پیش بینی مدول برجهندگی خاک های ریزدانه با استفاده از شبکه عصبی مصنوعی، ماشین بردار پشتیبان و سیستم استنتاج تطبیقی عصبی-فازی بهینه سازی شده با الگوریتم ازدحام ذرات

مدول برجهندگی خاک بستر ازجمله پارامترهای بسیار مهم در تحلیل و طراحی روسازی است. این پارامتر هم در روش های تجربی (مانند اشتو 1993) و هم در روش های مکانیستیک-تجربی (مانند MEPDG) به عنوان اصلی ترین پارامتر برای بیان مقاومت و خصوصیات مکانیکی خاک بستر مورداستفاده قرار می گیرد. برای تعیین این پارامتر نیاز است تا آزمایش بارگذاری سه محوری دینامیک تحت تنش های محدود کننده و تنش های انحرافی مختلف بر روی خاک انجام شود که انجام این آزمایش ها بسیار وقت گیر و پرهزینه است. در این مقاله عملکرد سه روش ترکیبی هوش محاسباتی شامل شبکه عصبی مصنوعی بهینه سازی شده با الگوریتم ازدحام ذرات (ANN-PSO)، ماشین بردار پشتیبان بهینه سازی شده با الگوریتم ازدحام ذرات (SVM-PSO) و سیستم استنتاج تطبیقی عصبی-فازی بهینه سازی شده با الگوریتم ازدحام ذرات (ANFIS-PSO) به منظور پیش بینی مدول برجهندگی مصالح خاک بستر ریزدانه مورد ارزیابی قرار گرفته است و نتایج این سه روش با یکدیگر مقایسه گردیده است. در کلیه این مدل ها درصد عبوری از الک نمره 200، حد روانی، شاخص خمیری، درصد رطوبت بهینه، درصد رطوبت، درجه اشباع، مقاومت فشاری تک محوری، تنش محدودکننده و تنش انحرافی به عنوان ورودی و مدول برجهندگی به عنوان پارامتر خروجی در نظر گرفته شد. نتایج این تحقیق نشان می دهد که روش ANN-PSO بیش ترین دقت را در پیش بینی مدول برجهندگی خاک های ریزدانه فراهم می سازد. ضریب رگرسیون حاصل از این روش برای مجموع کل داده ها برابر با 992/0 است و این روش در اکثر موارد مقدار مدول برجهندگی را با درصد خطای کمتر از 20 درصد پیش بینی می کند. ضریب رگرسیون حاصل از دو روش SVM-PSO وANFIS-PSO به ترتیب برابر با 989/0 و 951/0 است. نتایج این تحقیق همچنین نشان داد که درصد مصالح عبوری از الک نمره 200 بیشترین تاثیر و پارامتر تنش انحرافی کمترین تاثیر را بر روی مدول برجهندگی مصالح خاکی ریزدانه دارند.