‫کاربرد آموزش گروهی با استفاده از پروتکل رای وزنی در پیش بینی ظرفیت باربری شمع‬

‫پیش‌بینی دقیق ظرفیت باربری شمع بخش مهمی از مهندسی فونداسیون است‪ .‬قابل ذک&&ر اس&&ت‪ ،‬تع&&یین‬
‫ظرفیت باربری شمع از طریق آزمایش بار درجا پرهزینه و زمان بر است‪ .‬بنابراین‪ ،‬این مطالعه بر توسعه‬
‫یک الگوریتم یادگیری ماش&&ین‪ ،‬یع&&نی ی&&ادگیری گ&&روهی (‪ ،)EL‬ب&&ا اس&&تفاده از پروتک&&ل رای گ&&یری وزن س&&ه‬
‫الگوریتم یادگیری ماشین پایه‪ ،‬تقویت گرادیان (‪ ،)GB‬جنگل تصادفی (‪ )RF‬و رگرسیون خطی کالس&&یک (‪)LR‬‬
‫متمرکز شد‪ ، .‬برای پیش بینی ظرفیت باربری شمع‪ .‬داده ها ش&&امل ‪ 108‬تس&&ت ب&&ار ش&&مع تحت ش&&رایط‬
‫مختلف است که برای آموزش و آزمایش مدل استفاده می شود‪ .‬ش&&اخص‌های ارزی&&ابی عملک&&رد مانن&&د ‪R-‬‬
‫)‪ ،square (R2‬ریشه میانگین مربعات خطا (‪ )RMSE‬و ‪( MAE‬میانگین خطای مطلق) برای ارزی&&ابی عملک&&رد‬
‫مدل‌هایی که کارایی پیش‌بینی ظرفیت باربری شمع را با عملکرد فوق‌العاده در مقایس&&ه ب&&ا س&&ایر م&&دل‌ها‬
‫نشان می‌دهند‪ ،‬استفاده شد‪ . .‬همچنین نتایج نشان داد که مدل ‪ EL‬با ترکیب وزنی ‪ w1 0.482، w2 0.338‬و‬
‫‪ w3 £ 0.18‬مط&&ابق ب&&ا م&&دل‌های ‪ GB، RF‬و ‪ LR‬به&&ترین عملک&&رد را داش&&ته و به&&ترین تع&&ادل را در تم&&ام‬
‫مجموعه‌های داده ب&ه دس&ت آورده اس&ت‪ .‬عالوه ب&ر این‪ ،‬از تکنی&ک تجزی&ه و تحلی&ل حساس&یت کلی ب&رای‬
‫شناسایی مهم ترین ویژگی های ورودی در تعیین ظرفیت ب&اربری ش&مع اس&تفاده ش&د‪ .‬این مطالع&ه اب&زار‬
‫موثری برای پیش‌بینی ظرفیت بار شمع با عملکرد متخصص ارائه می‌کند‪.‬‬
‫هزینه پایه و اساس کار معموًال بخش بسیار زیادی از کل هزینه س&&اخت را تش&&کیل می ده&&د [‪ .]1‬بن&&ابراین‬
‫انتخاب راه حل مناسب سازه فونداس&&یون و همچ&&نین تع&&یین ظ&&رفیت ب&&ار پی ن&&یز نقش مهمی در ک&&اهش‬
‫هزینه های ساخت دارد [‪ .]2‬در می&&ان راه ح&&ل ه&&ای رایج فونداس&&یون ام&&روزه‪ ،‬فونداس&&یون ش&&مع یکی از‬
‫محبوب ترین فونداسیون های عمیق به دلیل مزایای آن است‪ .‬به ط&&ور خ&&اص‪ ،‬فونداس&&یون ش&&مع ق&&ابلیت‬
‫انتقال به الیه های عمیق خاک را دارد [‪ .]4 ،3‬تعیین ظرفیت ب&&اربری دقی&&ق ش&&مع ب&&ه تع&&یین ان&&دازه پی و‬
‫عمق صحیح شمع کمک می کن&&د و در نتیج&&ه مناس&&ب ت&&رین راه ح&&ل پی را انتخ&&اب می کن&&د‪ .‬ب&&رای تع&&یین‬
‫ظرفیت باربری ش&&مع‪ ،‬اف&راد می توانن&&د از روش ه&&ای مختل&&ف [‪ ]10-5‬اس&&تفاده کنن&&د‪ ،‬ب&ه عن&&وان مث&&ال‪،‬‬
‫آزمایش بار دینامیکی (‪ )PDA‬و آزمایش ب&ار اس&&تاتیک ش&&مع‪ .‬عالوه ب&ر این‪ ،‬بس&&یاری از فرمول‌ه&ای س&&نتی‬
‫پیشنهاد شده بودند که عمدتًا بر اساس نتایج آزمایش در محل خاک مانند آزم&&ایش نف&&وذ مخ&&روط (‪ )CPT‬و‬
‫تست نفوذ استاندارد (‪ ]5-9[ )SPT‬بود‪ .‬در ب&&رخی مطالع&&ات دیگ&&ر‪ ،‬نویس&&ندگان همچ&&نین از روش اج&&زای‬
‫محدود برای تجزیه و تحلیل رابطه بار شمع و جابجایی شمع استفاده کردند [‪.]12-10‬‬
‫در شرایط خاص‪ ،‬روش‌های فوق همگی مزایای زیادی دارند‪ ،‬اما عالوه بر آن‪ ،‬هنوز مشکالت زیادی وج&&ود‬
‫دارد که قبل از به کارگیری گسترده در عمل ساختمانی باید به دقت مورد توجه قرار گیرد‪ .‬به طور خاص‪،‬‬
‫در مطالعه خود‪ Jesswein ،‬و همکاران‪ ]13[ .‬نشان داد که محاسبه ظرفیت بار شمع طبق ‪ SPT‬ک&&امًال قاب&&ل‬
‫اعتماد نیست زیرا هنوز دقت ندارد‪ ،‬اگرچه ارزان و آسان است‪ .‬به ط&&ور مش&&ابه‪ ،‬روش تحلیلی غ&&یرعملی‬
‫تلقی می شود‪ ،‬زیرا رویکرد نظری مبتنی ب&ر مفروض&ات و س&اده س&ازی ه&ای بیش از ح&د اس&ت [‪ .]3‬در‬
‫استدالل دیگری توسط ابوفرسخ و تیتی [‪ ،]14‬فرض بر این است که روش‌های تحلی&&ل تج&&ربی ش&&مع‌ها ی&&ا‬
‫تحلیل استاتیکی شمع‌ها به دلیل انتخاب زیاد عوامل ایمنی‪ ،‬گران بوده و دقت پایینی دارند‪ .‬از سوی دیگ&&ر‪،‬‬
‫برای روش آزمایش بار شمع‪ ،‬اگرچه درصد قابلیت اطمینان باال است‪ ،‬زمان‌بر و پرهزینه است و تجهیزات‬
‫اغلب بسیار دست و پا گیر هستند [‪ .]15‬روش دینامیکی به شدت به ویژگی‌های ش&&مع‪ ،‬چکش و م&&وقعیت‬
‫شمع برای پیش‌بینی ظرفیت باربری شمع بدون در نظر گرفتن اثرات خاک بستگی دارد [ ‪ .]16 ،11‬آخرین‬
‫اما نه کم اهمیت ترین‪ ،‬ویژگی های روش شبیه سازی عددی مبتنی بر المان مح&&دود اس&&ت‪ .‬اساس&ًا روش‬
‫تقریبی است و نتایج بستگی زیادی به فرآیند مدل‌سازی دارد [‪.]17‬‬
‫در مطالعات اخ&&یر‪ ،‬بس&&یاری از دانش&&مندان از رویک&&رد جدی&&دی ب&&رای مش&&کالت مرب&&وط ب&&ه پی س&&اختمان‬
‫استفاده کرده اند‪ .‬این روش به عنوان هوش مصنوعی (‪ )AI‬ش&&ناخته می ش&&ود‪ .‬ب&&ر اس&&اس توس&&عه عل&&وم‬
‫کامپیوتر‪ ،‬هوش مصنوعی به تدریج اثربخش&&ی قاب&ل توج&&ه خ&&ود را در زمین&&ه ه&&ای مختل&&ف متع&&ددی مانن&&د‬
‫ساخت و ساز [‪ ،]18‬حمل و نقل [‪ ،]19‬امنیت [‪ ]20‬و پزشکی [‪ ]21‬ثابت ک&رده اس&ت‪ .‬م&اهیت الگ&وریتم‬
‫های هوش مصنوعی ترکیبی از ریاضی‪ ،‬الگوریتم و خالقیت است‪ AI .‬امکان حل مسائل پیچیده را می دهد‬
‫و مجهوالت زیادی دارد‪ ،‬بنابراین برای مسائل غیر برفی در زمینه مهندسی ژئوتکنی&&ک مناس&&ب اس&&ت [‪.]3‬‬
‫دانشمندان از الگوریتم‌های ه&&وش مص&&نوعی زی&&ادی ب&&رای ح&&ل مش&&کل پیش‌بی&&نی ظ&&رفیت ب&&اربری ش&&مع‬
‫استفاده کرده‌اند که می‌توان از آن به عنوان شبکه عصبی مصنوعی (‪ ،]3، 22-25[ )ANN‬ش&&بکه عص&&بی‬
‫عمیق (‪ )DNN‬ن&ام ب&رد [‪ ، ]28-26‬سیس&&تم اس&&تنتاج عص&&بی ف&ازی تط&&بیقی (‪ ]29، 30[ )ANFIS‬و جنگ&ل‬
‫تصادفی (‪ .]23[ )RF‬همه مطالعات فوق کارایی پیش‌بینی خوبی را نشان دادند و انتظ&&ار می‌رفت ک&&ه ب&&ه‬
‫ابزاری بسیار قابل تعمیم در پیش‌بینی ظرفیت بار شمع تب&&دیل ش&&وند‪ .‬ب&&ا این ح&&ال‪ ،‬ادبی&&ات منتش&&ر ش&&ده‬
‫عمدتًا بر روی یک الگوریتم خاص تمرکز می‌کند و تأیید بهینه مدل را برای داده‌ها دشوار می‌کند‪ .‬در نتیج&ه‪،‬‬
‫مدل استفاده می‌تواند منجر به عدم تعادل در سوگیری و واریانس یا مش&&کل بیش از ح&&د ب&&رازش و ع&&دم‬
‫تناسب شود که به طور کامل دشوار است‪ .‬با توجه به الگوریتم مدل حل شد [ ‪ .]32 ،31‬بنابراین‪ ،‬در این‬
‫مطالعه‪ ،‬انتظار می‌رود که مدل یادگیری گروهی [‪ ]35-33‬که چندین مدل پایه را طب&&ق ی&&ک ق&&انون خ&&اص‬
‫ترکیب می‌کند‪ ،‬بای&اس و واری&انس را متع&&ادل کن&&د و ک&&ارایی فوق‌الع&&اده‌ای در پیش‌بی&&نی ظ&رفیت ب&اربری‬
‫شمع‌ها به ارمغان بی&&اورد‪ .‬عالوه ب&ر این‪ ،‬مطالع&&ات منتش&&ر ش&&ده تنه&ا ب&ه پارامتره&&ای ورودی مرب&وط ب&ه‬
‫ویژگی‌های خاک و پارامترهای هندسی شمع عالقه‌مند هستند‪ ،‬اما به عوام&&ل مهم دیگ&&ر مانن&&د ن&&وع ش&&مع‪،‬‬
‫روش آزمایش شمع‪ ،‬روش ساخت شمع و نوع نوک شمع عالقه‌مند نیستند‪ .‬این پارامترهای اض&&افی ک&&ه ت&&ا‬
‫حد زیادی بر عملکرد پیش‌بینی تأثیر می‌گذارند‪ ،‬در طول فرآیند مدل‌سازی در این مطالعه به دقت در نظر‬
‫گرفته شدند‪.‬‬
‫در این مطالعه‪ ،‬س&ه م&دل مختل&ف ی&ادگیری ماش&ین ب&رای پیش‌بی&نی مس&تقل ظ&رفیت ب&ار ش&مع در ی&ک‬
‫مجموعه داده‪ ،‬یعنی تقویت گرادیان (‪ ،)GB‬جنگل تصادفی (‪ ،)RF‬و رگرس&&یون خطی کالس&&یک (‪ )LR‬توس&&عه‬
‫داده شد‪ .‬سپس‪ ،‬یک الگوریتم یادگیری گروهی (‪ )EL‬با استفاده از پروتک&&ل رای‌گ&&یری م&&دل‌های پای&&ه ب&&رای‬
‫پیش‌بینی نه&ایی توس&عه ی&افت‪ .‬در مجم&وع ‪ 108‬مجموع&ه داده از ادبی&ات منتش&ر ش&ده ب&رای آم&وزش و‬
‫آزم&&ایش م&&دل اس&&تفاده ش&&د‪ .‬و از آنج&&ایی ک&&ه مجموع&&ه داده‌ه&&ا از پروژه‌ه&&ای سرتاس&&ر جه&&ان جمع‌آوری‬
‫شده‌اند‪ ،‬مدل حاصل می‌تواند توانایی پیش‌بینی ظرفیت باربری انواع مختلف شمع‌ها در مناطق مختلف را‬
‫داشته باشد و می‌تواند به طور گسترده در سطح بین‌المللی مفی&&د باش&&د‪ .‬س&&اختار ب&&اقی مان&&ده مقال&&ه ب&&ه‬
‫شرح زیر است‪ :‬بخش ‪ 2‬مواد مورد نیاز برای تحقیق را ارائه می کند‪ ،‬از جمل&ه مقدم&ه ای ب&ر روش ه&ای‬
‫یادگیری ماشین پایه مانند ‪ ،RF، GB‬و ‪ ،LR‬و همچنین الگوریتمی برای ترکیب الگوریتم های اساس&&ی در ی&ک‬
‫رأی گیری‪ .‬مدل ‪ .EL‬بخش ‪ 3‬پایگاه داده مورد استفاده برای توسعه مدل های یادگیری ماش&&ین و همچ&&نین‬
‫اطالعات آماری متغیرهای ورودی و خروجی را ارائه می دهد‪ .‬بخش ‪ 4‬نتایج تحلیل شده توسط مدل ه&&ای‬
‫یادگیری ماشین را نشان می دهد و آن مدل های یادگیری ماشین را با یکدیگر مقایسه می کند تا عملک&&رد‬
‫برجسته مدل ‪ EL‬را مشاهده کند‪ .‬در نهایت‪ ،‬بخش ‪ 5‬برخی از نتایج و نظرات را ارائه می دهد‪.‬‬

‫مواد و روش ها‬

‫‪ .2.1‬جنگل تصادفی دانشمند بریمن [‪ ]36‬اولین کسی بود که به الگوریتم جنگل تصادفی اشاره کرد که به‬
‫عنوان روش یادگیری گروهی نیز ش&ناخته می ش&ود‪ .‬بع&دها‪ ،‬این الگ&وریتم توس&ط بس&یاری از دانش&مندان‬
‫دیگر م&&ورد به&&ره ب&&رداری و توس&&عه ق&&رار گ&&رفت‪ .‬ب&&ه عن&&وان مث&&ال‪ ،‬در تحقی&&ق ک&&وهن و جانس&&ون [‪،]37‬‬
‫نویسندگان از درخت های تصمیم با توزیع مشابه برای ایج&&اد جنگ&&ل ه&&ا و آم&&وزش و پیش بی&&نی داده ه&&ای‬
‫نمونه استفاده کردند‪ .‬درختان تصمیم قادر ب&&ه ح&&ل مس&&ائل طبق&&ه بن&&دی و رگرس&&یون ب&&ر اس&&اس رویک&&رد‬
‫یادگیری نظارت شده هستند [‪ .]38 ،23‬تکنی&&ک ‪( bootstraps‬همچ&&نین ب&&ه عن&&وان روش کیس&ه‌ای ش&&ناخته‬
‫می‌شود) برای الگوریتم ‪ RF‬استفاده می‌شود‪ ،‬که تأثیری در کنار هم قرار دادن دانش‌آموزان پایه مختلف با‬
‫زمینه‌های مختلف و ساخت‌وساز تصادفی دارد‪ .‬بزرگترین مزیت ‪ RF‬این است ک&&ه می‌ت&&وان مجم&&وعه‌ای از‬
‫یادگیرندگان پایه را در حین کنترل تغییرات ایجاد کرد‪ .‬الگوریتم ‪ RF‬از طریق مراحل زیر توسعه یافته است‬
‫[‪:]39‬‬
‫مرحله اول‪ :‬بردارهای تصادفی ایجاد کنید‪ .‬نمونه تصادفی از مجموعه داده های ورودی انتخ&&اب می ش&&ود‪.‬‬
‫مرحله دوم‪ :‬برای هر نمونه‪ ،‬یک درخت تصمیم ساخته می ش&&ود و از آنج&&ا‪ 1 ،‬نتیج&&ه پیش بی&&نی را انتخ&&اب‬
‫کنید‪ .‬مرحله سوم‪ :‬به هر یک از نتایج پیش‌بینی رأی دهید‪ ،‬و سپس پیش‌بینی بیشترین رأی را انتخاب کنی&&د‪.‬‬
‫نتیجه پیش بینی نهایی است‪ .‬نمودار شماتیک مدل جنگل تصادفی در شکل ‪ 1‬نشان داده شده است‪.‬‬
‫‪ .2.2‬افزایش گرادیان الگوریتم تقویت اولین بار در سال ‪ 1990‬توسط جامع&&ه ی&&ادگیری ماش&&ینی مع&&رفی‬
‫شد‪ .‬با تکرار برخی الگوهای ساده‪ ،‬یادگیرندگان ضعیف برای تبدیل شدن به یادگیرن&&دگان خ&&وب بهب&&ود می‬
‫یابند [‪ .]40‬در مرحله اول‪ ،‬تقویت به عنوان یک فرآیند یادگیری ماشین برای بهبود پیش‌بی&&نی نت&&ایج ب&&اینری‬
‫طراحی شده است که از طریق یادگیرن&&دگان پای&&ه (ب&&ا اس&&تفاده از مجموعه‌ه&&ایی از وزن درخت تص&&میم)‬
‫انجام می‌شود [‪ .]41‬سپس تقویت برای کاهش شیب در فضای عملکردی در نظر گرفت&&ه می‌ش&&ود‪ .‬و می‬
‫توان برای تطبیق مدل های رگرسیون آماری استفاده کرد [‪ .]42‬افزایش گرادی&&ان (‪ )GB‬نس&&بت ب&&ه س&&ایر‬
‫روش‌های یادگیری آماری مزایایی دارد‪ ،‬زیرا می‌تواند نتایج را تفسیر کند و تعامالت پیچیده را ساده کن&&د‪ ،‬و‬
‫همچنین نیاز به پیش پردازش داده‌ها و تنظیم پارامترهای شماره دارد [‪ .]43‬عالوه بر این‪ GB ،‬همچنین ب&&ه‬
‫افزایش شیب‪ ،‬بهبود دقت مدل و انتخاب کم&&ک می کن&&د [‪ .]44‬در این مطالع&&ه‪ ،‬تق&&ویت گرادی&&ان از م&&دل‬
‫درختان تصمیم با اندازه ثابت به عنوان یادگیرندگان پایه استفاده کرد و از الگ&&وریتم تق&&ویت توس&&عه یافت&&ه‬
‫توسط فریدمن استفاده کرد [‪.]46 ،45‬‬

‫‪ .2.3‬رگرسیون خطی‪ .‬مدل های رگرسیون خطی (‪ )LR‬ب&&ه ط&&ور گس&&ترده ای ب&&رای ح&&ل مس&&ائل در آم&&ار‬
‫استفاده شده است [‪ .]49-47‬در اصل‪ ،‬رگرسیون خطی سعی می کند با تنظیم یک معادله خطی‪ ،‬رابط&&ه‬
‫بین متغیرهای ورودی و خروجی را مدل کن&د‪ .‬در این تحقی&ق‪ ،‬از آنج&ایی ک&ه ‪ 9‬متغ&یر ورودی و ی&ک متغ&یر‬
‫خروجی وجود دارد‪ ،‬معادله رگرسیون خطی به شکل زیر است‪:‬‬

‫‪ .2.4‬آموزش گروهی )‪ Ensemble Learning (EL‬یک تکنیک یادگیری ماشینی است ک&&ه چن&&دین م&&دل پای&&ه را‬
‫برای ایجاد یک مدل پیش‌بینی بهینه ترکیب می‌کند‪ .‬انتظار می‌رفت که مدل‌های ترکیبی عملک&&رد پیش‌بی&&نی‬
‫بهتری نسبت به مدل‌های عضو ارائه دهند و برای حل ه&&ر مش&&کلی در تکنی&&ک اس&&تفاده ش&&وند [‪.]53 ،52‬‬
‫م&&دل‌های تقویت‌کنن&&ده جنگ&&ل تص&&ادفی و گرادی&&ان‪ ،‬خ&&ود ‪ Ensemble Learning‬را ب&&ر اس&&اس درخت‌ه&&ای‬
‫تصمیم‌گیری چندگانه برای پیش‌بینی نهایی جمع‌آوری کردند‪ .‬بنابراین‪ ،‬یک مدل ترکی&&بی از جنگ&&ل تص&&ادفی‪،‬‬
‫تقویت گرادیان‪ ،‬و رگرسیون خطی کالسیک ب&ر اس&اس پروتک&ل رای گ&یری متوس&ط انتظ&ار می رفت ک&ه‬
‫بهترین پیش بینی ظرفیت بار شمع را ارائه دهد‪ .‬دو روش برای استفاده از پروتکل رای گیری در روش ‪EL‬‬
‫وجود دارد که عبارتن&&د از می&&انگین رای (‪ )AV‬و وزن رای (‪ .)WV‬در ‪ ،AV-EL‬وزن ه&&ای م&&دل پای&&ه یکس&&ان و‬
‫برابر با ‪ 1‬است‪ ،‬در حالی که در ‪ WV-EL‬وزن ه&&ا در مح&&دوده [‪ ]1 ،0‬و مجم&&وع هم&&ه وزن ه&&ا براب&&ر ب&&ا ‪1‬‬
‫است‪ .‬نمودار جریان نمودار جریان مدل ‪ EL‬مورد استفاده در این مطالعه در شکل ‪ 2‬ارائه شده اس&ت ک&ه‬
‫در آن از رای گیری وزن سه مدل پایه برای پیش بینی نهایی استفاده شده است‪ .‬معادله پیش بینی نه&&ایی‬
‫به شکل زیر است‪:‬‬

‫که در آن ‪ wj‬وزن یادگیرنده ‪ j‬است‪ Pji .‬پیش‌بینی ‪j‬امین یادگیرنده اس&&ت‪ .‬و ‪ n‬تع&&داد فراگ&&یران در م&&دل ‪EL‬‬
‫است‪ .‬در این مطالعه وزن بهینه ‪ WV-EL‬با روش جستجوی تصادفی (‪ )RS‬تعیین شد‪ .‬در این تکنیک‪ ،‬وزن ها‬
‫به طور تصادفی در محدوده [‪ ]1 ،0‬انتخاب می شوند که ب&ه مجم&وع هم&ه وزن ه&ا اج&ازه می ده&د ت&ا ‪1‬‬
‫باشد‪ .‬عملکرد به عنوان م&&دل نه&&ایی ‪ EL‬انتخ&&اب ش&&ده اس&&ت‪ .‬ش&&به ک&&د تکنی&&ک ‪ RS‬م&&ورد اس&&تفاده در این‬
‫مطالعه به صورت زیر نوشته شده است‪:‬‬
‫‪ .2.5‬سنجش عملکرد‪ .‬برای ارزی&&ابی س&&ازگاری بین نت&&ایج پیش‌بینی‌ش&&ده و نت&&ایج واقعی‪ ،‬از س&&ه ش&&اخص‬
‫عملکرد استفاده شد‪( RMSE :‬ریشه میانگین مربعات خط&&ا) [‪( R2 ،]55 ،54‬ض&&ریب تع&&یین) [‪ ]57 ،56‬و‬
‫‪( MAE‬میانگین خطای مطلق)‪ R2 .]59 ،58[ ) .‬امکان تعیین رابطه آماری بین مقادیر پیش بینی ش&&ده ب&&ا‬
‫نتایج تجربی را فراهم می کند‪ .‬محدوده ‪ R2‬از [‪ ]1÷∞-‬بود‪ ،‬و زمانی که ‪ R2‬به عدد ‪ 1‬نزدیک شد گفت&&ه می‬
‫شود که مدل دقیق تر است‪ .‬برعکس‪ ،‬هرچه مقادیر ‪ RMSE‬و ‪ MAE‬کمتر باش&&د‪ ،‬نتیج&&ه محاس&&به دقی&&ق ت&&ر‬
‫است‪ .‬مقادیر ‪ R2، RMSE‬و ‪ MAE‬از طریق فرمول های زیر محاسبه شد‪:‬‬

‫که در آن ‪ k‬تعداد نمونه ها را نش&&ان می ده&&د‪ yi ،‬و ‪ yi‬ب&&ه ت&&رتیب خ&&روجی ه&&ای واقعی و پیش بی&&نی ش&&ده‬
‫هستند و ‪ y‬مقدار متوسط ‪ yi‬است‪.‬‬

‫داده های مورد استفاده‬

‫در این مطالعه‪ ،‬یک پایگاه داده از ‪ 108‬گزارش آزمایش بار شمع از ادبیات منتشر شده جم&&ع آوری ش&&د [‬
‫‪ .]30‬تمام پارامترهای ورودی که ممکن است بر تعیین بار ش&&مع ت&&أثیر بگ&&ذارد‪ ،‬در نظ&&ر گرفت&&ه ش&&دند‪ ،‬از‬
‫جمله نوع آزمایش (‪ ،)T‬نوع شمع (‪ ،)P‬روش نصب (با عالمت ‪ ،)I‬نوع انتهای شمع (‪ ،)EP‬سطح مقطع ن&&وک‬
‫شمع (‪ )At‬و سطح شفت (‪ )Af‬خواص خاک از طریق پارامتره&&ای ب&&ه دس&&ت آم&&ده از نت&&ایج آزم&&ایش نف&&وذ‬
‫مخروط (‪ )CPT‬نشان داده شد‪ ،‬از جمله مقاومت متوسط نوک مخروط در طول طول تعبیه ش&&ده ش&&مع (‬
‫‪ .)qca‬مقاومت متوسط نوک مخروط بر ناحیه نفوذ (‪ )qct‬و متوسط اصطکاک آستین در طول ط&ول تعبی&&ه‬
‫شده شمع (‪ .)fsa‬خروجی در نظر گرفته شده ظرفیت باربری نهایی شمع اس&&ت (ک&&ه ب&&ا ‪ Pu‬مش&&خص می‬
‫شود)‪ .‬خالصه آمار پایگاه داده در جدول ‪ 1‬ارائه شده است که ش&&امل مق&&ادیر ح&&داقل‪ ،‬می&&انگین‪ ،‬ح&&داکثر‪،‬‬
‫میانه و انحراف استاندارد (‪ ) SD‬تمام پارامترهای مورد استفاده در این مطالعه است‪ .‬عالوه بر این‪ ،‬نمودار‬
‫هیستوگرام تمام متغیرهای ورودی و خروجی در شکل ‪ 3‬نشان داده شده است‪.‬‬
‫نتیجه و بحث‬
‫‪ . 4.1‬تأثیر اندازه داده های آموزشی‪ .‬از آنجایی که اندازه مجموعه آموزشی بر دقت مدل تأثیر می گذارد‪،‬‬
‫اندازه مجموعه داده های آموزشی ب&&ه دقت در نظ&&ر گرفت&&ه می ش&&ود [‪ .]60‬در این بخش‪ ،‬ان&&دازه قطع&&ه‬
‫آموزشی مناسب با تغییر از ‪ %20‬به ‪ %80‬پیدا شد‪ .‬در همین حال‪ ،‬اندازه مجموع&&ه آزمایش&&ی از ‪ ٪80‬ب&&ه‬
‫‪ ٪20‬از مجموعه داده های اصلی کاهش یافت‪ .‬برای جلوگیری از نشت داده ها‪ ،‬مجموعه تس&&ت از فرآین&&د‬
‫آموزش پنهان شد و عملکرد مدل بر اساس تکنیک ‪ CV 5‬برابری بود [‪ .]62 ،61‬مدل جنگل تصادفی برای‬
‫آموزش و تایید در این دوره انتخاب شد‪ .‬توجه به این نکته ضروری است که ‪ 300‬نمونه برداری در ب&&ه هم‬
‫زدن نمایه های پایگاه داده برای عینی تر ش&دن نت&ایج انج&ام ش&د‪ .‬مق&داردهی اولی&ه م&دل ‪ RF‬در ج&دول ‪2‬‬
‫نشان داده شده است‪.‬‬

‫شکل ‪ 4‬نتیجه مدل ‪ RF‬را با استفاده از اندازه های مختلف مجموعه آموزشی نشان می دهد‪ .‬مشاهده می‬
‫شود که عملکرد تمرین با افزایش اندازه مجموعه تمرین اندکی افزایش یافت‪ .‬به طور دقیق تر‪ ،‬می&&انگین‬
‫مقدار ‪ R2‬از ‪ 0.847‬به ‪ 0.918‬اف&&زایش ی&&افت‪ ،‬در ح&&الی ک&&ه ان&&دازه مجموع&&ه آموزش&&ی از ‪ ٪20‬ب&&ه ‪٪80‬‬
‫افزایش یافت‪ .‬در همان زمان‪ ،‬میانگین پیش‌بینی‌های مدل ‪ RF‬در مجموع&&ه اعتبارس&&نجی‪ ،‬نت&&ایج دیگ&&ری را‬
‫نشان داد‪ .‬میانگین ‪ R2‬از منفی به ‪ 0.584‬افزایش ی&&افت ک&&ه ان&&دازه داده ه&&ای آموزش&&ی از ‪ ٪20‬ب&&ه ‪٪80‬‬
‫افزایش یافت‪ .‬عالوه بر این‪ ،‬انح&&راف معی&&ار (‪ )SD‬از ‪ 0.998‬ب&&ه ‪ 0.1‬ک&&اهش ی&&افت ک&&ه ان&&دازه داده ه&&ای‬
‫آموزشی از ‪ ٪20‬ب&ه ‪ ٪80‬اف&زایش ی&افت‪ .‬ک&&اهش ‪ SD‬نش&&ان داد ک&&ه م&دل ب&ا بزرگ&&ترین ان&دازه مجموع&ه‬
‫آموزشی پایدارتر است‪ .‬با هدف دستیابی به بهترین دقت و پای&داری م&دل‪ ،‬ان&دازه مجموع&ه آموزش&ی ‪80‬‬
‫درصد در این تحقیق انتخاب شده است‪.‬‬

‫‪ .4.2‬قابلیت پیش بینی مدل های پایه در این بخش‪ ،‬پیش بی&&نی پ&&ذیری م&&دل ه&&ای پای&&ه ‪ ML‬و ‪ AV-EL‬م&&ورد‬
‫بررسی قرار گرفت‪ .‬برای اینکه نتایج آزمون روی همه م&دل‌ها س&&ازگار باش&&د‪ ،‬از ی&ک روش واح&&د تقس&&یم‬
‫آموزش و داده‌های آزمون برای همه مدل‌های ‪ ML‬استفاده شد‪ .‬پارامترهای اولیه سازی مدل ه&ای پای&ه در‬
‫جدول ‪ 3‬ارائه شده است‪ ،‬در حالی که روش یادگیری گروهی از پروتکل رأی گیری متوس&&ط اس&&تفاده می‬
‫کند‪ .‬توجه به این نکته مهم اس&&ت ک&&ه مجموع&&ه داده ه&&ای تس&&ت ب&&رای ارزی&&ابی عملک&&رد م&&دل ه&&ای پای&&ه‬
‫استفاده می شود‪ ،‬در حالی که مجموعه آموزشی برای ساخت مدل ها اس&&تفاده می ش&&ود‪ .‬عالوه ب&&ر این‪،‬‬
‫درصد خطای نسبی (‪ ) RE‬در ظرفیت باربری شمع نیز برای مجموعه داده های تست برای ارزیابی عملکرد‬
‫سه مدل پایه و مدل ترکیبی در نظر گرفته شده است‪ .‬این معیار به صورت بیان شده است‬

‫مقایسه ‪ RE‬برای مجموعه آزمایش در جدول ‪ 4‬نشان داده شده است‪ .‬مشاهده می شود که هر سه م&&دل‬
‫پایه عملکرد پیش بینی بسیار خوبی را ارائه می دهند‪ .‬با این حال‪ ،‬هیچ مدلی نسبت به م&دل ‪ EL‬ب&رای ک&&ل‬
‫مجموعه داده های آزمایشی عملکرد بهتری نداشت‪ .‬عملکرد پیش بینی یک مدل ممکن است برای ب&&رخی‬
‫از نمونه های داده رضایت بخش باشد اما برای بقیه ضعیف باشد‪ .‬از سوی دیگر‪ ،‬به نظر می‌رسد عملکرد‬
‫مدل ‪ EL‬عملکرد پیش‌بینی‌شده را در بین مدل‌های پایه متعادل می‌کند‪ ،‬که منجر به بهترین نتیجه پیش‌بی&&نی‬
‫کلی برای کل مجموعه داده‌های آزمون می‌شود‪ .‬شکل ‪ 5‬ی&&ک مقایس&&ه بص&&ری از ظ&&رفیت ب&&اربری نه&&ایی‬
‫نتایج آزمایشی مبتنی بر شمع و نتایج پیش‌بینی‌شده از مدل‌های ‪ ML‬را ارائه می‌کند‪ .‬نتایج نشانگر عملک&&رد‬
‫در جدول ‪ 5‬خالصه شده است‪ .‬مشاهده می شود که به نظر می رسد مدل های ‪ GB‬و ‪ RF‬از ب&&رازش بیش‬
‫از حد رنج می برن&د زی&را ش&&اخص عملک&رد مجموع&ه آموزش&&ی ب&ه ط&ور قاب&ل ت&وجهی به&تر از مجموع&ه‬
‫آزمایشی است‪ .‬در مقابل‪ ،‬زمانی که عملکرد مجموعه آزمایشی بهتر از مجموعه آموزش&&ی ب&&ود‪ ،‬م&&دل ‪LR‬‬
‫از عدم تناسب رنج می‌برد‪ .‬در عین حال‪ ،‬به نظر می‌رسد که مدل ترکیبی تمامی مشکالت اضافه ب&&رازش‬
‫و عدم تناسب س&&ه م&&دل پای&&ه را ح&&ل ک&&رده و به&&ترین تع&&ادل را در عملک&&رد در مجموعه‌ه&&ای آموزش&&ی و‬
‫آزمایشی ایجاد کرده است‪ .‬ب&ه ط&ور دقی&ق ت&ر‪ ،‬مق&ادیر ش&اخص عملک&رد م&دل ترکی&بی ‪R2 0.928، MAE‬‬
‫‪ 292.897‬و ‪ RMSE 407.041‬در مجموعه آموزشی و ‪ ،R2 0.955، MAE 263.49‬و ‪ RMSE 372.338‬در مجموعه‬
‫تست بود‪.‬‬

‫‪ .4.3‬بهبود عملکرد مدل ‪ EL‬با استفاده از بهینه س&ازی رای گ&یری وزن‪ .‬در بخش قب&ل‪ ،‬عملک&رد م&دل‌های‬
‫پایه متفاوت است‪ .‬مدل هایی مانند ‪ GB‬و ‪ RF‬عملکرد پیش بینی خوبی دارند‪ ،‬در حالی که ‪ LR‬عملکرد پیش‬
‫بینی کم&&تری دارد‪ .‬عالوه ب&&ر این‪ ،‬ب&&ه نظ&&ر می‌رس&&د م&&دل ‪ AV-EL‬ی&&ک ع&&دم تع&&ادل ج&&زئی بین س&&وگیری و‬
‫واریانس نشان می‌ده&د‪ ،‬ب&ر اس&اس این واقعیت ک&ه عملک&رد در مجموع&ه تس&ت هن&وز به&تر از مجموع&ه‬
‫آموزشی بود‪ .‬بنابراین‪ ،‬برای ایجاد یک مدل ‪ EL‬حتی بهتر‪ ،‬مدل‌های عضو بای&&د نقش متف&&اوتی در پیش‌بی&&نی‬
‫نهایی داشته باشند‪ .‬برای انجام این کار‪ ،‬از تکنیک ‪ RS‬برای بهینه سازی وزن مدل های پای&&ه اس&&تفاده ش&&د‪.‬‬
‫در این تکنیک ‪ 1000‬شبیه سازی برای یافتن بهترین ترکیب وزنی برای مدل ‪ WV-EL‬انج&&ام ش&&د‪ .‬توج&&ه ب&&ه‬
‫این نکته حائز اهمیت است که برای جلوگیری از نشت داده ها‪ ،‬از تکنیک ‪ CV 5‬برابری برای ارزیابی م&&دل‬
‫‪ WV-EL‬به جای مجموعه تست استفاده شد‪ .‬عالوه بر این‪ ،‬ش&&اخص عملک&&رد ‪ R2‬ب&&ه عن&&وان ارزش تناس&&ب‬
‫بهینه‌سازی انتخاب شد‪ .‬نتایج فرآیند بهینه سازی در شکل ‪ 6‬نشان داده شده است‪ .‬مشاهده می شود ک&&ه‬
‫از بین سه مدل پایه‪ GB ،‬مهمترین نقش را برای مدل ‪ EL‬در پیش بینی ظرفیت باربری شمع ایف&&ا ک&&رد‪ .‬ب&&ه‬
‫طور دقیق تر‪ ،‬هر چه وزن اول باالتر ب&&ود‪ ،‬م&&دل ‪ WV-EL‬به&&تر عم&&ل ک&&رد‪ .‬عالوه ب&&ر این‪ ،‬وزن دوم بای&&د در‬
‫محدوده [‪ ]0.7-0.2‬و وزن سوم باید کمتر از ‪ 0.4‬باشد‪ .‬بهترین ارزش تناسب بهینه سازی ‪ R2 0.932‬بود و‬
‫وزن های بهینه در جدول ‪ 6‬خالصه شده است‪.‬‬

‫نمودار رگرسیون برای مدل ‪ WV-EL‬در شکل ‪ 7‬نش&&ان داده ش&&ده اس&&ت‪ .‬مقایس&&ه بص&&ری بین نت&&ایج ‪ Pu‬از‬
‫مدل ‪ WV-EL‬و داده ه&&ای تج&&ربی در ش&&کل ‪( 8‬ب&&رای مجموع&&ه داده ه&&ای آموزش&&ی) و در ش&&کل ‪( 9‬ب&&رای‬
‫آزمایش) نشان داده شده است‪ .‬مجموعه داده)‪ .‬مشاهده می شود که مدل ‪ WV-EL‬در مجموعه آموزش&&ی‬
‫با شاخص های عملکرد ‪ R2 0.951، MAE 242.406‬و ‪ RMSE 339.735‬در مقایسه با مدل ‪ AV-EL‬عملکرد بهتری‬
‫ارائه می ده&&د‪ .‬عالوه ب&&ر این‪ ،‬م&&دل ‪ WV-EL‬ن&&یز هم&&ان عملک&&رد م&&دل ‪ AV-EL‬را در مجموع&&ه آزمایش&&ی ب&&ا‬
‫شاخص‌های عملک&رد ‪ R2 0.95، MAE 269.87‬و ‪ RMSE 375.612‬ارائ&ه داد‪ .‬ب&ه عب&ارت دیگ&ر‪ ،‬م&دل ‪WV-EL‬‬
‫عملکرد متعادل تری از خود نشان داد و انتخاب بهتری نسبت به مدل ‪ AV-EL‬بود‪.‬‬

‫مقایسه با مطالعه قبلی جدول ‪ 7‬نتایجی را در مورد کاربرده&&ای ‪ ML‬در فونداس&&یون ش&&مع ارائ&&ه می کن&&د‪.‬‬
‫نتایج مطالعه حاض&&ر و همچ&&نین نت&&ایج مطالع&&ات قبلی‪ ،‬تکنی&&ک ‪ ML‬م&&ورد انتظ&&ار را در پیش‌بی&&نی ظ&&رفیت‬
‫باربری شمع با پیش‌بینی خوب نشان داد‪ .‬مقایسه بین نتایج مطالعه به دلیل مجموعه داده ه&&ای مختل&&ف و‬
‫ورودی های اصلی چندان منطقی نیست‪ .‬با این حال‪ ،‬در بین آن م&&دل‌ها‪ ،‬م&&دل ‪ WV-EL‬عملک&&رد پیش‌بی&&نی‬
‫ب&&االیی را نش&&ان داد و پیش‌بی&&نی متع&&ادلی را در ک&&ل مجموع&&ه داده ارائ&&ه می‌ده&&د‪ .‬عالوه ب&&ر این‪ ،‬ان&&دازه‬
‫مجموعه داده‌ها در مطالعه محدود است‪ ،‬بنابراین مطالع&ات بیش&تری روی مجموعه‌ه&ای داده دیگ&ر ب&رای‬
‫ارائه کلی‌ترین مدل برای پیش‌بینی ظرفیت باربری شمع مورد نیاز است‪ SPT .‬مقدار تست نفوذ استاندارد‬
‫است‪ CPT ،‬مقدار تست نفوذ مخروط است‪ G ،‬نشان‌دهنده ویژگی‌های هندسی شمع است‪ φ ،‬نش&&ان‌دهنده‬
‫زاویه اصطکاک داخلی خاک‪ 'σ ،‬نشان‌دهنده تنش م&&ؤثر خ&&اک‪ HW ،‬وزن چکش‪ PS ،‬مجموع&&ه ش&&مع‌ها‪DH ،‬‬
‫نشان‌دهنده افت است‪ .‬ارتفاع چکش‪ T ،‬نوع آزمایش‪ P ،‬نوع شمع‪ I ،‬نشان دهنده روش نصب و ‪ EP‬نش&&ان‬
‫دهنده انتهای نوع شمع است‪.‬‬
‫‪ .4.5‬تجزیه و تحلیل میزان حساسیت‪ .‬در این بخش‪ ،‬ی&&ک تکنی&&ک حساس&&یت جه&&انی ب&&رای ارزی&&ابی اهمیت‬
‫پارامتره&&ای ورودی ب&رای م&دل ب&ا اس&&تفاده از روش ]‪ Sobol [64‬انج&ام ش&&ده اس&&ت‪ .‬مجموع&ه داده ه&&ای‬
‫نظرسنجی از محدوده مجاز توسط طرح نمونه گیری سالتلی [‪ ]65‬گرفته شده است‪ .‬برای عینی‌تر کردن‬
‫نتایج‪ 300 ،‬شبیه‌سازی با در نظر گرفتن جابجایی در ترتیب داده‌های آموزشی برای ساخت مدل ‪ EL‬انج&&ام‬
‫شد‪ .‬نتیجه تجزیه و تحلی&ل در ش&کل ‪ 10‬نش&ان داده ش&ده اس&ت‪ .‬مش&اهده می ش&ود ک&ه از بین ‪ 9‬متغ&یر‬
‫ورودی مورد استفاده برای تشخیص ظرفیت باربری شمع‪ ،‬مساحت شفت (‪ ) Af‬مهمترین وی&&ژگی ب&&ود ک&&ه‬
‫میانگین شاخص حساسیت ‪ 0.537‬را به دست آورد‪ .‬از نقطه نظر مکانیک خ&&اک‪ Af ،‬ب&&ر ناحی&&ه تم&&اس بین‬
‫خاک و شمع تأثیر می گذارد‪ .‬به عبارت دیگر‪ ،‬کل نیروی اصطکاک مثبت روی شمع را تحت تأثیر ق&&رار می‬
‫دهد و بنابراین نقش مهمی در پیش بینی ظرفیت باربری شمع اصطکاکی ایفا می کند‪ .‬سطح مقطع ن&&وک‬
‫شمع (‪ )At‬متغیر مهم بعدی بود که به مقاومت نوک شمع با شاخص حساسیت نم&&ره ‪ 0.363‬اش&&اره دارد‪.‬‬
‫متغیرهای ‪ qct، T‬و ‪ fsa‬با میانگین شاخص حساسیت بین ‪ 0.039‬تا ‪ 0.031‬ب&&ه عن&&وان س&&ومین ت&&ا پنجمین‬
‫پیش‌بینی‌کننده مهم رتبه‌بندی شدند‪ .‬نشان می دهد که آنها تأثیر زیادی روی نتیجه نداشته اند‪.‬‬
‫نتیجه گیری‬

‫در این مطالعه‪ ،‬یک مدل ‪ EL‬برای پیش‌بینی ظرفیت باربری ش&مع توس&عه داده ش&د‪ .‬م&دل ترکی&بی از س&ه‬
‫مدل پایه تشکیل شده بود‪ GB، RF :‬و ‪ .LR‬یک پایگاه داده حاوی ‪ 108‬نمونه برای توسعه و ارزیابی مدل‌های‬
‫‪ ML‬استفاده شد‪ .‬یک تکنیک بهینه‌سازی‪ ،‬یعنی ‪ ،RS‬برای انتخاب وزن‌های بهینه ب&رای م&دل ‪ WV-EL‬اس&تفاده‬
‫شد‪ .‬نتایج نشان داد که دو مدل ‪ EL‬م&&ورد اس&&تفاده در این مطالع&&ه یع&&نی ‪ AV-EL‬و ‪ WV-EL‬عملک&&رد به&&تری‬
‫نسبت به مدل‌های پایه از خود نشان دادن&&د‪ .‬عالوه ب&&ر این‪ ،‬ب&&ه نظ&&ر می‌رس&&د م&&دل‌های ‪ EL‬ب&&ا نش&&ان دادن‬
‫عملکرد عالی در مجموعه داده‌های آموزشی و آزمایشی‪ ،‬مشکالت اضافه برازش و عدم تناسب م&&دل‌های‬
‫پایه را حل می‌کنند‪ .‬به طور خاص‪ ،‬مدل ‪ WV-EL‬که دارای وزن‌های ‪ w1 0.482، w2 0.338‬و ‪ w3 0.18‬برای‬
‫مدل‌های ‪ GB، RF‬و ‪ LR‬است‪ ،‬بهترین تعادل را در توانایی پیش‌بینی ظرفیت باربری ش&&مع در ه&&ر دو نش&&ان‬
‫داد‪ .‬مجموعه داده‌های آموزش و آزمایش‪ .‬عالوه بر این‪ ،‬از تکنیک تحلیل حساسیت جهانی برای شناس&&ایی‬
‫مهم‌ترین متغیرهای ورودی استفاده شد‪ .‬نتایج نشان داد که از بین تمامی پارامترهای ورودی‪ ،‬سطح شفت‬
‫(‪ ) Af‬و سطح مقطع نوک شمع ( ‪ )At‬مهمترین ویژگی برای مدل‌سازی ظرفیت باربری شمع در نظر گرفته‬
‫شد‪ .‬نتایج تحقیق ابزار موثری برای پیش‌بینی ظرفیت شمع با توجه به نتایج آزمون ‪ CPT‬ارائه کرده است و‬
‫همچنین پتانسیل استفاده از پروتکل رای گیری وزنی م&دل ی&ادگیری گ&روهی را در ح&ل مس&ائل مهندس&ی‬
‫فونداسیون نشان می‌دهد‪.‬‬