مدل سازی فشار- نشست خاک تحت تاثیر سرعت نشست با استفاده از یادگیری عمیق بهینه سازی شده توسط الگوریتم گرگ خاکستری

با توجه به متغیرهای متعددی که بر سیستم های اندرکنش خاک و ماشین تاثیرگذار هستند، پیش بینی پاسخ مکانیکی خاک در تعامل با دستگاه های کششی خارج از جاده چالش برانگیز است. در این مطالعه، شبکه های عصبی عمیق به دلیل توانایی آن ها در مدل سازی سیستم های پیچیده، چندمتغیره و دینامیک به عنوان یک راه حل بالقوه برای توضیح میزان فرورفتگی خاک در نرخ های مختلف از بار عمودی انتخاب شد. آزمایش های فشار-نشست خاک با استفاده از بوامتر در یک انباره خاک از نوع ثابت با طول ۲۴ متر، عرض ۲ متر و کانال خاک عمق ۱ متر انجام شد. آزمایش های تجربی در سه سطح سرعت نشست، دو سطح اندازه صفحه، در محتوای آب خاک ۱۰ درصد انجام شد که داده های تجربی در مورد روابط فشار و نشست خاک ارائه می کرد. این آزمایش ها به عنوان مبنایی برای الگوریتمی بود که قادر به تشخیص تعامل بین خاک ماشین پس از یک فرآیند تکراری دقیق بود. مشخص شد که یک شبکه عصبی عمیق، به ویژه یک شبکه عصبی عمیق با انتشار پیش خور با سه لایه پنهان، انتخاب بهینه برای این منظور است. معماری شبکه عصبی عمیق بهینه شده به صورت ۱-۱۰-۱۵-۸-۳ شکل یافت که توسط الگوریتم بهینه سازی گرگ خاکستری تعیین شده است. در حالی که معادله بکر به طور سنتی به عنوان یک روش پذیرفته شده برای پیش بینی رفتار فشار- نشست خاک استفاده می شود، تاثیر سرعت نشست در خاک را نادیده می گرفت. با این حال، یافته های تحقیق تاثیر قابل توجهی از سرعت نشست بر پارامترهای حاکم بر پاسخ تغییر شکل خاک را نشان داد. شبکه عصبی عمیق آموزش دیده با موفقیت سرعت نشست را در ساختار خود گنجاند و نتایج دقیقی با مقدار میانگین مربعات خطای ۰.۰۸۷۱ ارائه کرد.