نوع مقاله : مقاله پژوهشی
نویسندگان
1
دانشجو کارشناس ارشد ، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه فردوسی، مشهد، ایران
2
دانشکده مهندسی دانشگاه فردوسی مشهد ودانشکده عمران دانشگاه تهران
3
کارشناس ارشد ، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه فردوسی، مشهد، ایران
4
دانشجو دکترای گروه ایمنی و ترافیک، دانشگاه جامع علوم انتظامی امین، تهران، ایران
چکیده
پیشبینی دقیق مقدار CBRخاک در طراحی روسازی راهها از اهمیت بالایی برخوردار است، اما انجام آزمایشهای سنتی CBR زمانبر، پرهزینه و نیازمند تجهیزات آزمایشگاهی میباشد. در این پژوهش، یک رویکرد ترکیبی مبتنی بر شبکه عصبی مصنوعی و روش کاپولا برای تخمین CBR خاک ارائه شده است. بدین منظور، ابتدا یک پایگاه داده شامل ۱۰۱۱ نمونه واقعی از پارامترهای ژئوتکنیکی (شامل درصد ماسه، درصد ریزدانه، حد خمیری، شاخص خمیری، حداکثر وزن مخصوص خشک و رطوبت بهینه) جمعآوری و پاکسازی گردید. سپس یک شبکه عصبی پرسپترون چندلایه با استفاده از زبان برنامهنویسی Python طراحی و پیادهسازی شد. نتایج اولیه نشان داد که مدل پایه دارای ضریب تعیین (R²) معادل 630/0 و 606/0 به ترتیب برای دادههای آموزش و تست میباشد. در ادامه، به منظور بهبود عملکرد مدل، دادههای مصنوعی با استفاده از روش کاپولا تولید گردید. آزمونهای آماری کولموگروف-اسمیرنف و اندرسون-دارلینگ همراه با مقایسه منحنیهای چگالی احتمال نشان داد که دادههای مصنوعی تولیدشده، شباهت آماری بسیار بالایی با دادههای واقعی دارند. پس از افزودن ۵۰۰۰۰ داده مصنوعی به مجموعه آموزش، شبکه عصبی مجدداً آموزش داده شد. نتایج حاصل نشاندهنده بهبود چشمگیر عملکرد مدل بود؛ به طوری که ضریب تعیین (R²) در دادههای تست از 606/0 به 672/0 افزایش یافته و باعث بهبود حدود 11 درصدی شده است. میانگین درصد خطای مطلق از 08/7 درصد به 38/6 درصد کاهش پیدا کرد. سایر شاخصهای ارزیابی شامل MAE، RMSE، IOA و IOS نیز بهبود معناداری را نشان دادند. یافتههای این پژوهش تأیید میکند که روش کاپولا میتواند به عنوان یک راهکار مؤثر برای افزایش مصنوعی دادههای ژئوتکنیکی و بهبود دقت مدلهای یادگیری ماشین مورد استفاده قرار گیرد. رویکرد پیشنهادی از نظر اقتصادی و زیستمحیطی نیز مزایای قابل توجهی از جمله کاهش هزینهها، صرفهجویی در زمان و کاهش هدررفت منابع طبیعی به همراه دارد.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Evaluation of Artificial Neural Network Performance in CBR Estimation: Comparison of the Base Model and the Copula-Enhanced Mode
نویسندگان [English]
-
Hosein Mohammadi
1
-
Seyed Ali Ziaee
2
-
Mahdi Bagheri
3
-
Mohsen Moosaabadi
4
1
Master of Science, Department of Civil Engineering, Faculty of Engineering, Ferdowsi University of Mashhad, Iran
2
Department of Civil Engineering, Engineering Faculty,Ferdowsi University of Mashhad, Mashhad, Iran
And
School of Civil Engineering, College of Engineering, University of Tehran, Tehran, Iran
3
Master of Science, Department of Civil Engineering, Faculty of Engineering, Ferdowsi University of Mashhad, Iran
4
PhD student in the Safety and Traffic Department, University of Police Sciences, Amin, Tehran, Iran
چکیده [English]
Accurate prediction of soil CBR (California Bearing Ratio) is of great importance in pavement design, but traditional CBR testing is time-consuming, expensive, and requires laboratory equipment. In this study, a hybrid approach based on Artificial Neural Network (ANN) and the Copula method is presented for estimating soil CBR. For this purpose, a database consisting of 1011 real samples of geotechnical parameters (including sand percentage, fine content, plastic limit, plasticity index, maximum dry density, and optimum moisture content) was collected and preprocessed. Then, a Multilayer Perceptron (MLP) neural network was designed and implemented using the Python programming language. Initial results showed that the base model achieved coefficient of determination (R²) values of 0.630 and 0.606 for training and testing data, respectively. In the following, to improve model performance, synthetic data were generated using the Copula method. Kolmogorov-Smirnov (KS) and Anderson-Darling (AD) statistical tests, along with comparison of probability density function (PDF) curves, demonstrated that the generated synthetic data had very high statistical similarity to the real data. After adding 50,000 synthetic data points to the training set, the neural network was retrained. The results indicated a significant improvement in model performance; the coefficient of determination (R²) for test data increased from 0.606 to 0.672, representing an approximately 11% improvement. The Mean Absolute Percentage Error (MAPE) decreased from 7.08% to 6.38%. Other evaluation metrics including MAE, RMSE, IOA, and IOS also showed meaningful improvements. The findings of this study confirm that the Copula method can serve as an effective strategy for synthetic data augmentation of geotechnical data and enhancing the accuracy of machine learning models. The proposed approach also offers significant economic and environmental benefits, including cost reduction, time savings, and decreased natural resource waste.
کلیدواژهها [English]
-
Road Pavement
-
California Bearing Ratio (CBR)
-
Artificial Neural Network
-
Copula Method
)