فهرست نشریات علمی دسترسی آزاد ایران

یکی از چالش‌های ساخت‌و‌ساز روی خاک‌های رسی ضعیف، مقاومت فشاری کم و نشست‌پذیری زیاد خاک است؛ ازاین‌رو مهندسان ژئوتکنیک همواره سعی در بهبود مشخصات این نوع خاک با استفاده از روش‌های مختلف تثبیت خاک دارند. برآورد کارایی روش‌های مختلف تثبیت خاک، مستلزم انجام دادن آزمایش‌های متعدد است که فرایندی زمان‌بر و هزینه‌بر است. در این مقاله به بررسی روش‌های مختلف یادگیری ماشین ازجمله رگرسیون خطی، شبکه عصبی پرسپترون چندلایه (MLP)، K نزدیک‌ترین همسایه، تخمین‌گر ماشین بردار پشتیبان (SVR)، درخت تصمیم، جنگل تصادفی و تقویت گرادیان در تخمین میزان مقاومت فشاری تک‌محوری خاک پرداخته می­شود. برای این منظور از نتایج آزمایش نمونه‌های خاک رس تثبیت­شده با استفاده از دو نوع پوزولان‌ در شرایط عمل‌آوری مختلف استفاده شد. متغیرهای مؤثر ورودی الگوریتم‌های یادگیری ماشین شامل زمان و شرایط عمل‌آوری، ملاریته فعال‌ساز قلیایی، نسبت وزنی پوزولان مورد استفاده در خاک رس، نوع پوزولان و نسبت وزنی فعال‌ساز به میزان رطوبت بهینه هستند. جهت بهینه‌سازی و تسریع عملکرد الگوریتم‌ها، تنظیم ابرپارامترها با روش جستجوی مشبک انجام شد. علاوه‌براین به‌منظور کاهش تغییرپذیری نتایج هنگام تقسیم­بندی داده‌ها به مجموعه آموزشی- آزمایشی از روش اعتبارسنجی متقابل ده‌تایی استفاده و عملکرد الگوریتم‌ها با سه معیار متوسط مربعات خطا، ضریب تبیین و میانگین قدرمطلق خطا بررسی شد. با توجه به نتایج بسیار نزدیک به‌کارگیری روش‌های SVR و MLP، این دو روش برای برآورد مقاومت تک‌محوری خاک مورد مطالعه پیشنهاد می‌شوند. همچنین تحلیل حساسیت مدل‌ها بیانگر این است که متغیرهای ورودیِ پوزولان، ملاریته و زمان عمل‌آوری به‌ترتیب بیشترین درجه اهمیت را در پیش‌بینی مقاومت فشاری دارند.