پيش‌بيني ظرفيت باربري محوري شمع بر مبناي آزمايش CPT به كمك مدل درختي M5P

Prediction of axial capacity of piles using M5P model tree base on CPT data

پيش‌بيني ظرفيت باربري شمع‌هاي تحت بار محوري يكي از مسائل اساسي در مهندسي ژئوتكنيك است و تاكنون روش‌هاي متفاوتي براي ارزيابي آن ارائه شده است. در سال‌هاي اخير، روش‌هاي محاسبات نرم مانند شبكه‌هاي عصبي مصنوعي (ANN) و ماشين‌هاي بردار پشتيبان (SVM) براي پيش‌بيني ظرفيت باربري شمع‌ها مورد استفاده قرار گرفته است. با اين حال، در اين روش‌ها فرايند مدل‌سازي پيچيده است و استفاده از آن‌ها مانند روش‌هاي تجربي آسان نيست. در اين تحقيق، از مدل درختي M5P به عنوان يك روش محاسبات نرم جديد، براي پيش‌بيني ظرفيت باربري محوري شمع‌ها بر مبناي نتايج آزمايش نفوذ مخروط (CPT) استفاده شده است. مزيت اصلي مدل‌هاي درختي نسبت به شبكه‌هاي عصبي مصنوعي و ماشين‌هاي بردار پشتيبان، سادگيِ كاربرد و مهم‌تر از آن، قوانين رياضي قابل‌درك است. به منظور توسعه مدل M5P از 108 داده منتشرشده در مقالات مختلف استفاده شده است. هر نمونه داراي 15 پارامتر شامل اطلاعاتي در مورد هندسه شمع، نتايج آزمايش بارگذاري استاتيكي در مقياس واقعي و نتايج آزمايش نفوذ مخروط است. در اين تحقيق، رابطه‌هاي جديدي ارائه شده است كه با استفاده از آن‌ها، به‌سادگي و با دقت بالا مي‌توان ظرفيت باربري شمع‌ها را پيش‌بيني كرد.

Prediction axle-load bearing capacity of piles under a fundamental problem in geotechnical engineering and so far different assessment methods are presented. In recent years, soft computing techniques such as artificial neural networks (ANN) and support vector machines (SVM) is used to predict the bearing capacity of piles. However, in these modeling process is complex and not easy to use them as experimental methods. In this study, the model M5P tree as a new soft computing techniques for predicting the axial bearing capacity of piles based on the results of cone penetration test (CPT) is used. The main advantage of artificial neural networks and support vector machines to the tree models, ease of use and most importantly, it is understandable mathematical laws. To develop the model M5P of 108 different articles have been published. Each sample consists of 15 parameter contains information about the geometry of the pile, static load test results in real scale and cone penetration test results. In this study, new relationships that are using them, simply and with high precision bearing capacity of piles can be predicted.