بررسی عملکرد مدل¬های داده مبنا در تعیین فشار دوغاب سیمانی با استفاده از روش تلفیقی آزمون گاما و الگوریتم ژنتیک (GA-GT)
چکیده
بهمنظور بهبود پارامترهاي ژئومکانيکي و قابليت باربري توده سنگِ بستر یا کاهش تراوايي و بهسازي شرايط بستر سدها و سازههای مهندسی مرتبط با زمین، تزریق دوغاب سیمانی انجام میشود. فشار تزریق، پارامتر تعیینکننده در موفقیت عملیات است به گونه ای که مقادیر کم یا زیاد فشار تزریق دوغاب باعث بروز خسارات مالی و زمانی و عدم موفقیت پروژه میشود با توجه به گستردگی پارامترهای موثر بر فشار تزریق، تعیین فشار بهینه تزریق با استفاده از روابط تحلیلی و تجربی قبلی با خطای زیادی روبرو میشود، لیکن در این مقاله با کمک روش SVR و با استفاده از اطلاعات پروژههای بزرگ و موفق، فشار بهینه تزریق با میزان خطای R قابل قبول (بالای 0.90) تعیین شد. همچنین با یافتن ترکیب بهینه اطلاعات ورودی با استفاده از الگوریتم ژنتیک GT-GA، و حذف دادههای انحرافی میزان خطای محاسباتی به حداقل رسیده و خطای R به میزان تا 30% بهبود مییابد. روش SVR با استفاده از توابع مختلف کرنل بهترین مقدار را برای پارامتر وابسته در فضای پارامترهای مستقل یافته و ارائه می کند.مراجع
ریاحی مدورا، ح.، خاشعی سیوکی، ع، سیفی، ا. 1396، تحليل دقت و عدم قطعيت مدل شبكه عصبی مصنوعی در پيش-بينی عملكرد زعفران در خراسان جنوبی مبتنی بر داده¬هاي اقليمی، نشریه زراعت و فناوری زعفران، جلد 5، شماره 3، پاییز 1396 ص. 255-271
فرخ نیا، ا. مرید، س، 1388.تحليل عدم قطعيت مدلهاي شبكه عصبي و نروفازي در پيش¬بيني جريان رودخانه. مجله تحقیقات منابع آب، سال پنجم، شماره 3، زمستان 1396
Wilson,I. Jones,A. Jenkins,D. Ware,J. 2004, Predicting Housing Value: Genetic Algorithm Attribute Selection and Dependence Modeling Utilizing The Gamma Test, Applications of Artificial Intelligence in Finance and Economics, No:19, P:243–275;
Marquez,R. Coimbra,C. F. M. 2011.Forecasting of Global And Direct Solar Irradiance Using Stochastic Learning Methods Ground Experiments and The NWS Database, Solar Energy, No:85, P:746-56;
Qiong Wang, WilliamSloan, DaichaoSheng,
صاحب امتیاز
