جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه random forest (rf) algorithm در نشریات گروه فنی و مهندسی
random forest (rf) algorithm
در نشریات گروه مهندسی معدن
تکرار جستجوی کلیدواژه random forest (rf) algorithm در مقالات مجلات علمی
-
نشست ناشی از عملیات تونلسازی در محیط های شهری پدیده ای اجتناب ناپذیر است. پیش بینی و کنترل این پدیده آسیب های احتمالی به سازه های سطحی و زیرساخت های مجاور را به طور قابل توجهی کاهش می دهد. در این مقاله، برای پیش بینی حداکثر نشست سطح زمین ناشی از عملیات حفاری تونل های کم عمق در محیط های شهری از دو روش رگرسیون خطی چندگانه (MLR) و الگوریتم جنگل تصادفی (RF) استفاده شده است. بدین منظور 9 پارامتر ورودی موثر بر حداکثر نشست سطح زمین از جمله فاصله مرکز تونل از سطح زمین (H)، ارتفاع سطح آب زیرزمینی بالای تونل (W.T)، قطر تونل (D)، مدول الاستیسته خاک (E)، مقاومت برشی زهکشی نشده خاک (Cu)، ضریب فشار زمین (K0)، وزن مخصوص خاک (γ)، پارامتر گپ (g) و عدد پایداری (N) بر اساس 24 دسته داده مربوط به 14 پروژه مختلف تونلسازی انتخاب و سپس روش های MLR و RF پیاده سازی شدند. برای ارزیابی کارایی مدل ها در پیش بینی حداکثر نشست از 3 شاخص ضریب تعیین (R2)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) برای داده های آموزش و تست استفاده شد. مقادیر ضریب تعیین روش های MLR و RF برای داده های آموزش به ترتیب 814/0 و 957/0 و برای داده های تست به ترتیب 793/0 و 96/0 به دست آمد که نشان دهنده کارایی بالای روش RF در مقایسه با MLR است. به علاوه، نتایج نشان داد که مقادیر شاخص های RMSE و MAE در هر دو مرحله آموزش و تست برای الگوریتم RF کمتر از روش MLR است که خطای کمتر الگوریتم RF و قابلیت اطمینان و دقت بالاتر آن نسبت به روش MLR نشان می دهد. همچنین، نتایج آنالیز اهمیت نشان می دهد که از بین پارامترهای ورودی، پارامتر گپ (g) و مقاومت برشی زهکشی نشده خاک (Cu) به ترتیب بیشترین و کمترین تاثیر را بر حداکثر نشست سطح زمین دارند.کلید واژگان: عملیات تونلسازی، حداکثر نشست سطح زمین، رگرسیون خطی چندگانه، الگوریتم جنگل تصادفیThe occurrence of settlement induced by tunneling operations in urban environments is an inevitable phenomenon. The risk of damage to nearby infrastructures and surface structures can be greatly reduced by predicting and controlling this event. This paper uses multiple linear regression (MLR) model and random forest (RF) algorithm to predict the maximum surface settlement (Smax) due to shallow tunnel excavation. Nine input parameters, including the distance of the tunnel center from the ground surface (H), height of the underground water level above the tunnel (W.T), tunnel diameter (D), elastic modulus of soil (E), undrained shear strength of soil (Cu), earth pressure coefficient (K0), unit weight of soil (γ), gap parameter (g), and stability number (N) were selected from 24 data sets related to 14 tunneling projects. The MLR and RF techniques were then implemented for predicting Smax. Three performance indicators of coefficient of determination (R2), root mean square error (RMSE), and mean absolute error (MAE) were employed for the training and test phases to evaluate the efficiency of the suggested models. The coefficient of determination values for MLR and RF for training data were 0.814 and 0.957, respectively, while for test data were 0.793 and 0.96, indicating that the RF approach is more efficient than MLR. Moreover, the findings reveal that the RF algorithm exhibits lower RMSE and MAE values in both the training and testing phases compared to the MLR method. This suggests that the RF algorithm exhibits reduced error and higher reliability and accuracy when compared to the MLR model. Also, the performance study demonstrates that among the input parameters, the gap parameter (g) and the undrained shear strength of soil (Cu) have the greatest and least influence on Smax, respectively.Keywords: Tunneling Operations, Maximum Surface Settlement (Smax), Multiple Linear Regression (MLR) Model, Random Forest (RF) Algorithm
نکته
- 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.