Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu sonuç, önerilen sınıflandırıcı YSA’nın zeminleri tanımlamada kullanışlı olduğunu ve kentsel alanlarda planlama ve geliştirme için değerli bilgiler verdiğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
Zemin sınıflaması, jeoloji ve inşaat mühendisliğinde özellikle jeoteknik projelerde önemli bir konudur. Önceki zemin sınıflandırma çalışmaları, zeminleri tanımlamak için klasik yöntemleri kullanmaktadır. Ancak klasik yöntemler zaman kaybına ve bazen hatalı zemin tanımlamalarına yol açabilmektedir. Bu çalışmada Yapay Sinir Ağı (YSA) kullanılarak bu sorunu çözmek amaçlanmıştır. Çalışmada Kütahya şehir merkezinden toplanan 72 adet zemin örneğini dört farklı zemin sınıfına ayırmak için sınıflandırıcı bir YSA modeli önerilmiştir. Önerilen YSA, ileri beslemeli üç katmanlı bir örüntü tanıma ve sınıflandırma ağıdır. YSA’nın ilk katmanı girdi katmanı, ikinci katmanı gizli katman ve üçüncü katmanı çıktı katmanıdır. Girdi katmanı, giriş elemanları olarak beş zemin özelliğinden meydana gelmektedir: çakıl, kum, kil+silt, likit limit ve plastisite indisi. Gizli katmanda dokuz nöron bulunmaktadır ve gizli katmandaki nöronlarda tanjant hiperbolik aktivasyon fonksiyonları kullanılmıştır. YSA çıkışı, zemin örneklerini, düşük plastisiteli kil, yüksek plastisiteli kil, killi kum, killi çakıl olmak üzere dört farklı sınıfa ayırmak için dört elemanlı olarak tasarlanmıştır ve bu nedenle çıkış katmanında dört nöron bulunmaktadır. Çıkış katmanında Softmax aktivasyon fonksiyonları kullanılmıştır. Sonuçları değerlendirmek ve analiz etmek için kullanılan Karışıklık Matrislerine göre, önerilen sınıflandırıcı YSA %98,6’lık bir sınıflandırma performansına sahiptir. Bu sonuç, önerilen sınıflandırıcı YSA’nın zeminleri tanımlamada kullanışlı olduğunu ve kentsel alanlarda planlama ve geliştirme için değerli bilgiler verdiğini göstermektedir.
Abstract
Soil classification is an important subject of geology, and civil engineering, especially in geotechnical projects. Previous soil classification studies have classical methods to identifying soils. However, these classical methods can be very time-consuming and sometimes lead to erroneous definitions of soils. Here, we aim to solve this problem for using Artificial Neural Networks (ANN). In this study, a classifier ANN model is proposed for classifying seventy-two soil samples collected from the city center of Kutahya into four different soil classes. The proposed ANN is a feed-forward three-layer pattern recognition and classification network. The first layer of the ANN is the input layer, the second layer is the hidden layer, and the third layer is the output layer. The input layer consists of five soil properties as input elements: gravel, sand, clay+silt, liquid limit and plasticity index. There are nine neurons in the hidden layer, and tangent hyperbolic activation functions are used in the neurons in the hidden layer. The output of the ANN is designed with four elements to classify the soil samples into four different classes: low plasticity clay, high plasticity clay, clayey sand, clayey gravel, and therefore four neurons are in the output layer. Softmax activation functions are used in the output layer. According to the Confusion Matrices used to evaluate and analyze the results, the proposed classifier ANN has a classification performance of 98.6%. This shows that the proposed classifier ANN is useful at identification of soils, and gives valuable information to the planning and development in urban areas.