Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

2,310
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

703
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی مدول برجهندگی خاک های ریزدانه با استفاده از شبکه عصبی مصنوعی، ماشین بردار پشتیبان و سیستم استنتاج تطبیقی عصبی-فازی بهینه سازی شده با الگوریتم ازدحام ذرات

صفحات

 صفحه شروع 159 | صفحه پایان 182

چکیده

 مدول برجهندگی خاک بستر ازجمله پارامترهای بسیار مهم در تحلیل و طراحی روسازی است. این پارامتر هم در روش های تجربی (مانند اشتو 1993) و هم در روش های مکانیستیک-تجربی (مانند MEPDG) به عنوان اصلی ترین پارامتر برای بیان مقاومت و خصوصیات مکانیکی خاک بستر مورداستفاده قرار می گیرد. برای تعیین این پارامتر نیاز است تا آزمایش بارگذاری سه محوری دینامیک تحت تنش های محدود کننده و تنش های انحرافی مختلف بر روی خاک انجام شود که انجام این آزمایش ها بسیار وقت گیر و پرهزینه است. در این مقاله عملکرد سه روش ترکیبی هوش محاسباتی شامل شبکه عصبی مصنوعی بهینه سازی شده با الگوریتم ازدحام ذرات (ANN-PSO), ماشین بردار پشتیبان بهینه سازی شده با الگوریتم ازدحام ذرات (SVM-PSO) و سیستم استنتاج تطبیقی عصبی-فازی بهینه سازی شده با الگوریتم ازدحام ذرات (ANFIS-PSO) به منظور پیش بینی مدول برجهندگی مصالح خاک بستر ریزدانه مورد ارزیابی قرار گرفته است و نتایج این سه روش با یکدیگر مقایسه گردیده است. در کلیه این مدل ها درصد عبوری از الک نمره 200, حد روانی, شاخص خمیری, درصد رطوبت بهینه, درصد رطوبت, درجه اشباع, مقاومت فشاری تک محوری, تنش محدودکننده و تنش انحرافی به عنوان ورودی و مدول برجهندگی به عنوان پارامتر خروجی در نظر گرفته شد. نتایج این تحقیق نشان می دهد که روش ANN-PSO بیش ترین دقت را در پیش بینی مدول برجهندگی خاک های ریزدانه فراهم می سازد. ضریب رگرسیون حاصل از این روش برای مجموع کل داده ها برابر با 0.992 است و این روش در اکثر موارد مقدار مدول برجهندگی را با درصد خطای کمتر از 20 درصد پیش بینی می کند. ضریب رگرسیون حاصل از دو روش SVM-PSO و ANFIS-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 تاثیر و پارامتر تنش انحرافی کمترین تاثیر را بر روی مدول برجهندگی مصالح خاکی ریزدانه دارند.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    غنی زاده، علیرضا، و توانااملشی، امیر. (1396). پیش بینی مدول برجهندگی خاک های ریزدانه با استفاده از شبکه عصبی مصنوعی, ماشین بردار پشتیبان و سیستم استنتاج تطبیقی عصبی-فازی بهینه سازی شده با الگوریتم ازدحام ذرات. مهندسی حمل و نقل، 9(ویژه نامه )، 159-182. SID. https://sid.ir/paper/357478/fa

    Vancouver: کپی

    غنی زاده علیرضا، توانااملشی امیر. پیش بینی مدول برجهندگی خاک های ریزدانه با استفاده از شبکه عصبی مصنوعی, ماشین بردار پشتیبان و سیستم استنتاج تطبیقی عصبی-فازی بهینه سازی شده با الگوریتم ازدحام ذرات. مهندسی حمل و نقل[Internet]. 1396؛9(ویژه نامه ):159-182. Available from: https://sid.ir/paper/357478/fa

    IEEE: کپی

    علیرضا غنی زاده، و امیر توانااملشی، “پیش بینی مدول برجهندگی خاک های ریزدانه با استفاده از شبکه عصبی مصنوعی, ماشین بردار پشتیبان و سیستم استنتاج تطبیقی عصبی-فازی بهینه سازی شده با الگوریتم ازدحام ذرات،” مهندسی حمل و نقل، vol. 9، no. ویژه نامه ، pp. 159–182، 1396، [Online]. Available: https://sid.ir/paper/357478/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا