Prediction of Liquefaction Potential Using a Soft Computing Approach (CNN-MVO): A Case Study on Sandy Soils of Northern Iran

روانگرایی در خاک‌های ماسه‌ای یکی از مخاطرات مهم ژئوتکنیکی در هنگام زلزله است که می‌تواند منجر به خسارات جدی سازه‌ای و ژئوتکنیکی گردد. هدف این پژوهش، توسعه یک مدل محاسبات نرم برای پیش‌بینی پتانسیل روانگرایی با استفاده از داده‌های ژئوتکنیکی به‌دست‌آمده از پروژه‌های شمال ایران است. برای این منظور، مجموعه‌ای شامل ۱۵۰ گمانه صحرایی و داده‌های حاصل از آزمایش‌های SPT و پارامترهای ژئوتکنیکی شامل نوع خاک، سطح آب زیرزمینی، درصد ریزدانه، عدد نفوذ استاندارد و عمق مورداستفاده قرار گرفت. روش پیشنهادی ترکیبی از شبکه عصبی کانولوشن (CNN) و الگوریتم چندجهانی (MVO) بوده است که در محیط MATLAB پیاده‌سازی شد. نتایج نشان داد ضریب رگرسیون مدل توسعه‌یافته حدود 9/0 و شاخص خطای میانگین مربعات (MSE) کمتر از 5/0 است. مقایسه نتایج با روش تجربی مبتنی بر SPT نشان داد که مدل CNN-MVO دقت بالاتری در پیش‌بینی وقوع روانگرایی و نشست ناشی از آن دارد؛ بنابراین، روش ارائه‌شده می‌تواند به‌عنوان ابزاری کارآمد در ارزیابی خطر روانگرایی و تصمیم‌گیری‌های مهندسی ژئوتکنیک در مناطق مستعد زلزله مورداستفاده قرار گیرد.