آمار
| تعداد نشریات | 20 |
| تعداد شمارهها | 423 |
| تعداد مقالات | 3,371 |
| تعداد مشاهده مقاله | 3,564,585 |
| تعداد دریافت فایل اصل مقاله | 2,315,729 |
پیشبینی پیوسته منحنی نگهداشت آب–خاک در خاکهای با پلاستیسیته کم با استفاده از یادگیری عمیق | ||
| مدلسازی پیشرفته در مهندسی عمران | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 10 دی 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22126/amcen.2025.13294.1061 | ||
| نویسندگان | ||
| فاطمه رازانی؛ علیرضا باقریه* | ||
| گروه مهندسی عمران، دانشکده عمران و معماری، دانشگاه ملایر | ||
| چکیده | ||
| منحنی نگهداشت آب–خاک از مهمترین ویژگیهای مورد استفاده در تحلیل رفتار مکانیکی و هیدرولیکی خاکهای غیراشباع است، اما اندازهگیری آزمایشگاهی آن فرآیندی زمانبر و پرهزینه بوده و به تجهیزات تخصصی نیاز دارد؛ ازاینرو، روشهای هوش مصنوعی بهعنوان جایگزینی کارآمد برای آزمایشهای مرسوم مورد توجه قرار گرفتهاند. در این پژوهش، با بهرهگیری از یادگیری عمیق، مدلی برای پیشبینی منحنی نگهداشت آب–خاک در خاکهای با پلاستیسیتهی کم ارائه شده است. پایگاه دادهی مورد استفاده شامل اطلاعات ۱۷۲۷ نمونه از پایگاه اطلاعات جغرافیایی خاک ایالات متحده است. ورودیهای مدل، مکش، تخلخل، حد روانی (LL)، شاخص خمیری (PI) و درصد عبوری از الکهای شمارهی ۴، ۱۰، ۴۰ و ۲۰۰ بوده و خروجی شبکه، رطوبت وزنی خاک است. برای این منظور، یک شبکهی عصبی عمیق پرسپترون چندلایه با چهار لایهی پنهان و معماری ۱۰×۵×۵×۱۰ آموزش داده شد. نتایج نشان میدهد که مدل توسعهیافته میتواند میزان رطوبت خاک را در مقادیر مختلف مکش، تنها بر اساس ویژگیهای فیزیکی خاک، با دقت مناسب پیشبینی کند و روندهای فیزیکی مورد انتظار را در تحلیلهای پارامتریک بازتولید نماید. برخلاف بسیاری از مطالعات پیشین که رطوبت را فقط در چند سطح گسستهی مکش تخمین میزنند، در این تحقیق مکش بهعنوان یک ورودی مستقل در نظر گرفته شده است؛ ازاینرو مدل قادر است منحنی نگهداشت آب–خاک را برای هر نوع خاک بهصورت تابعی پیوسته از رطوبت بر حسب مکش تولید کند. این رویکرد میتواند در پروژههای ژئوتکنیکی مرتبط با خاکهای غیراشباع، بهویژه زمانی که دستیابی سریع و قابلاعتماد به منحنی SWRC مورد نیاز است، بهکار گرفته شود. | ||
| کلیدواژهها | ||
| منحنی نگهداشت آب-خاک؛ شبکه عصبی مصنوعی؛ خاک غیراشباع؛ هوش مصنوعی؛ یادگیری عمیق | ||
|
آمار تعداد مشاهده مقاله: 0 |
||