این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی عمران و محیط زیست دانشگاه تبریز، جلد ۴۷، شماره ۸۷، صفحات ۱-۱۰
عنوان فارسی پیش‌بینی ظرفیت باربری جانبی شمع‌ها در خاک‌های رسی با استفاده از ماشین بردار پشتیبان
چکیده فارسی مقاله پیش‌بینی ظرفیت باربری شمع‌های تحت بار جانبی یکی از مسائل اساسی در مهندسی ژئوتکنیک است و تاکنون روش‌های متفاوتی برای ارزیابی آن ارائه شده است. ماشین بردار پشتیبان (SVM) یک روش نسبتاً جدید هوش مصنوعی است که در بسیاری از مسائل ژئوتکنیکی به طور موفقیت‌آمیزی مورد استفاده قرار گرفته است. این مقاله کاربرد مدل SVM برای پیش‌بینی ظرفیت باربری جانبی شمع‌ها در خاک‌های رسی را شرح می‌دهد. از نتایج مدل‌های کوچک مقیاس آزمایشگاهی شمع‌های صلب در خاک‌های رسی با پارامترهای ورودی قطر شمع (D)، طول مدفون شمع (L)، خروج از مرکز بار (e) و مقاومت برشی زهکشی‌نشده خاک (Su) برای توسعه و ارزیابی مدل استفاده شده است. ظرفیت باربری جانبی پیش‌بینی‌شده توسط مدل پیشنهادی با نتایج حاصل از مدل شبکه عصبی مصنوعی (ANN) و همچنین روش‌های تحلیلی Broms و Hansen مقایسه شده است. نتایج نشان از کارایی بهتر مدل SVM نسبت به روش‌های مذکور دارد. این مطالعه نشان می‌دهد که روش SVM یک ابزار جایگزین برای مهندسین ژئوتکنیک به منظور پیش‌بینی ظرفیت باربری جانبی شمع‌ها ارائه می‌دهد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Prediction of Lateral Bearing Capacity of Pile in Clay Using Support Vector Machine
چکیده انگلیسی مقاله A number of empirical formulas were proposed so as to reduce the time and cost involved in static approach to determine the pile capacity. Although these formulas have been widely used to predict pile capacity, it is agreed that these formulas are inaccurate due to their oversimplification of the modeling of the hammer, driving system, pile, and soil (Fragaszy et al. 1985). The support vector machine (SVM) is a relatively new artificial intelligence technique which is increasingly being applied to geotechnical problems. An important feature of the SVM is that it endeavors to discover the rules (or functions) that govern a phenomenon using only a set of data (a set of measured inputs and their corresponding outputs). Hence, there is no need to incorporate any assumptions to simplify the problem as, is often the case with many traditional methods. The previous studies indicated that these methods are more accurate compared to analytical formulas. In this paper, SVM technique is presented to predict the undrained lateral load capacity of piles in clay using the diameter of pile (D), depth of pile embedment (L), eccentricity of load (e), undrained shear strength of soil (Su) as the inputs of model. The model was developed and tested using an experimental dataset. The performance of the proposed model (SVM) was compared with ANN and those of theoretical methods of Broms, and Hansen.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علیرضا اردکانی |
عضو هیات علمی دانشگاه بین المللی امام خمینی
سازمان اصلی تایید شده: دانشگاه بین المللی امام خمینی (Imam khomeini international university)

وحیدرضا کوهستانی |
دانش آموخته کارشناسی ارشد مهندسی عمران مکانیک خاک و پی

نشانی اینترنتی
فایل مقاله فایلی برای مقاله ذخیره نشده است
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