1. معرفی
پدیده گسترده جهانی شهرنشینی شکل چهره سیاره ما است که به طور فزاینده ای بیشتر جمعیت جهان شهرها را خانه خود می نامند. این روند تحول آمیز پر از چالش ها است زیرا شهرها در سراسر جهان با پیامدهای زیست محیطی و زیرساختی در حال رشد جمعیت شهری روبرو هستند [
1]. چشم انداز شهری نیاز به سازگاری و گسترش مداوم دارد ، که نیاز به مصرف منابع قابل توجهی و فشار زیاد بر دارایی های طبیعی محدود سیاره ما دارد. مسیر نمایی روند شهرنشینی و خواسته های منابع حاصل از آن به ناچار روابط شهری را با محیط زیست تغییر داده است [
2]. در میان این میزان مصرف بیسابقه، چالش یافتن منابع جدید برای حفظ رشد شهری و تقویت نحوه استفاده از منابع فعلی برای حمایت از سبک زندگی شهری است. این وظیفه شامل اصلاح استراتژی های ما برای ایجاد ارزش بیشتر و کیفیت زندگی بالاتر با ورودی کمتر یا به عبارت دیگر انتقال به سمت شهرهای پایدارتر است. [
3]. شهرها همیشه شبیه به موجودات زنده عمل کرده اند و از منابع و انرژی برای بقا استفاده می کنند. با این حال، افزایش جریان ورودی شهری که توسط پیشرفت های تکنولوژیکی و رشد جمعیت تسریع می شود، مدیریت منابع سیستماتیک و پایدارتر را ضروری می کند. [
4]. یکی از حوزه های مهم این گفتمان، توسعه مواد جدید و پایدار مناسب برای شهرهای شهری، با تاکید ویژه بر بخش ساخت و ساز است – مصرف کننده قابل توجهی از منابع و سهم قابل توجهی در تخریب محیط زیست.
به ویژه، خاک، که به طور گسترده در فعالیت های ساختمانی، به ویژه برای جاده ها و روسازی ها استفاده می شود، تحت فشار بسیار زیادی قرار دارد. بنابراین، درک خواص و رفتار خاک برای پایداری بخش بسیار مهم است. یکی از پارامترهای کلیدی خاک که در طراحی جاده و روسازی استفاده می شود، نسبت باربری کالیفرنیا (CBR) است که بالاترین تراکم مقاومت در برابر نفوذ خاک را اندازه گیری می کند. [
5]. این نسبت در طراحی ضخامت روسازی و لایه های زیرپایه قابل توجه است و می توان آن را به صورت زیر نشان داد:
“بار آزمایشی” به نیروی نفوذ در نمونه خاک اشاره دارد. در همان زمان، “بار استاندارد” نشان دهنده مقاومت ارائه شده توسط یک نمونه سنگدانه خرد شده استاندارد با CBR 100٪ در برابر نفوذ معادل است. مقادیر CBR با نفوذ 2.5 میلی متر و 5 میلی متر تخمین زده می شود که مقدار بالاتری در طراحی استفاده شده است. [
5].
آزمایش CBR که در دهه 1920 توسط بخش بزرگراه ایالتی کالیفرنیا ابداع شد، حتی توسط سپاه مهندسین ایالات متحده برای فرودگاه های نظامی در طول دهه 1940 به طور گسترده مورد استفاده قرار گرفت. [
6]. به طور سنتی، آزمایش CBR شامل فشرده سازی نمونه های خاک تا حداکثر چگالی خشک آنها در آزمایشگاه و قرار دادن آنها در عمق نفوذ 2.5 یا 5 میلی متر است. در محل، CBR به طور غیرمستقیم با استفاده از روشهای تجربی اندازهگیری میشود، مانند آزمایش نفوذ مخروط دینامیکی (DCP) که در یک گودال آزمایشی حفر شده در سطح زیرین انجام شد. [
7]. اگرچه آزمایش CBR آزمایشگاهی بینش های مهمی را ارائه می دهد، اما زمان بر است و مستعد خطاهای انسانی و مسائل مربوط به جمع آوری داده ها است که به طور بالقوه نتایج آزمایش را باطل می کند. مقدار CBR نیز بسته به نوع و خواص خاک می تواند به طور قابل توجهی متفاوت باشد [
8,
9]. بنابراین، روشهای غیرمستقیم برای تخمین سریع و دقیق مقادیر CBR برای کاهش تأخیرهای پروژه و تضمین کیفیت ساخت و ساز ثابت ضروری است. [
10]. اهمیت پیش بینی های ارزش CBR کارآمد را نمی توان اغراق کرد، به ویژه با توجه به پیامدهای زیست محیطی شیوه های ساخت و ساز ناپایدار. رویکردهای نوآورانه برای بهبود دقت پیشبینیهای ارزش CBR و در نتیجه پایداری فعالیتهای ساختوساز شهری ضروری هستند. [
11]. خوشبختانه، فناوری های نوظهور راه حل های امیدوارکننده ای را ارائه می دهند. در سالهای اخیر، تکنیکهای یادگیری ماشین (ML) و شبیهسازیهای نظری در حل مسائل پیچیده در بخشهای مختلف مؤثر بودهاند. [
12]. ترکیب تکنیکهای ML در طبقهبندی و خصوصیات خاک میتواند ابزاری سریع، مقرونبهصرفه و دقیق برای تخمین ویژگیهای خاک، مانند مقدار CBR، فراهم کند. این چشم انداز برای پایداری فعالیت های ساخت و ساز ضروری است و فرصتی برای عبور از چالش منابع شهری با بهبود کارایی ساخت و ساز و کاهش ضایعات ایجاد می کند. [
13]. علاوه بر این، ما می توانیم یک ارتباط عمیق بین منابع شهری و اکوسیستم ها پیدا کنیم. از آنجایی که شهرها به منابع خارجی وارداتی وابسته هستند، از منابع داخلی و خدمات اکوسیستمی نیز بهره مند می شوند [
14]. به عنوان مثال، مطالعه خواص خاک مانند مقادیر CBR نقش مهمی در برنامه ریزی شهری و توسعه زیرساخت ایفا می کند، بنابراین منابع شهری، محیط زیست و روش های یادگیری ماشین را به هم مرتبط می کند.
پیشرفتهای اخیر شاهد پذیرش فزاینده تمرینهای مدلسازی پیشبینیکننده با استفاده از طیف متنوعی از تکنیکهای یادگیری ماشین، مانند شبکههای عصبی مصنوعی (ANN)، مدلهای رگرسیون تکهای (EPR)، اسپلاینهای رگرسیون تطبیقی چند متغیره، جنگلهای تصادفی، ماشینهای تقویت گرادیان، و برنامه نویسی بیان ژن (GEP)، برای استنتاج مقادیر نسبت باربری کالیفرنیا (CBR) به طور غیر مستقیم [
15,
16,
17,
18,
19]. این روند نوظهور نوید کاهش قابل توجه زمان و منابع صرف شده در آزمایشهای سنتی CBR مبتنی بر آزمایشگاه را میدهد، بنابراین کارایی مدیریت و برنامهریزی منابع شهری را افزایش میدهد و به پیشرفت شهرهای پایدارتر کمک میکند. با این حال، در نظر گرفتن تکنیک های مختلف ML موجود و مناسب بودن آنها برای کاربردهای مختلف بسیار مهم است [
20]. برای مثال، پیشبینی مقادیر CBR با استفاده از تکنیکهایی مانند ماشینهای بردار پشتیبان (SVM) و شبکههای عصبی مصنوعی (ANN) انجام شده است. در حالی که هر دو تکنیک امیدوارکننده بوده اند، هر کدام نقاط قوت و محدودیت های خود را دارند و عملکرد آنها می تواند وابسته به زمینه باشد [
21].
همانطور که ما به عمق بخشیدن به درک خود از ویژگی های خاک و مدل سازی پیش بینی آنها ادامه می دهیم، همچنین جعبه ابزار خود را برای مقابله با چالش های منابعی که شهرهای به سرعت در حال شهرنشینی در سراسر جهان با آن مواجه هستند، گسترش می دهیم. نیاز به درک بیشتر در مورد استفاده از تکنیک های ML و شبیه سازی های نظری در پیش بینی خواص خاک، به ویژه مقادیر CBR وجود دارد. علاوه بر این، ادبیات موجود عمدتاً بر روشهای مرسوم تمرکز میکند، که اگرچه مفید هستند، اما ممکن است نسبت به رویکردهای جدیدتر و نوآورانهتر، منابع فشردهتر و دقیقتر باشند. [
22].
میز 1 ادبیات قابل توجهی را خلاصه می کند که مدل هایی را برای پیش بینی CBR خاک های ریزدانه با استفاده از روش های مختلف، از جمله تحلیل رگرسیون، شبکه های عصبی مصنوعی (ANN)، و سیستم های استنتاج عصبی فازی تطبیقی (ANFIS) ایجاد کرده است. در حالی که این مطالعات به این زمینه کمک کرده است، اکثر آنها با اندازه دادههای کوچک محدود شدهاند، خود را به نوع خاصی از خاک محدود میکنند و مانع از تعمیمپذیری و کاربرد مدلهایشان میشوند. در مقابل، مطالعه حاضر از تعداد قابل توجهی از نقاط داده با انواع مختلف خاک بهره میبرد که قابلیت اطمینان و استحکام مدلهای توسعهیافته را افزایش میدهد. پرداختن به این شکاف ها در دانش و عمل برای پیشرفت به سوی شهرهای پایدار بسیار مهم است و بر اهمیت این مطالعه تاکید می کند. بنابراین، این مطالعه با بررسی استفاده از تکنیکهای یادگیری ماشین و شبیهسازیهای نظری برای پیشبینی ارزش CBR به ادبیات کمک میکند. هدف اصلی تعیین اینکه آیا این رویکردها میتوانند دقت و کارایی پیشبینی ارزش CBR را بهبود بخشند، در نتیجه به شیوههای ساخت و ساز پایدارتر در محیطهای شهری کمک میکنند یا خیر. این تحقیق با موضوع ویژه نامه همسو است و دیدگاه جدیدی در مورد مدیریت منابع شهری و نقش فناوری در ارتقای پایداری ارائه می دهد. [
23].
اهمیت این مطالعه در پتانسیل آن برای بهبود دقت پیشبینی ارزش CBR و پیامدهای گستردهتر آن برای مدیریت منابع شهری است. با نشان دادن امکانسنجی و اثربخشی استفاده از تکنیکهای یادگیری ماشین و شبیهسازیهای نظری در پیشبینی ویژگیهای خاک، این تحقیق ممکن است پذیرش گستردهتر آنها را در بخش ساختوساز تشویق کند، استفاده کارآمدتر از منابع را ارتقا دهد و به پایداری شهرها در سراسر جهان کمک کند. [
33].
هدف این مطالعه توسعه مدلهای MLR، ANN و ANFIS برای پیشبینی CBR خاک بر اساس مجموعه دادههای جمعآوریشده است. مجموعه داده جامعی از 2191 نتیجه آزمایش CBR از خاک های زیرین که طیف وسیعی از انواع خاک را نشان می دهد جمع آوری شد. مجموعه داده شامل پارامترهای مختلف خاک مانند شاخص پلاستیسیته (PI)، حداکثر چگالی خشک (MDD) و توزیع اندازه ذرات است. این پارامترها بر اساس تأثیر شناخته شده آنها بر مقادیر CBR و در دسترس بودن در پروتکل های استاندارد آزمایش خاک انتخاب شدند. [
34,
35,
36].
مدلهای توسعهیافته از نظر کارایی پیشبینیکنندهشان با معیارهایی مانند ریشه میانگین مربعات خطا (RMSE) و ضریب تعیین (R) مقایسه خواهند شد.2). انتظار میرود مدل ANFIS با توانایی مدیریت روابط پیچیده و دادههای غیرخطی بهتر از مدلهای سنتی MLR باشد و به طور بالقوه با عملکرد پیشبینی مدلهای ANN رقابت کند. این مطالعه با استفاده از تکنیکهای یادگیری ماشین و شبیهسازیهای نظری به پیشبرد مدیریت منابع شهری پایدار کمک میکند. این یافتهها درک ما را از عوامل مؤثر بر ارزشهای CBR بهبود میبخشد و بینشهای ارزشمندی را برای تصمیمگیران و مهندسان درگیر در توسعه زیرساختهای شهری ارائه میکند. به کارگیری این مدلهای پیشبینی میتواند طراحی و ساخت زیرساختهای ژئوتکنیکی شهری را بهینه کند و منجر به شیوههای توسعه شهری پایدارتر و کارآمدتر شود.
2. پایگاه داده خاک و آزمایشات آزمایشگاهی
تحقیق حاضر به بررسی ویژگیهای خاک در ایالت آندرا پرادش میپردازد، بهویژه بر نمونههای جمعآوریشده از شبکههای جادهای هستهای و غیر هستهای، همانطور که در نشان داده شده است.
شکل 1. طیف گستردهای از پارامترهای حیاتی برای تولید مدلهای داده قوی و قابل اعتماد، مانند توزیع اندازه ذرات، محدودیتهای آتربرگ، حداکثر چگالی خشک، محتوای رطوبت بهینه (OMC) و مقادیر CBR جمعآوری شد. برای کاهش اثرات منفی چند خطی بودن بر کیفیت داده ها، پیش پردازش داده ها انجام شد که شامل انجام یک بررسی چند خطی برای درک وابستگی های متقابل بین متغیرهای مستقل بود. به طور خاص، همبستگی کارل پیرسون در رابطه با ضریب تورم واریانس (VIF) برای هر متغیر مستقل اعمال شد، که در آن VIF نشان میدهد که چقدر واریانس ضریب رگرسیون برآورد شده به دلیل چند خطی بودن متورم شده است. مقدار VIF بیش از پنج نشان دهنده وجود چند خطی است. پارامترهای نوع خاک، PI، و MDD برای ورود به فاز مدلسازی دادهها انتخاب شدند، زیرا آنها چند خطی را نشان ندادند. علاوه بر این، نمودارهای جعبه ای برای حذف هر گونه موارد پرت برای پارامترهای ورودی و خروجی مورد علاقه ایجاد شدند. این منجر به انتخاب 2191 نمونه برای مدلسازی ارزش CBR پس از حذف موارد پرت از نتایج CBR از 2469 نمونه زیرگرم مورد استفاده در مطالعه شد. نمونههای خاک جمعآوریشده از ارقام درشت و ریزدانه بودند و بر اساس سیستم طبقهبندی خاک استاندارد هند طبقهبندی شدند و به هشت نوع خاک مجزا (SW، SP، SM، SC، GP، GM، CL، CI) تقسیم شدند. نشان داده شده در
شکل 2. تعیین آزمایشگاهی مقادیر CBR برای هر نمونه با استفاده از روش تراکم خاک با روش تست استاندارد ASTM D1883-16 انجام شد. [
34]. تجزیه و تحلیل های توصیفی آماری از ویژگی های خاک جمع آوری شده در پایگاه داده به تفصیل آمده است
جدول 2، با هیستوگرام های فرکانس همراه ارائه شده در
شکل 3.
با معاینه
جدول 2 و
شکل 3بدیهی است که مقادیر انحراف 0.44 برای هر دو PI و CBR نشان دهنده یک چولگی مختصر سمت راست در توزیع است. این بدان معناست که نقاط داده بیشتری در سمت راست توزیع قرار دارند، که منجر به یک توزیع منحنی مثبت می شود. علاوه بر این، مقادیر کشیدگی 0.68- برای هر دو PI و CBR نشان میدهد که توزیع پلاتیکورتیک است، به این معنی که نسبت به توزیع نرمال صافتر است. این نشان میدهد که دادهها نسبت به توزیع نرمال، با شکل گستردهتر و پراکندهتر، حول میانگین تمرکز کمتری دارند. بهعلاوه، توزیع MDD دارای مقدار انحراف منفی 0.30- و کشیدگی 0.16- است که نشاندهنده چولگی جزئی سمت چپ و نمایه صافتر نسبت به توزیع نرمال، با مقادیر شدید کمتر است.
از آنجایی که متغیر «نوع خاک» به صورت کاراکتری نمایش داده میشد، لازم بود آن را بهعنوان مقادیر عددی کدگذاری کنیم تا با استفاده از روشهای MLR و ANFIS، که مقادیر رشتهای را در نظر نمیگیرند، آن را تحلیل کنیم. این رمزگذاری با استفاده از بسته آماری برای علوم اجتماعی (SPSS) نسخه 28 تکمیل شد.
جدول 3 داده های آزمایشگاهی از آزمایش خاک مورد استفاده در این مطالعه را ارائه می دهد.
3. تجزیه و تحلیل داده ها
3.1. تجزیه و تحلیل MLR
تحلیل رگرسیون خطی چند متغیره (MLR) یک روش آماری با کاربرد گسترده در زمینه های مختلف مانند مهندسی، اقتصاد و علوم اجتماعی برای بررسی رابطه بین متغیرهای مستقل چندگانه و یک متغیر وابسته است. هدف اصلی MLR ایجاد ارتباط بین متغیر پیش بینی کننده یا متغیر مستقل و متغیر وابسته برای پیش بینی دقیق نتایج آینده است. در این مطالعه، مقدار CBR مشاهده شده با استفاده از تجزیه و تحلیل MLR در IBM SPSS نسخه 28 به سه پارامتر خاک: نوع خاک، شاخص پلاستیسیته و MDD مرتبط شد. مقدار آزمون CBR به عنوان متغیر وابسته عمل کرد. در عین حال، نوع خاک، شاخص پلاستیسیته و MDD عوامل مستقل در معادله (2) مطالعه بودند. تجزیه و تحلیل MLR چندین مزیت دارد، از جمله توانایی آن در شناسایی مهم ترین متغیرهای مستقل که بر متغیر وابسته تأثیر می گذارند. این برای درک روابط بین متغیرهای مختلف و توسعه مدلهای پیشبینی دقیقتر مفید است. با این حال، MLR دارای محدودیتهایی است، مانند فرض خطی بودن بین متغیرهای مستقل و وابسته، که ممکن است نیاز به اعتبارسنجی در سیستمهای پیچیده داشته باشد. با وجود این محدودیت ها، MLR یک روش ارزشمند و پرکاربرد برای تحلیل روابط بین متغیرها است و نتایج آن می تواند بینش های ارزشمندی را برای تصمیم گیری و پیش بینی ارائه دهد.
Yمن = متغیر وابسته
ایکسمن = متغیرهای مستقل
آ0 = رهگیری در y-محور
آپ = ضرایب شیب متغیرهای مستقل
E = خطا یا باقیمانده
نتایج حاصل از ضریب همبستگی و تی-آزمون برای تعیین معناداری آماری مدل مورد بررسی قرار گرفت.
3.2. شبکه های عصبی مصنوعی
یک شبکه عصبی مصنوعی (ANN) یک الگوریتم یادگیری ماشینی است که ساختار و عملکرد مغز انسان را تقلید می کند. این شامل لایه هایی از گره ها یا نورون های به هم پیوسته است که داده های ورودی را پردازش کرده و خروجی تولید می کند. در طول تمرین، وزن اتصالات بین نورون ها با استفاده از پس انتشار تنظیم می شود تا خطا به حداقل برسد. ANN ها به طور موثر داده های پیچیده و پر سر و صدا را مدیریت می کنند، زیرا می توانند یاد بگیرند که ویژگی ها را از داده های خام استخراج کنند و پیش بینی های دقیق انجام دهند. با این حال، آنها می توانند از نظر محاسباتی گران باشند و برای عملکرد خوب به داده های آموزشی بسیار برچسب گذاری شده نیاز دارند. بهعلاوه، تفسیر عملکرد داخلی شبکههای عصبی مصنوعی میتواند دشوار باشد، و درک اینکه چگونه آنها به تصمیمات خود میرسند، چالش برانگیز است.
ANN برای رسیدگی به چالشهای فنی توسط محققانی که روی مشکلات فنی پیچیده در دهه گذشته کار میکنند، استفاده شده است. مدل ANN ممکن است به اشکال مختلفی ساخته شود که همه آنها بر اساس ساختار بنیادی یکسانی هستند. مجموعهای از گرههای ورودی، یک لایه یا لایههایی از گرههای پنهان و مجموعهای از گرههای خروجی همه در این گنجانده شدهاند. [
37]. یک شبکه چند لایه با توابع انتقال چندگانه برای تعیین بهترین مدل ANN برای پیشبینی CBR استفاده شد. دقت مدل در پیشبینی خروجی توسط تابع آموزشی، تابع انتقال، تعداد لایههای پنهان و تعداد نورونهای درون لایههای پنهان کنترل میشود. یک مکانیسم بازخورد پیشروش-انتشار ادراک چند لایه (MLP)، یک تابع فعالسازی log-sig (log-sigmoid) و یک تابع یادگیری Levenberg-Marquardt (trainlm) برای توسعه یک مدل ANN مناسب برای پیشبینی CBR گنجانده شد. از خاک ترکیب های مختلفی از تعداد لایه های پنهان و تعداد سلول های عصبی متناظر برای به دست آوردن مدلی با R بالاتر سعی شد.
2 مقدار و خطای RMS کمتر. یک لایه پنهان با پنج نورون ساختار شبکه بهینه را برای ورودی هایی مانند نوع خاک، PI، MDD و CBR به عنوان خروجی ارائه می دهد (3-5-1). از کل نقاط داده، 70 درصد برای آموزش مدل، 15 درصد برای آزمایش مدل و 15 درصد باقیمانده با استفاده از نرم افزار MATLAB r2022a اعتبارسنجی شده است. معماری مدل ANN پیشنهادی در نشان داده شده است
شکل 3.
3.3. سیستم استنتاج عصبی فازی تطبیقی (ANFIS)
یک سیستم استنتاج عصبی فازی تطبیقی (ANFIS) یک مدل یادگیری ماشینی است که نقاط قوت شبکههای عصبی مصنوعی (ANN) و منطق فازی را ترکیب میکند. از یک الگوریتم یادگیری ترکیبی برای ساختن سیستمی برای یادگیری و تصمیم گیری بر اساس داده های ورودی استفاده می کند. مدلهای ANFIS از قوانین فازی تشکیل شدهاند که میتوانند با استفاده از تکنیکهای شبکه عصبی تنظیم شوند و آنها را با انواع دادههای مختلف بسیار سازگار میسازد. لطفی زاهد در سال 1965 نظریه مجموعه های فازی را ابداع کرد، روشی برای مقابله با عدم دقت در تصمیم گیری با استفاده از مجموعه ای از قواعد زبانی فازی. مدلهای ANFIS در کاربردهای مختلفی از جمله تشخیص الگو، پیشبینی سریهای زمانی و کنترل استفاده میشوند. این مدل شامل مجموعهای از قوانین فازی است که از دادههای ورودی توسط خوشهبندی فازی و مجموعهای از شبکههای عصبی آموزشدیده با استفاده از پسانتشار استخراج شدهاند. قوانین فازی و شبکه های عصبی با هم کار می کنند تا بر اساس داده های ورودی پیش بینی های دقیقی انجام دهند. یک ANFIS میتواند دادههای پیچیده را مدیریت کند و از مجموعه دادههای بزرگ یاد بگیرد، که آن را برای کاربردهای مختلف مناسب میکند. مدلهای ANFIS در برخی موارد به دلیل ادغام منطق فازی دقیقتر از مدلهای ANN هستند که امکان تصمیمگیری بیشتر شبیه انسان را فراهم میکند. این امر به ویژه هنگام برخورد با مشکلات پیچیده و نامشخص که در آن سیستمهای مبتنی بر قوانین سنتی ممکن است نیاز به بهبود داشته باشند، سودمند است. یک ANFIS میتواند در برابر دادههای پر سر و صدا قویتر باشد، زیرا اجزای منطق فازی میتوانند به هموار کردن اثرات نقاط پرت و سایر ناهنجاریها کمک کنند. مدلهای ANFIS همچنین میتوانند فرآیند تصمیمگیری خود را توضیح دهند و شفافتر از مدلهای ANN هستند. علاوه بر این، مدلهای ANFIS به دادههای آموزشی کمتری نسبت به مدلهای ANN نیاز دارند، که میتواند در زمان و منابع صرفهجویی کند.
یکی از اجزای کلیدی ANFIS تابع عضویت است که نشان دهنده درجه عضویت یک ورودی به یک مجموعه فازی خاص است. تابع عضویت تعیین می کند که یک ورودی چقدر بر یک خروجی خاص تأثیر می گذارد. شکل تابع عضویت را می توان به تناسب داده ها تنظیم کرد و از انواع مختلف توابع عضویت مانند گاوسی، مثلثی و ذوزنقه ای استفاده کرد. توابع عضویت ANFIS معمولاً با مجموعه ای از پارامترها مشخص می شوند که در طول فرآیند یادگیری بهینه می شوند. این پارامترها شکل، گسترش و مرکز تابع عضویت را تعیین می کنند. پارامترها را می توان با استفاده از گرادیان نزول یا سایر الگوریتم های بهینه سازی تنظیم کرد تا خطاهای بین پیش بینی ها و خروجی سیستم به حداقل برسد. توابع عضویت ANFIS قدرتمند هستند زیرا می توانند روابط پیچیده و غیر خطی بین متغیرهای ورودی و خروجی را مدل کنند و آنها را برای کاربردهای مختلف مفید می کند.
توابع عضویت از هندسه منحنی نامگذاری شده اند، مانند توابع عضویت مثلثی، زنگی شکل، ذوزنقه ای و گاوسی. [Equation (3)]. مدل ANFIS توسعهیافته با تمام توابع عضویت مورد ارزیابی قرار گرفت و تابع عضویت ذوزنقهای (trapmf) بهترین نتایج را با کمترین مقدار RMSE ارائه میدهد و بنابراین در تحقیق مورد استفاده قرار گرفت. با چهار پارامتر اسکالر برای تعیین منحنی آن: a، b برای پاها و c، d برای شانه ها، trapmf شکل یک مثلث کوتاه را تشکیل می دهد، همانطور که در نشان داده شده است.
شکل 4.
از نظر ریاضی با نشان داده می شود
یک معماری پنج لایه معمولاً یک شبکه ANFIS معمولی را به تصویر می کشد، همانطور که در نشان داده شده است
شکل 5. در مراجعی چون جانگ [
38]، اسناد گسترده ای برای ANFIS موجود است (1993). سیستم استنتاج عصبی فازی تطبیقی سه ورودی، نوع خاک، PI و MDD و خروجی CBR را در نظر می گیرد. در زیر شرح مختصری از عملکرد هر لایه در ANFIS آمده است.
لایه 1 یک لایه فازی گره تطبیقی با سه تابع عضویت ذوزنقه ای برای هر متغیر ورودی است. نوع خاک، PI و MDD ورودی های سیستم هستند. تی1، من خروجی هدف گره n از لایه l است. یک گره مربع نشان دهنده گره های تطبیقی است.
توابع تطبیقی را می توان به صورت ریاضی بیان کرد
جایی که μیک، مBn-3، و μCn-6 توابع عضویت ذوزنقه ای را نشان می دهد.
لایه 2 دارای گره های ثابت است و عملکرد “AND” را انجام می دهد و خروجی ها را از لایه 1 ضرب می کند تا قدرت شلیک (w
n).
لایه 3 نیز دارای گره های ثابت است. این لایه با محاسبه نسبت قدرت شلیک قانون n به مجموع قدرت شلیک همه قوانین، قدرت شلیک همه قوانین را عادی می کند.
لایه 4 دارای گره های تطبیقی است و آنها عملکرد فازی سازی را انجام می دهند.
پارامترهای این لایه (صn، قn، رn و سn) پارامترهای قابل تنظیم به نام پارامترهای متعاقب هستند.
لایه 5 دارای یک گره ثابت است. با افزودن تمام سیگنال های دریافت شده ، خروجی داده می شود.
برای تجزیه و تحلیل ANFIS، تابع عضویت ذوزنقه ای (Trapmf) با تعداد دوره های مختلف برای به دست آوردن مدلی با کمترین مقدار RMSE استفاده شد. از یک مدل ANFIS از نوع Takagi-Sugeno در مطالعه استفاده شد (
شکل 6 و
شکل 7). از تکنیک پارتیشن بندی شبکه برای تولید FIS استفاده شد. علاوه بر این ، FIS تولید شده با استفاده از یک الگوریتم یادگیری ترکیبی با 70 ٪ از داده ها آموزش داده شد. این مدل روی 15 ٪ از داده ها مورد آزمایش قرار گرفت و در 15 ٪ باقیمانده از داده ها با استفاده از MATLAB R2022A تأیید شد.
3.4. معیارهای عملکرد
پتانسیل مدلهای MLR ، ANN و ANFIS با محاسبه RMSE و R از نظر آماری ارزیابی شد
2 ارزش های. این معیارها توسط معادلات زیر تعریف شده است.
E = مقدار پیش بینی شده
A = مقدار مشاهده شده
= میانگین مقادیر A
n = تعداد مشاهدات
1- shahrsaz.ir ,پیشبینی نسبت باربری خاک کالیفرنیا با استفاده از تکنیکهای یادگیری ماشین و سیستم استنتاج عصبی فازی: رویکردی پایدار در توسعه زیرساختهای شهری
,1704744604
2-Source link | 2024-01-02 03:30:00