ارزيابي پتانسيل روان‌گرايي خاك در اثر وقوع زمين‌لرزه بااستفاده از چند الگوريتم طبقه‌بندي هوشمند در نرم‌افزار Orange

Evaluation of Soil Liquefaction Potential Due to Earthquake using Intelligent Classification Algorithm in Orange Software

يكي از پيامدهاي احتمالي وقوع زمين‌لرزه در زمين‌هاي اشباع، روان‌گرايي خاك و در نتيجۀ آن شكست و خرابي فونداسيون ساختمان‌ها، انواع زيرساخت‌ها، پل‌ها و بسياري فجايع ديگر مي‌باشد. در اين تحقيق سعي شد به‌منظور ارزيابي پتاسيل روان‌گرايي خاك برروي 79 نمونه از پايگاه دادۀ زلزلۀ تنگشان كشور چين، چند مدل طبقه‌بندي هوشمند با كمك نرم‌افزار Orange ساخته شود. به همين منظور عملكرد 5 روش طبقه‌بندي هوشمند (رگرسيون لاجستيك، شبكۀ عصبي مصنوعي (ANN)، ماشين بردار پشتيبان (SVM)، نزديك‌ترين همسايگي(KNN) و جنگل تصادفي) براساس معيارهاي مختلف با هم مقايسه شدند. نتايج نشان داد روش‌هاي SVM، ANN و رگرسيون لاجستيك از توانايي بالايي براي پيش‌بيني كلاس روان‌گرايي خاك برخوردار هستند و در بين آنها روش رگرسيون لاجستيك با مقدار شاخص AUC (98/0) به‌عنوان بهترين روش انتخاب شد. علاوه‌بر اين، بررسي تأثيرگذاري متغيرها بااستفاده از چهار معيار بهرۀ اطلاعاتي، بهرۀ اطلاعاتي نسبي، شاخص جيني و شاخص ReliefF بيانگر اين است كه متغير مقاومت نوك مخروط در آزمايش نفوذ مخروطي مؤثرترين روش است و در اولويت اول قرار مي‌گيرد. هم‌چنين متغيرهاي نسبت تنش تناوبي و حداكثر شتاب افقي زلزله در سطح زمين ويژگي‌هاي مهمي‌ به‌حساب مي‌آيند.

One of the possible consequences of earthquakes in saturated areas is soil liquefaction and as a result the failure of foundations of buildings, types of infrastructure, bridges and many other disasters. In this study, in order to evaluate the potential of soil liquefaction on 79 samples from China Tangshan Earthquake Database, several intelligent classification models were constructed with the help of Orange software. Therefore, the performance of 5 intelligent classification methods (Logistic Regression, Artificial Neural Network (ANN), Support Vector Machine (SVM), K-fold Nearest Neighbor (KNN) and Random Forest) were compared based on different criteria. The results showed that SVM, ANN and Logistic Regression methods have a high ability to predict soil liquefaction class and among them the Logistic Regression method with AUC index (0.98) was selected as the best method. In addition, the study of the effectiveness of variables using three criteria of Information Gain, Information Gain Ratio and Gini Index, indicates that the variable measured CPT tip resistance is the most effective variable and is the first priority. The variables of cyclic stress ratio and peak acceleration at the ground surfaceare also important features.