پيش‌بيني ظرفيت باربري جانبي شمع‌ها در خاك‌هاي رسي با استفاده از ماشين بردار پشتيبان

Prediction of Lateral Bearing Capacity of Pile in Clay Using Support Vector Machine

پيش‌بيني ظرفيت باربري شمع‌هاي تحت بار جانبي يكي از مسائل اساسي در مهندسي ژئوتكنيك است و تاكنون روش‌هاي متفاوتي براي ارزيابي آن ارائه شده است. ماشين بردار پشتيبان (SVM) يك روش نسبتاً جديد هوش مصنوعي است كه در بسياري از مسائل ژئوتكنيكي به طور موفقيت‌آميزي مورد استفاده قرار گرفته است. اين مقاله كاربرد مدل SVM براي پيش‌بيني ظرفيت باربري جانبي شمع‌ها در خاك‌هاي رسي را شرح مي‌دهد. از نتايج مدل‌هاي كوچك مقياس آزمايشگاهي شمع‌هاي صلب در خاك‌هاي رسي با پارامترهاي ورودي قطر شمع (D)، طول مدفون شمع (L)، خروج از مركز بار (e) و مقاومت برشي زهكشي‌نشده خاك (Su) براي توسعه و ارزيابي مدل استفاده شده است. ظرفيت باربري جانبي پيش‌بيني‌شده توسط مدل پيشنهادي با نتايج حاصل از مدل شبكه عصبي مصنوعي (ANN) و همچنين روش‌هاي تحليلي Broms و Hansen مقايسه شده است. نتايج نشان از كارايي بهتر مدل SVM نسبت به روش‌هاي مذكور دارد. اين مطالعه نشان مي‌دهد كه روش SVM يك ابزار جايگزين براي مهندسين ژئوتكنيك به منظور پيش‌بيني ظرفيت باربري جانبي شمع‌ها ارائه مي‌دهد.

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.