مقايسه عددي عملكرد الگوريتم‌هاي ژنتيك و ازدحام ذرات در فرآيند انجام آناليز برگشتي جهت تعيين پارامترهاي مقاومتي خاك گودبرداري‌ها

Numerical comparison of performance of particle swarm and genetic algorithms in the process of performing back analysis to determine soil strength parameters of excavations

امروزه روش‌هاي آناليز برگشتي به عنوان روش‌هايي قابل اعتماد و موثر جهت تخمين پارامترهاي مقاومتي خاك محل پروژه شناخته مي‌شوند. آناليز برگشتي را مي‌توان بوسيله الگوريتم‌هاي ژنتيك و ازدحام ذرات در قالب يك فرآيند بهينه سازي انجام داد. در اين مقاله، فرآيند ‌آناليز برگشتي بوسيله الگوريتم‌هاي ژنتيك و ازدحام ذرات جهت تعيين پارامترهاي مقاومتي خاك محل پروژه يك گوبرداري واقع در شهر تهران انجام شده است. اين فرآيند به صورت تمام خودكار با ايجاد ارتباط بين نرم افزارهاي Matlab و Abaqus از طريق زبان برنامه نويسي پايتون انجام شده است. ابتدا براي ارزيابي نتايج روش عددي، اين روش با نتايج مطالعات عددي بابو و سينگ مقايسه شده است. پس از اطمينان از پاسخ عددي، مقادير سه پارامتر مدول الاستيسيته، چسبندگي و زاويه اصطكاك داخلي خاك براي هر سه لايه خاك محل پروژه با استفاده از الگوريتم‌هاي ژنتيك و ازدحام ذرات تعيين و بهينه شدند. نتايج بهينه شده توسط الگوريتم‌هاي ژنتيك و ازدحام ذرات به ترتيب موجب كاهش 72/1% و 62/4% اختلاف جابجايي حاصل از نتايج پايش پروژه و تحليل عددي شده است. اين امر نشان دهنده عملكرد بهتر الگوريتم ژنتيك نسبت به الگوريتم ازدحام ذرات دركاهش ميزان خطا و دستيابي سريعتر به شرايط خاتمه مي‌باشد.

Today back analysis methods are known as reliable and effective approaches for estimating soil strength parameters in the site of project. The regression analysis can be done by particle swarm and genetic algorithms in form of an optimization process. In this paper, a back analysis process is carried out using particle swarm and genetic algorithms in order to determine soil strength parameters in an excavation project in Tehran. The process is automatically accomplished by linking Matlab and Abaqus software through Python programming language. To assess the results of numerical methods, this method is initially compared with the results of numerical studies by Babo and Sing. After the verification of numerical response, the values of three parameters of elastic modulus, adhesion and internal friction angle of the soil are determined and optimized for all three soil layers of the project site using particle swarm and genetic algorithms. The results optimized by particle swarm and genetic algorithms show a decrease by 72.1% and 62.4% in displacement differences in the results of project monitoring and numerical analysis, respectively. This suggests the better performance of genetic algorithm than particle swarm algorithm in minimization of error and faster success in achieving termination conditions.