Application of various machine learning approaches to estimate liquefaction risk
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Yapılan çalışmada, özdevimli öğrenme de yaygın olarak kullanılan dört yaklaşım modelinin (quadratic discriminant analysis, artificial neural networks, random forest ve support vector machine), sıvılaşma riski ve toprak sismik özeliğini modellemek adına uygulanabilirliği incelenmektedir.Bu sıralar bilgisayımsal hızın gelişmesi ile birlikte, bu tür yaklaşımlar mühendislere, hızlı ve ekonomik sonuçlar ve bir çok durumda yapı ile ilgili yapılan aşırı varsayımların ihtiyacını azaltarak, kolay çozüm olanağı sağlar.Özdevimli öğrenme teknikleri verileri kullanarak bilgi çıkarımı yapabilir. Bu tez için, 415 vaka geçmişi veritabanı olarak kullanılmıştır. Üç adet toprak parametresi (derinlik kritik tabaka, σv, VS1) ve iki sesmik parametre (Mw, PGA) model girdisi olarak ve toprağın sıvılaşma potansiyeli çıktı olarak dikkate alınmıştır. Deney sonunda belirtilen modeller, toprağın sıvılaşıp sıvılaşmayacağını mantıklı bir şekilde tahmin etmiştir, ancak random forest, diğer metotlardan daha iyi olduğunu ve modelleme olarak daha doğru sonuç verdiğini göstermiştir. Son olarak random forest performansı, diğer basitleştirilmiş (geleneksel) yaklaşımların performansı ile karşılaştırılmış ve bu şekilde toprağın sıvılaşmasının mümkün olup olmadığı değerlendirilmiştir. In this thesis, the possibility of using quadratic discriminant analysis (QDA), artificial neural networks (ANN), random forest and support vector machine (SVM), which are four famous machine learning approaches, to model the complex relationship between liquefaction risk and soil seismic features has been investigated. Nowadays with the development of computational speed, such approaches can give engineers faster and economical results and in many cases there is no need to take extreme assumptions about the structure of a problem in order to simplify and make it solvable. Machine learning techniques use data to extract information. For this thesis, a liquefaction database with 415 case histories has been used. Three soil parameters (depth to critical layer, σv, VS1) and two seismic parameters (Mw, PGA) are considered as the models inputs and the liquefaction potential of soil is the output. It has been shown that all of the mentioned models can reasonably predict whether a soil is liquefiable or not, however, random forest outperformed the other methods and showed the most accuracy amongst the models. Finally random forest performance has been compared to the performance of the simplified approach, which is a traditional solution, to assess whether a soil is liquefiable or not.
Collections