilient modulus of fine grained soil materials while the deviator stress has minimum impact on the resilient modulus of this type of materials.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علیرضا غنی زاده |
استادیار، دانشکده عمران، دانشگاه صنعتی سیرجان
سازمان اصلی تایید شده: دانشگاه صنعتی سیرجان (Sirjan university of technology)

امیر توانا املشی | tavana amlashi
دانشکده مهندسی عمران، دانشگاه صنعتی سیرجان
سازمان اصلی تایید شده: دانشگاه صنعتی سیرجان (Sirjan university of technology)

نشانی اینترنتی http://jte.sinaweb.net/article_48628_743ec8bd7405f2205bb9e3621e3425b0.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1231/article-1231-571078.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات