Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightEn başarılı tahmin modeli tüm veri seti içinde SiO2, Al2O3, MgO, CaO ve Na2O girdi verilerinden oluşan modeldir.
📌 3 Maddede Bu Makale
Özet
Dispersif zeminler, dolgu barajların çekirdek yapısında kullanıldığında erozyon hassasiyetlerinin çok yüksek olması nedeniyle içsel erozyona neden olarak bu tür barajların göçmesine neden olmaktadırlar. Bu tür zeminlerin tasarım aşamasında belirlenerek dolgu barajların inşaatında kullanılmaması gerekmektedir. Dispersif zeminler; fiziksel (dağılma deneyi, çifte hidrometre deneyi ve iğne deliği deneyi) ve kimyasal (boşluk sıvısının kimyasal içeriği) deneyler ile belirlenebilmektedir. Bu çalışmada ise alternatif bir yöntem olarak XRF (X-Işını Floresans) analiz sonuçları kullanılarak genetik programlama (GP) yardımıyla zeminlerin dispersibilite sınıfının tahmin edilebilmesi için bilgisayar modelleri geliştirilmiştir. Genetik İfade Programlama (GİP) ile oluşturulan tahmin modellerinde kullanılan 181 adet verinin % 66.9’u eğitim verisi; geri kalan ise ise test verisi olarak kullanılmıştır. Majör (SiO2, Al2O3) ve minör (MgO, CaO, Na2O, K2O) oksitlerin girdi verisi olarak kullanıldığı bilgisayar modellerinde zeminler dispersif (D) ve dispersif olmayan zeminler (ND) olarak yüksek oranlarda başarılı bir şekilde tahmin edilmektedir. En başarılı tahmin modeli tüm veri seti içinde SiO2, Al2O3, MgO, CaO ve Na2O girdi verilerinden oluşan modeldir.
Abstract
When dispersive soils are used in the core structure of embankment dams, due to their high erosion sensitivity, they cause internal erosion and cause such dams to collapse. Such soils should be determined at the design stage and not used in the construction of fill dams. Dispersive soils can be determined by physical (Crumb test, double hydrometer test and pinhole test) and chemical (chemical content of the pore fluid) experiments. In this study, as an alternative method, computer models have been developed to predict the dispersibility class of soils with the help of genetic programming (GP) using XRF (X-Ray Fluorescence) analysis results. 66.9% of the 181 data used in prediction models created with Genetic Expression Programming (GEP) are training data; the remainder was used as test data. In computer models where major (SiO2, Al2O3) and minor (MgO, CaO, Na2O, K2O) oxides are used as input data, soils are successfully predicted as dispersive (D) and non-dispersive soils (ND) at high rates. The most successful forecasting model is the one that consists of SiO2, Al2O3, MgO, CaO and Na2O input data in the entire data set.