Enjeksiyon uygulanmış kum zeminlerde permeabilite katsayısının esnek hesaplama yöntemleri ile tahmin edilmesi
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmanın amacı, permeasyon enjeksiyonu uygulanmış kum zeminlerde geleneksel ve esnek hesap yöntemleriyle permeabilite katsayısını tahmin edilmesidir. Bu amaç doğrultusunda enjeksiyon deneysel uygulamasından elde edilen 390 veri seti kullanılmıştır. Bu veri seti, Su / Çimento oranı (S/Ç), Rölatif Sıkılık (Dr), Minimum Enjeksiyon Basıncı (MEB), zeminin ağırlıkça %15'inin geçtiği elek çapının (D15) enjeksiyon malzemesinin %85'inin geçtiği elek çapına (D85) oranı (D15/D85) ve permeabilite katsayısı parametrelerinden oluşmaktadır. Permeabilite katsayısı tahmininde S/Ç, Dr, MEB ve D15/D85 girdi, permeabilite katsayısı ise çıktı olarak kullanılmıştır. Veri setinin %70'i eğitim, %30'u test verisi olacak şekilde rastgele ikiye ayrılmıştır. Girdilerin birbiriyle kombinasyonu sonucunda 15 farklı grup oluşturulmuştur. Oluşturulan grupların eğitim verisi kullanılarak doğrusal ve doğrusal olmayan regresyon analizi, Yapay Sinir Ağları (YSA), Adaptif Sinirsel Bulanık Çıkarım Sistemi (ANFIS) eğitim işlemleri gerçekleştirilmiştir. Eğitim işleminde oluşturulan modellerin performanslarını değerlendirmek için aynı modellere test verisi kullanılarak geleneksel (regresyon analizi) ve esnek hesap yöntemleri (YSA ve ANFIS) uygulanmıştır. Geleneksel yöntemde basit ve çoklu doğrusal regresyon analizi kullanılarak 15 model, doğrusal olmayan regresyon analizinde ise power (üstel) ve eksponansiyel fonksiyonları kullanılarak 30 model oluşturulmuştur. Esnek hesaplama yöntemlerinde YSA' da ileri beslemeli geri yayılımlı (İBGY, Feed forward back propagation) yöntem, ağ eğitimi içinde Levenberg – Marquardt (LM) öğrenme algoritması kullanılmıştır. Gizli katmandaki nöron sayısı (N) 2'den 20'ye ikişerli artacak şekilde toplamda 150 YSA modeli oluşturulmuştur. ANFIS' de üyelik fonksiyonu tipi (Membership Function, MF) ve üyelik fonksiyonu küme sayısının model performansındaki etkisini incelemek için triangular (tri), trapezoidal (trap) ve generalized bell shaped (gbell) üyelik fonksiyonları ve üyelik fonksiyonu küme sayısı olarak da sırasıyla 2, 3, 4 olacak şekilde toplamda 135 ANFIS modeli oluşturulmuştur. Regresyon analizi ve esnek hesaplama yöntemleri kullanılmasıyla toplamda 330 model oluşturularak permeabilite katsayısı tahmini yapılmıştır. Modellerin performansını değerlendirmek amacıyla belirlilik katsayısı (R2) ve ortalama karesel hata (Mean Squared Error, MSE) kriterleri kullanılmıştır. Doğrusal regresyon analizi kullanılarak oluşturulan modellerin tahmin performansı oldukça düşük çıkmıştır. Doğrusal olmayan regresyon analizinde eksponansiyel fonksiyon kullanılarak oluşturulan modeller, power (üstel) fonksiyonu kullanılarak oluşturulan modellere göre daha iyi tahmin performansı göstermiştir. YSA' da genelde nöron sayısı yüksek olan modeller daha başarılı tahmin performansı göstermiştir. ANFIS' de ise gbell üyelik fonksiyonu yapısına sahip olan modeller daha iyi tahmin performansı göstermiştir. Esnek hesaplama yöntemleri ile yapılan analizlerde en iyi tahmin sonucunu 15. grup, 14. grup, 12. grup ve 11. grup vermiştir. Elde edilen sonuçlar doğrultusunda YSA ve ANFIS kullanılarak oluşturulan modellerin, geleneksel yöntemler kullanılarak oluşturulan modellere göre daha iyi tahmin performansı verdiği görülmüştür.
The purpose of this study is to estimate the permeability coefficient by traditional method and flexible calculation methods. This purpose in line with this, 390 data sets obtained from the injection experimental application were used. This data set, Water/Cement ratio (W/C), Relative Density (Dr), Minimum Injection Pressure (MEB), the sieve diameter (D15) of grouting material through which 15% by weight of the ground passes the ratio of the sieve diameter (D85 ) through which 85% passes (D15 /D85) and the permeability coefficient parameters. Consists of. S/Ç, Dr, MEB, and D15 /D85 inputs in the estimation of permeability coefficient, permeability the coefficient was used as the output. In this data set, 70% of the data set will be training data, 30% will be test data randomly divided. As a result of the combination of the inputs, 15 different groups was created. Using the training data of the created groups, linear and nonlinear regression analysis, Artificial Neural Networks (ANN), Adaptive Neural Fuzzy Inference System (ANFIS) training procedures have been carried out. Created in the training process to evaluate the performance of the models, traditional (regression analysis) and flexible calculation methods (ANN and ANFIS) were applied to the same models using test data. These models, 15 models using simple and multiple linear regression analysis in the traditional method, in nonlinear regression analysis, power and exponential functions 30 models were created by using. Advanced in ANN in flexible computation methods feed backpropagation (IBGY, Feedforward backpropagation) method, for network education Levenberg – Marquardt (LM) learning algorithm was used. A total of 150 ANN models were created, with the number of neurons in the hidden layer (N) increasing from 2 to 20 in pairs. Triangular (tri), trapezoidal (trap), and generalized bell-shaped (bell) membership functions and membership function cluster in ANFIS to examine the effect of membership function type (Membership Function, MF) and membership function cluster number on model performance. A total of 135 ANFIS models were created as 2, 3, and 4 respectively. By using regression analysis and flexible calculation methods, a total of 330 models were created and permeability estimation was made. Evaluating the performance of models coefficient of determination (R2) and Mean Squared Error (MSE) for criteria are used. The prediction performance of the models created by using linear regression analysis is quite low. In nonlinear regression analysis, the models created by using the exponential function showed better prediction performance than the models created by using the power function. Models that generally have high neurons in ANN showed more successful predictive performance than others. In ANFIS, the gbell membership function structure models with better prediction performance. As a result of the analysis, the 15th group, 14th group, 12th group, and 11th group gave the estimation result, the best models have shown. In line with the results obtained, it has been seen that the models created by using ANN and ANFIS gave better prediction performance than the models obtained by using traditional methods.
The purpose of this study is to estimate the permeability coefficient by traditional method and flexible calculation methods. This purpose in line with this, 390 data sets obtained from the injection experimental application were used. This data set, Water/Cement ratio (W/C), Relative Density (Dr), Minimum Injection Pressure (MEB), the sieve diameter (D15) of grouting material through which 15% by weight of the ground passes the ratio of the sieve diameter (D85 ) through which 85% passes (D15 /D85) and the permeability coefficient parameters. Consists of. S/Ç, Dr, MEB, and D15 /D85 inputs in the estimation of permeability coefficient, permeability the coefficient was used as the output. In this data set, 70% of the data set will be training data, 30% will be test data randomly divided. As a result of the combination of the inputs, 15 different groups was created. Using the training data of the created groups, linear and nonlinear regression analysis, Artificial Neural Networks (ANN), Adaptive Neural Fuzzy Inference System (ANFIS) training procedures have been carried out. Created in the training process to evaluate the performance of the models, traditional (regression analysis) and flexible calculation methods (ANN and ANFIS) were applied to the same models using test data. These models, 15 models using simple and multiple linear regression analysis in the traditional method, in nonlinear regression analysis, power and exponential functions 30 models were created by using. Advanced in ANN in flexible computation methods feed backpropagation (IBGY, Feedforward backpropagation) method, for network education Levenberg – Marquardt (LM) learning algorithm was used. A total of 150 ANN models were created, with the number of neurons in the hidden layer (N) increasing from 2 to 20 in pairs. Triangular (tri), trapezoidal (trap), and generalized bell-shaped (bell) membership functions and membership function cluster in ANFIS to examine the effect of membership function type (Membership Function, MF) and membership function cluster number on model performance. A total of 135 ANFIS models were created as 2, 3, and 4 respectively. By using regression analysis and flexible calculation methods, a total of 330 models were created and permeability estimation was made. Evaluating the performance of models coefficient of determination (R2) and Mean Squared Error (MSE) for criteria are used. The prediction performance of the models created by using linear regression analysis is quite low. In nonlinear regression analysis, the models created by using the exponential function showed better prediction performance than the models created by using the power function. Models that generally have high neurons in ANN showed more successful predictive performance than others. In ANFIS, the gbell membership function structure models with better prediction performance. As a result of the analysis, the 15th group, 14th group, 12th group, and 11th group gave the estimation result, the best models have shown. In line with the results obtained, it has been seen that the models created by using ANN and ANFIS gave better prediction performance than the models obtained by using traditional methods.
Açıklama
Anahtar Kelimeler
Yapay Sinir Ağları (YSA), Adaptif Sinirsel Bulanık Çıkarım Sistemi (ANFIS), Permeabilite Katsayısı, Parametre Tahmini, Esnek Hesap Yöntemleri, Artificial Neural Networks (ANN), Adaptive Neural Fuzzy Inference System (ANFIS), Permeability Coefficient, Parameter Estimation, Flexible Calculation Methods
