برآورد آماس در تونل ها و فضاهای زیرزمینی با استفاده از روش های عددی و یادگیری توسط شبکه عصبی

این مقاله به بررسی کاربرد شبکه های عصبی در برآورد فشارندگی در فضاهای زیرزمینی و تونل می پردازد که برای پایداری و دوام سازهها بسیار حیاتی است . ساختار مدرن شهری امروزی به طور فزاینده بر این فضاهای زیرزمینی ، مانند تونل ها ، برای توسعه شبکه های حمل و نقل و زیرساخت های اساسی وابسته است . چالش های زمین شناسی و مهندسی ، به ویژه تحلی تنش فشاری و فشارندگی ، موانع قابل توجهی را برای ساخت و نگهداری فراهم می کنند. این تحقیق به بررسی امکان و کارایی استفاده از شبکه های عصبی در برآورد رفتار فشارندگی زمین ، با هدف افزایش درک و ارائه یک ابزار برای مهندسان در مراحل برنامه ریزی و طراحی پروژههای زیرزمیی ن مخصوصا در محیط های شهری می پردازد. نتایج نشان می دهند که مدل شبکه عصبی پس از آموزش دقیق ، مقادیر میانگین مربع خطاهای ۲۸۷/۳ در فاز آموزش، ۷۳۶/۱۸ در ارزیابی و ۶۰۱/۴ در آزمون را دارد. سناریوهای مختلف آموزش نتایج متفاوتی را به دنبال دارند؛ به عنوان مثال، افزایش دادههای آموزش به ۹۰% در حالی که میزان دادههای ارزیابی و آزمون هرکدام برابر با ۵% باقی می ماند، منجر به خطای آموزش ۱۷/۱۲، خطای ارزیابی ۰۸۱/۳ و خطای آزمون ۶۷۸/۲۸ می شود. حساسیت عملکرد شبکه عصبی نسبت به تغییرات در دادههای آموزش، ارزیابی و آزمون، اهمیت مطالعه دقیق در کاربرد آنها را تاکید می کند.