ارزیابی عملکرد شبکه عصبی مصنوعی در تخمین CBR: مقایسه مدل پایه و مدل تقویت شده با شبیهسازی کاپولا | ||
| مهندسی زیر ساخت های حمل و نقل | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از 01 خرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jtie.2026.41241.1764 | ||
| نویسندگان | ||
| حسین محمدی1؛ سید علی ضیائی* 2؛ مهدی باقری3؛ محسن موسی آبادی4 | ||
| 1دانشجو کارشناس ارشد ، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه فردوسی، مشهد، ایران | ||
| 2دانشکده مهندسی دانشگاه فردوسی مشهد ودانشکده عمران دانشگاه تهران | ||
| 3کارشناس ارشد ، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه فردوسی، مشهد، ایران | ||
| 4دانشجو دکترای گروه ایمنی و ترافیک، دانشگاه جامع علوم انتظامی امین، تهران، ایران | ||
| چکیده | ||
| پیشبینی دقیق مقدار CBRخاک در طراحی روسازی راهها از اهمیت بالایی برخوردار است، اما انجام آزمایشهای سنتی CBR زمانبر، پرهزینه و نیازمند تجهیزات آزمایشگاهی میباشد. در این پژوهش، یک رویکرد ترکیبی مبتنی بر شبکه عصبی مصنوعی و روش کاپولا برای تخمین CBR خاک ارائه شده است. بدین منظور، ابتدا یک پایگاه داده شامل ۱۰۱۱ نمونه واقعی از پارامترهای ژئوتکنیکی (شامل درصد ماسه، درصد ریزدانه، حد خمیری، شاخص خمیری، حداکثر وزن مخصوص خشک و رطوبت بهینه) جمعآوری و پاکسازی گردید. سپس یک شبکه عصبی پرسپترون چندلایه با استفاده از زبان برنامهنویسی Python طراحی و پیادهسازی شد. نتایج اولیه نشان داد که مدل پایه دارای ضریب تعیین (R²) معادل 630/0 و 606/0 به ترتیب برای دادههای آموزش و تست میباشد. در ادامه، به منظور بهبود عملکرد مدل، دادههای مصنوعی با استفاده از روش کاپولا تولید گردید. آزمونهای آماری کولموگروف-اسمیرنف و اندرسون-دارلینگ همراه با مقایسه منحنیهای چگالی احتمال نشان داد که دادههای مصنوعی تولیدشده، شباهت آماری بسیار بالایی با دادههای واقعی دارند. پس از افزودن ۵۰۰۰۰ داده مصنوعی به مجموعه آموزش، شبکه عصبی مجدداً آموزش داده شد. نتایج حاصل نشاندهنده بهبود چشمگیر عملکرد مدل بود؛ به طوری که ضریب تعیین (R²) در دادههای تست از 606/0 به 672/0 افزایش یافته و باعث بهبود حدود 11 درصدی شده است. میانگین درصد خطای مطلق از 08/7 درصد به 38/6 درصد کاهش پیدا کرد. سایر شاخصهای ارزیابی شامل MAE، RMSE، IOA و IOS نیز بهبود معناداری را نشان دادند. یافتههای این پژوهش تأیید میکند که روش کاپولا میتواند به عنوان یک راهکار مؤثر برای افزایش مصنوعی دادههای ژئوتکنیکی و بهبود دقت مدلهای یادگیری ماشین مورد استفاده قرار گیرد. رویکرد پیشنهادی از نظر اقتصادی و زیستمحیطی نیز مزایای قابل توجهی از جمله کاهش هزینهها، صرفهجویی در زمان و کاهش هدررفت منابع طبیعی به همراه دارد. | ||
| کلیدواژهها | ||
| روسازی راه؛ CBR؛ شبکه عصبی مصنوعی؛ روش کاپولا | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 147 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 723 |
| تعداد مقالات | 10,394 |
| تعداد مشاهده مقاله | 72,849,927 |
| تعداد دریافت فایل اصل مقاله | 64,548,920 |