ارزیابی ظرفیت باربری شالوده های جدار نازک با روش تلفیقی فازی -عصبی روش دسته بندی گروهی داده ها بهینه شده با روش های فراابتکاری

برآورد صحیح و مطمئن ظرفیت باربری پی های جدار نازک برای طراحی دقیق این سازه ها مهم و ضروری است . این مطالعه یک تکنیک هوشمند ترکیبی جدید، یعنی سیستم استنتاج عصبی فازی تطبیقی -(ANFIS)شبکه عصبی چند جمله ای (GMDH) بهینه سازی شده توسط الگوریتم ژنتیک (GA)، به نام ANFIS-GMDH-GA را برای پیش بینی ظرفیت باربری پیشنهاد می کند. پایه های دیوار نازک در واقع در سیستم ANFIS-GMDH-GA از GA برای بهینه سازی ساختار ANFIS-GMDH استفاده شد. برای دستیابی به هدف این پژوهش ، مجموعه ای از نمونه های داده از مقالات گذشته جمع آوری شد. پس از ایجاد پایگاه داده، بسیاری از مدلهای ANFIS-GMDH-GA ساخته و برای تخمین ظرفیت باربری پایه های فوقالذکر پیشنهاد شدند. برای نشان دادن قابلیت این مدل هیبریدی پیشرفته ، دو مدل از پیش توسعه یافته یعنی ANFIS و GMDH نیز برای پیش بینی ظرفیت باربری ساخته شدند. پیش بینی عملکرد مدلهای پیشنهادی با استفاده از چندین شاخص عملکرد، به عنوان مثال، ضریب همبستگی (R) و میانگین مربعات خطا (MSE) ارزیابی شد. مقادیر R (۰.۹۸۲۵، ۹۰۷۱.۰، و ۹۹۲۸.۰) و (۸۶۳۰.۰، ۷۵۹۵.۰ و ۹۲۴۱.۰) به ترتیب برای آموزش و آزمایش داده های مدل های ANFIS، GMDH و ANFIS-GMDH-GA به دست آمد. بر این اساس، به دلیل نقش GA به عنوان یک الگوریتم بهینه سازی عملی در بهبود کارایی هر دو مدل GMDH و ANFIS، نتایج به دست آمده توسط مدل ANFIS-GMDH-GA در مقایسه با سایر روشهای اجرا شده دقیق تر است . مدل ترکیبی پیشرفته پیشنهادی را می توان به عنوان یک تکنیک جدید و کاربردی برای حل مسائل در زمینه ژئوتکنیک و مهندسی عمران معرفی کرد.