تخمین نسبت باربری کالیفرنیا در خاک‏های مردابی بهسازی شده با استفاده از شبکه عصبی مصنوعی

امروزه، استفاده از روش اختلاط عمیق برای بهبود روسازی جاده ها گسترش یافته است. یکی از مهمترین اهداف این روش، افزایش ضریب باربری کالیفرنیا و کاهش نشست روسازی می‏باشد. درسال‏هایاخیر،مدل‏سازیبه وسیلههوش محاسباتی،جایگاه ویژه ایدرمهندسی عمرانپیداکردهاستو تخمینرفتار و فرایند مقاوم سازی،کهباپیچیدگی هایفراوانیروبروبوده،تاحدودیبهکمکاینروش ها میسر شدهاست.هدف اصلی این تحقیق، ساخت یک مدل محاسباتی جهت تخمین ضریب باربری کالیفرنیا در خاک‏های مردابی می‏باشد. بدین منظور، ابتدا این نوع خاک با درصدهای مختلفی از سیمان و ماسه خوب دانه بندی شده و بر مبنای استانداردهای معتبر، مقاوم سازی شده و آزمایش هایی نظیر مقاومت فشاری تک محوره و باربری کالیفرنیا روی نمونه های مقاوم سازی شده انجام شد.پس از انجام تست های آزمایشگاهی، یک مجموعه از اطلاعات برای ساخت مدل هوش محاسباتی جمع آوری شد. در این تحقیق، از مدل پرسپترون چندلایه با معماری های مختلف شامل یک و دو لایه مخفی با تعداد نرون های متفاوت برای تخمین استفاده شد.برای این هدف، پارامترهای ورودی به مدل شامل مقاومت فشاری تک محوره، زمان عمل آوری و میزان ماسه در نظر گرفته شدند و آنالیز حساسیت با الگوریتم گارسون انجام شد.نتایج آزمایشگاهی نشان داد که افزایش میزان ماسه به عنوان یک پرکننده طبیعی، تاثیر قابل ملاحظه ای در افزایش باربری کالیفرنیا دارد. به عنوان مثال، در میزان سیمان ثابت 400 کیلوگرم بر متر مکعب،افزایش میزان ماسه به اندازه 200 کیلوگرم بر متر مکعب، ضریب باربری کالیفرنیا را از 31% به 59% افزایش داد. همچنین، نتایج مدل سازی به‏دست آمده نشان داد که بهترین مدل با متوسط مربعات خطای 41/0 و متوسط ضریب رگرسیون 99/0 بهترین عملکرد را در تخمین ضریب باربری کالیفرنیا داشت.