Destek vektör regresyonu yaklaşımı ile istinat duvarı tasarım parametrelerinin belirlenmesi

Çalık Ü.

JOURNAL OF THE FACULTY OF ENGINEERING AND ARCHITECTURE OF GAZI UNIVERSITY, cilt.39, sa.3, ss.1759-1770, 2024 (SCI-Expanded) identifier

Özet

Kritik kayma yüzeyinin yeri (αcr), aktif zemin itkisinin büyüklüğü (Pae) ve etki mesafesi (zae); istinat duvarlarının arkasındaki geri dolgu zemini özellikleri, yükleme durumu ve enkesit geometrisi ile ilişkili birçok parametrenin etkisi altındadır. Son yıllarda, çok değişkenli geoteknik problemlerdeki matematiksel ilişkileri ortaya çıkarabilen Destek Vektör Regresyonu (DVR) gibi güçlü makine öğrenme algoritmaları, zaman kaybettirici hesap adımlarını izlemeden kilit tasarım parametrelerinin tahmin edilmesinde kullanılmaktadır. Bu çalışma, 6 çekirdek (kernel) fonksiyonunu ve 2 veri örnekleme tekniğini göz önünde tutarak büyük bir veri kümesindeki değişkenler arasındaki en iyi regresyon modellerinin tespitinde DVR yöntemine başvurmuştur. Pae için kübik fonksiyon, αcr ve zae için medium gauss fonksiyon en iyi çekirdek fonksiyon seçenekleri olmuştur. Model tahminlerinin gerçek değerlerden sapmaları, αcr, Pae ve zae için sırasıyla ±8º, ±20 kN/m2 ve ±0,15 m gibi bir aralık içinde yer almıştır. DVR modellerin öngörü yeteneklerinin doğrulanması, yepyeni bir data setindeki başka bir çalışmanın sonuçlarıyla istatistiksel olarak karşılaştırılması ile gerçekleştirilmiştir. Burada, DVR modeller en başarılı tahminlerini Pae ve αcr için sergilemişlerdir. Bununla birlikte, zae için model tahminleri nispeten bir parça zayıf kalsa da yine kabul edilebilir bir seviyededi

Support Vector (Machine) Regression, Design parameters of retaining walls, Seismic loads, Cohesive backfill soil, Statistical indicators The location of critical sliding surface (αcr), the magnitude (Pae) and application point (zae) of active earth thrust are influenced by many parameters related to the properties of backfill soil, loading conditions and cross-section geometry behind retaining walls. In recent years, the powerful machine learning algorithms such as Support Vector Regression (SVR), to reveal mathematical relationships in multivariate geotechnical problems, have been used for predicting of the key design parameters without following time-consuming calculation steps. This study applies SVR, considering 6 kernel functions and 2 data sampling techniques, to determine the best regression models between variables in a large dataset. The cubic function for Pae and the medium gauss function for αcr and zae are the best kernel options. The deviations of αcr, Pae and zae fall within a range of ±8º, ±20 kN/m2 and ±0.15 m, respectively. To verify predictive capabilities of the models, a statistical comparison is made with the results of another research using a totally new dataset. Herein, the models showed the most successful performance for Pae and αcr. However, the predictions for zae are relatively weaker but still at an acceptable level. Furthermore, there is no significant effects in the performance between the data sampling techniques.