Yapay Zeka ile Toprak Sıkışması Parametrelerinin Tahmini
Yapay Zeka ile Toprak Sıkışması Parametrelerinin Tahmini
Toprak sıkışması, yol dolguları ve baraj gibi yapıların stabilitesi için inşaat mühendisliğinde kritik öneme sahiptir. Optimum nem içeriği (OMI) ve maksimum kuru yoğunluk (MKY) gibi sıkışma parametrelerinin belirlenmesi için geleneksel yöntemler, emek yoğun laboratuvar deneylerine dayanmaktadır. Ayrıca ampirik regresyon modelleri, çeşitli toprak tipleri arasında sınırlı uygulanabilirlik ve doğruluk göstermektedir. Son yıllarda, yapay zeka (YZ) ve makine öğrenmesi (MÖ) teknikleri, bu sıkışma parametrelerinin tahmin edilmesi için alternatif olarak ortaya çıkmıştır. Ancak, MÖ modelleri, çeşitli toprak tiplerini temsil eden heterojen veri setleriyle, tahmin doğruluğu ve genellenebilirlik konusunda zorluklar yaşamaktadır.
Otomatik Makine Öğrenmesi Yaklaşımı
Bu çalışma, OMI ve MKY'yi tahmin etmek için otomatik makine öğrenmesi (AutoML) yaklaşımını önermektedir. AutoML, algoritma seçimini ve hiper parametre optimizasyonunu otomatikleştirerek, doğruluk ve ölçeklenebilirliği artırma potansiyeline sahiptir. Kapsamlı deneyler aracılığıyla, Aşırı Gradyan Artırma (XGBoost) algoritmasının en iyi performansı sağladığı bulunmuştur. Ayrı bir veri seti üzerinde, MKY için %80,4 ve OMI için %89,1'lik R-kare değerleri elde edilmiştir. Bu sonuçlar, AutoML'in farklı toprak tipleri genelinde sıkışma parametrelerini tahmin etmedeki etkinliğini göstermektedir.
Heterojen Veri Setlerinin Önemi
Çalışma ayrıca, MÖ modellerinin genelleştirme kabiliyeti ve performansını iyileştirmede heterojen veri setlerinin önemini vurgulamaktadır. Sonuç olarak, bu araştırma, toprak sıkışması parametrelerinin tahminini geliştirerek, daha verimli ve güvenilir inşaat uygulamalarına katkı sağlamaktadır.
Kaynaklar ve Referanslar
Sonuç
Otomatik makine öğrenmesi yaklaşımı, toprak sıkışması parametrelerinin tahmini konusunda etkin bir çözüm sunmaktadır. Heterojen veri setlerinin kullanılması, modellerin genellenebilirliğini artırmaktadır. Bu çalışma, inşaat mühendisliği uygulamalarında daha verimli ve güvenilir sonuçlar elde edilmesine katkı sağlamaktadır.