Kimyasal enjeksiyon yapılmış kum zeminlerde enjeksiyon malzemesiyle basınç dayanımı arasındaki ilişkinin incelenmesi
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada permeasyon enjeksiyonu uygulanmış kum zeminlerde geleneksel ve esnek hesaplama yöntemleriyle serbest basınç dayanımı değerinin tahmin edilmesi amaçlanmıştır. Çalışmada enjeksiyon deneysel uygulamasından elde edilen 990 veri seti kullanılmıştır. Serbest basınç dayanımı değerinin tahmininde deney parametrelerinden sodyum silikat oranı, sinerez yüzdesi, ince tane yüzdesi ve kür süresi parametreleri girdi, serbest basınç dayanımı parametresi ise çıktı olarak kullanılmıştır. Veri seti %70'i eğitim, %30'u test verisi olarak rastgele ikiye ayrılmıştır. Geleneksel yöntemle hesaplamada basit ve çoklu doğrusal regresyon analizi ile 15 model, doğrusal olmayan regresyon analizinde üstel (power) fonksiyon ile 15, eksponansiyel fonksiyon ile 15 olmak üzere toplamda 30 model oluşturulmuştur. Esnek hesaplama yöntemlerinden yapay sinir ağlarında ileri beslemeli geri yayılımlı ağ mimarisi, ağın eğitimi amacıyla ise Levenberg-Marquardt öğrenme algoritması kullanılmıştır. Gizli katmanda bulunan nöron sayısı 2'den 20'ye ikişer arttırılarak toplamda 150 Yapay sinir ağları modeli oluşturulmuştur. ANFIS ile oluşturulan modellerde üyelik fonksiyonu tipi olarak üçgen, trapezoidal ve genelleştirilmiş çan eğrisi, alt küme sayısı olarak da 2,3 ve 4 seçilmiştir. Böylelikle toplamda 135 ANFIS modeli oluşturulmuştur. Destek vektör makineleri ile oluşturulan modellerde farklı çekirdekler (coarse gaussian, medium gaussian, fine gaussian, doğrusal, karesel ve kübik) çekirdek fonksiyonları kullanılarak 90 model oluşturulmuştur. Regresyon ağaçları yönteminde farklı yapıda ağaçlar (coarse tree, medium tree, fine tree) kullanılarak toplamda 45 model oluşturulmuştur. Böylelikle serbest basınç dayanımı değerinin tahmini amacıyla toplamda 465 model oluşturulmuştur. Oluşturulan modellerin performans değerlendirmesi amacıyla determinasyon katsayısı (R2) ve ortalama karesel hata (Mean Squared Error, MSE) kriterleri kullanılmıştır. Yapılan analizler sonucunda serbest basınç dayanımı değerinin tahmininde sodyum silikat ve sinerez yüzdesi parametrelerinin en etkili parametreler olduğu gözlemlenmiştir. Tüm yöntemler arasından en düşük tahmin performansını doğrusal regresyon analizi kullanılarak oluşturulan modeller göstermiştir. Tüm yaklaşımlar incelendiğinde genel olarak en yüksek tahmin performansını yapay sinir ağları göstermiştir. Bu yöntemi sırasıyla karar ağaçları, ANFIS, destek vektör makineleri, doğrusal olmayan regresyon analizi, doğrusal regresyon analizi takip etmiştir.
In this study, it is aimed to estimate the unconfined compressive strength value in permeation-injected sand soils using traditional and flexible calculation methods. In the study, 990 data sets obtained from the injection experimental application were used. Sodium silicate ratio, syneresis ratio, fine grain ratio and day parameters were used as inputs and free compressive strength parameters were used as outputs for the estimation of the unconfined compressive strength value. The data set was randomly divided into two as 70% training and 30% test data. In calculation with the traditional method, 15 models were created with simple and multiple linear regression analysis, 15 models with exponential (power) function and 15 with exponential function in nonlinear regression analysis, a total of 30 models were created. Feed forward back propagation network architecture is used in artificial neural networks, one of the flexible computation methods, and Levenberg-Marquardt (LM) learning algorithm is used for the training of the network. A total of 150 ANN models were created by increasing the number of neurons in the hidden layer from 2 to 20 by two. In the models created with ANFIS, triangle, trapezoid and generalized bell curve were chosen as membership function type, and 2,3 and 4 were chosen as the number of subsets. Thus, a total of 135 ANFIS models were created. In the models created with SVM, 90 models were created by using different kernels (coarse gaussian, medium gaussian, fine gaussian, linear, quadratic and cubic) kernel functions. In the regression trees method, a total of 45 models were created by using trees of different structures (coarse tree, medium tree, fine tree). Thus, a total of 465 models were created for the estimation of the unconfined compressive strength value. The coefficient of determination (R2) and mean squared error (MSE) criteria were used to evaluate the performance of the models created. As a result of the analysis, it was observed that sodium silicate and syneresis ratio parameters were the most effective parameters in the estimation of the unconfined compressive strength value. Models created using linear regression analysis showed the lowest prediction performance among all methods. When all approaches were examined, artificial neural networks showed the highest prediction performance in general. Decision trees, ANFIS, support vector machines, nonlinear regression analysis, linear regression analysis respectively.
In this study, it is aimed to estimate the unconfined compressive strength value in permeation-injected sand soils using traditional and flexible calculation methods. In the study, 990 data sets obtained from the injection experimental application were used. Sodium silicate ratio, syneresis ratio, fine grain ratio and day parameters were used as inputs and free compressive strength parameters were used as outputs for the estimation of the unconfined compressive strength value. The data set was randomly divided into two as 70% training and 30% test data. In calculation with the traditional method, 15 models were created with simple and multiple linear regression analysis, 15 models with exponential (power) function and 15 with exponential function in nonlinear regression analysis, a total of 30 models were created. Feed forward back propagation network architecture is used in artificial neural networks, one of the flexible computation methods, and Levenberg-Marquardt (LM) learning algorithm is used for the training of the network. A total of 150 ANN models were created by increasing the number of neurons in the hidden layer from 2 to 20 by two. In the models created with ANFIS, triangle, trapezoid and generalized bell curve were chosen as membership function type, and 2,3 and 4 were chosen as the number of subsets. Thus, a total of 135 ANFIS models were created. In the models created with SVM, 90 models were created by using different kernels (coarse gaussian, medium gaussian, fine gaussian, linear, quadratic and cubic) kernel functions. In the regression trees method, a total of 45 models were created by using trees of different structures (coarse tree, medium tree, fine tree). Thus, a total of 465 models were created for the estimation of the unconfined compressive strength value. The coefficient of determination (R2) and mean squared error (MSE) criteria were used to evaluate the performance of the models created. As a result of the analysis, it was observed that sodium silicate and syneresis ratio parameters were the most effective parameters in the estimation of the unconfined compressive strength value. Models created using linear regression analysis showed the lowest prediction performance among all methods. When all approaches were examined, artificial neural networks showed the highest prediction performance in general. Decision trees, ANFIS, support vector machines, nonlinear regression analysis, linear regression analysis respectively.
Açıklama
Anahtar Kelimeler
ANFIS, Destek vektör makineleri, Support vector machines, Karar ağacı, Decision tree, Parametre tahmini, Parameter estimation, Serbest basınç dayanımı, Unconfined compressive strength, Yapay sinir ağları, Artificial neural networks
