Kohezyonlu zeminlerde net limit basınç ve deformasyon modülünün makine öğrenimi temelli modeller kullanılarak tahmin edilmesi

Creative Commons License

Gültekin N., Doğan A.

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, cilt.11, sa.4, ss.1025-1033, 2022 (Hakemli Dergi) identifier

Özet

Makine öğrenimi temelli yöntemler son dönemlerde özellikle mühendislik uygulamalarında geniş bir alan bulmuştur. Çalışma kapsamında kohezyonlu birimlerde gerçekleştirilmiş arazi ve laboratuvar deneylerinden elde edilen veriler kullanılarak net limit basınç (PLN) ve deformasyon modülü (E) değerleri tahmin edilmeye çalışılmıştır. Bu amaçla; Regresyon Ağaçları (RA), Destek Vektör Makineleri (DVM), Gauss Süreç Regresyonu (GSR) olmak üzere üç farklı makine öğrenimi yöntemi kullanılmıştır. Düzeltilmiş SPT (SPT-N(60)), likit limit (%LL), plastisite indeksi (%PI) ve birim hacim ağırlık (BHA) verileri modellerin girdi parametrelerini oluşturmaktadır. Her bir model için üç makine öğrenimi yöntemi de uygulanmıştır. Buna göre; çalışma kapsamında DVM ve GSR yöntemleri RA yöntemine göre daha yüksek tahmin performansı göstermiştir. PLN’nin ve E’nin tahmin edilmesine yönelik oluşturulan modeller karşılaştırıldığında ise; PLN’nin tahmin performansı daha yüksek çıkmıştır. Sonuç olarak; üç farklı makine öğrenimi yönteminin de PLN’nin ve E’nin tahmininde kullanılabileceği, özellikle arazi çalışmalarının yüksek maliyetli olduğu, örnekleme çalışmalarının güçlüğü gibi durumlarda temsil kabiliyetinin yüksek olduğu sonucuna varılmıştır

Machine learning-based methods have recently found an extensive field especially in engineering applications. In this study, net limit pressure (PLN) and deformation modulus (E) were tried to predict using the data obtained from in-situ and laboratory tests which were performed for cohesive soils. For this purpose, three different machine learning methods were employed such as regression trees (RT), support vector machines (SVM), gaussian process regression (GPR). The corrected SPT (SPT-N(60)), liquid limit (LL%), plasticity index (PI%) and unit weight data are the input parameters of the models. Three machine learning methods were utilized for each constructed model. Accordingly, SVM and GPR methods have higher prediction performance than RA. When the models are compared which were constructed for the prediction of PLN and E; the prediction performance of PLN is higher. Consequently, it has been concluded that three different machine learning methods can be used to predict PLN and E, and their representativeness is high, especially in the cases where field studies are costly and difficulties of sampling.