intelligent classification algorithms
در نشریات گروه عمران-
یکی از پیامدهای احتمالی وقوع زمین لرزه در زمین های اشباع، روان گرایی خاک و در نتیجه آن شکست و خرابی فونداسیون ساختمان ها، انواع زیرساخت ها، پل ها و بسیاری فجایع دیگر می باشد. در این تحقیق سعی شد به منظور ارزیابی پتاسیل روان گرایی خاک برروی 79 نمونه از پایگاه داده زلزله تنگشان کشور چین، چند مدل طبقه بندی هوشمند با کمک نرم افزار Orange ساخته شود. به همین منظور عملکرد 5 روش طبقه بندی هوشمند (رگرسیون لاجستیک، شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM)، نزدیک ترین همسایگی(KNN) و جنگل تصادفی) براساس معیارهای مختلف با هم مقایسه شدند. نتایج نشان داد روش های SVM، ANN و رگرسیون لاجستیک از توانایی بالایی برای پیش بینی کلاس روان گرایی خاک برخوردار هستند و در بین آنها روش رگرسیون لاجستیک با مقدار شاخص AUC (98/0) به عنوان بهترین روش انتخاب شد. علاوه بر این، بررسی تاثیرگذاری متغیرها بااستفاده از چهار معیار بهره اطلاعاتی، بهره اطلاعاتی نسبی، شاخص جینی و شاخص ReliefF بیانگر این است که متغیر مقاومت نوک مخروط در آزمایش نفوذ مخروطی موثرترین روش است و در اولویت اول قرار می گیرد. هم چنین متغیرهای نسبت تنش تناوبی و حداکثر شتاب افقی زلزله در سطح زمین ویژگی های مهمی به حساب می آیند.
کلید واژگان: زمین لرزه، روان گرایی، الگوریتم های طبقه بندی هوشمند، نرم افزار OrangeOne 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.
Keywords: Earthquake, Liquefaction, intelligent classification algorithms, Orange software
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.