| طبقه بندی ژئوتکنیکی خاک در مسیر تونل خط 7 و 10 مترو تهران با استفاده از الگوریتم های هوش مصنوعی |
| کد مقاله : 1107-NIEGC2025 |
| نویسندگان |
|
پویا فتحی *1، جعفر حسن پور2، صادق آمون3 1دانشجوی زمین شناسی مهندسی دانشگاه تهران 2دانشیار و عضو هیئت علمی دانشکده زمین شناسی، زمین شناسی مهندسی،دانشکده زمین شناسی دانشگاه تهران 3خط 10 مترو تهران |
| چکیده مقاله |
| در این پژوهش، یک چارچوب دادهمحور برای طبقهبندی و تحلیل رفتاری خاکهای درشتدانه مسیرهای شمالی–جنوبی خط ۷ و فاز اول خط ۱۰ مترو تهران توسعه داده شد. هدف اصلی این مطالعه، ایجاد روشی نظاممند برای یکپارچهسازی دادههای پراکنده آزمایشگاهی و صحرایی و استخراج گروههای رفتاری خاک در محدودههای آبرفتی درشت دانه شمال تهران بود. در این راستا، دادههای ژئوتکنیکی حاصل از حفاری گمانهها (BH) و چاهکهای دستی (TP) گردآوری، پاکسازی، استانداردسازی و سپس دادهها به دو گروه اصلی تقسیم شدند: گروه الف شامل آزمایشهای کمهزینه و با داده کامل (دانهبندی و حدود اتربرگ)، و گروه ب شامل آزمایشهای پرهزینه و محدود (برش مستقیم، پرسیومتری، نفوذپذیری، بارگذاری صفحهای، برش برجا و دانسیته). پس از نرمالسازی دادهها، الگوریتم KMeans برای شناسایی پنج خوشه رفتاری اصلی ET-1) تا (ET-5 بهکار رفت و برای تفکیک دقیقتر رفتار مهندسی، هر خوشه بر پایه پارامترهای C و Φ به زیرخوشههای کوچکتر تقسیم شد. نتایج نشان داد که خوشههای ET-1 و ET-2 دارای بیشترین تنوع رفتاری و پراکندگی داده هستند، در حالی که خوشههای ET-3 تا ET-5 رفتار یکنواختتری دارند. خوشهبندی جزئیتر مبتنی بر پارامترهای C و Φ موجب افزایش تفکیکپذیری آماری و کاهش واریانس درونگروهی شد. در گام نهایی، الگوریتم جنگل تصادفی (Random Forest Regression) برای تخمین مقادیر گمشده پارامترهای مقاومتی به کار رفت. چارچوب پیشنهادی، روشی نوین و کارآمد برای تحلیل دادههای ژئوتکنیکی در پروژههای بزرگ مهندسی زمین شناسی بهویژه حفاری خطوط مترو میباشد و میتواند بهعنوان الگویی استاندارد برای طبقهبندی رفتاری و برآورد خواص مکانیکی خاک در طرحهای مشابه مورد استفاده قرار گیرد. |
| کلیدواژه ها |
| خوشه بندی، یادگیری ماشین، طبقه بندی مهندسی |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |