Kỹ thuật tối ưu hóa để xác định các tham số đất trong kỹ thuật địa kỹ thuật: Nghiên cứu so sánh và cải tiến
Tóm tắt
Một nghiên cứu so sánh về các kỹ thuật tối ưu hóa để xác định tham số đất trong kỹ thuật địa kỹ thuật đã được trình bày lần đầu. Phương pháp xác định với 3 phần chính, hàm lỗi, chiến lược tìm kiếm và quy trình xác định, đã được giới thiệu và tóm tắt. Sau đó, các phương pháp tối ưu hóa hiện nay đã được xem xét và phân loại thành 3 loại với phần giới thiệu về các nguyên tắc cơ bản và ứng dụng của chúng trong kỹ thuật địa kỹ thuật. Một nghiên cứu so sánh về việc xác định các tham số mô hình từ thiết bị đo áp suất tổng hợp và các thử nghiệm khai thác đã được thực hiện bằng cách sử dụng 5 trong số các phương pháp tối ưu hóa phổ biến nhất, bao gồm thuật toán di truyền, tối ưu hóa đàn kiến, làm lạnh mô phỏng, thuật toán tiến hóa vi phân và thuật toán đàn ong nhân tạo. Kết quả cho thấy rằng thuật toán tiến hóa vi phân có khả năng tìm kiếm mạnh mẽ nhất nhưng tốc độ hội tụ chậm nhất. Tất cả các phương pháp được chọn đều có thể đạt được các giải pháp xấp xỉ với các lỗi mục tiêu rất nhỏ, nhưng những giải pháp này khác biệt với các tham số đã được xác định trước. Để cải thiện hiệu suất xác định, một thuật toán nâng cao đã được phát triển bằng cách thực hiện phương pháp hình chiếu Nelder-Mead trong một thuật toán vi phân để tăng tốc độ hội tụ với khả năng tìm kiếm mạnh mẽ và đáng tin cậy. Cuối cùng, hiệu suất của thuật toán tối ưu hóa nâng cao được làm nổi bật qua việc xác định các tham số Mohr-Coulomb từ 2 trường hợp tổng hợp giống nhau và từ 2 thử nghiệm đo áp suất thực tế trong cát, cùng với các tham số ANICREEP từ 2 thử nghiệm đo áp suất thực tế trong đất sét mềm.
Từ khóa
Tài liệu tham khảo
Ou C‐Y, 1993, Characteristics of ground surface settlement during excavation, Can Geotech J, 30, 758, 10.1139/t93-068
HicherP‐Y ShaoJ‐F.Modèles de comportement des sols et des roches: Lois incrémentales viscoplasticité endommagememt: Hermès Science;2002.
WoodDM MackenzieN ChanA.Selection of parameters for numerical predictions. Predictive Soil Mechanics: Proceedings of the Wroth Memorial Symposium Oxford UK Thomas Telford London; 1992:496–512.
Jin Y‐F, 2016, A new hybrid real‐coded genetic algorithm and its application to parameters identification of soils, Inverse Prob Sci Eng, 1
Vardakos S, 2012, Parameter identification in numerical modeling of tunneling using the Differential Evolution Genetic Algorithm (DEGA), Tunn Undergr Space Technol, 28, 109, 10.1016/j.tust.2011.10.003
Ye L, 2016, An efficient parameter identification procedure for soft sensitive clays, J Zheijang Univ Sci A, 17, 76, 10.1631/jzus.A1500031
McKay MD, 1979, Comparison of three methods for selecting values of input variables in the analysis of output from a computer code, Dent Tech, 21, 239
Ardalan H, 2009, Piles shaft capacity from CPT and CPTu data by polynomial neural networks and genetic algorithms, Comput Geotech, 36, 616, 10.1016/j.compgeo.2008.09.003
Chi S‐Y, 2001, Optimized back‐analysis for tunneling‐induced ground movement using equivalent ground loss model, Tunn Undergr Space Technol, 16, 159, 10.1016/S0886-7798(01)00048-7
Tang Y‐G, 2009, Application of nonlinear optimization technique to back analyses of deep excavation, Comput Geotech, 36, 276, 10.1016/j.compgeo.2008.02.004
John H, 1992, Holland, Adaptation in Natural and Artificial Systems
Mulia A., 2012, Identification of Soil Constitutive Soil Model Parameters Using Multi‐Objective Particle Swarming Optimization
Sadoghi Yazdi J, 2011, Calibration of soil model parameters using particle swarm optimization, Int J Geomech, 12, 229, 10.1061/(ASCE)GM.1943-5622.0000142
Schanz T, 2006, Identification of constitutive parameters for numerical models via inverse approach, Felsbau, 24, 11
ZhangY AugardeC GallipoliD.Identification of hydraulic parameters for unsaturated soils using particle swarm optimization. Proceedings 1st European Conference on Unsaturated Soils;2008:765–771.
Fontan M, 2011, Soil–structure interaction: Parameters identification using particle swarm optimization, Comput Struct, 89, 1602, 10.1016/j.compstruc.2011.05.002
Busetti F, 2003, Simulated Annealing Overview
Li S, 2003, Global search algorithm of minimum safety factor for slope stability analysis based on annealing simulation, Chin J Rock Mech Eng, 22, 236
Price K, 1997, Differential evolution: a simple evolution strategy for fast optimization, Dr Dobb's journal, 22, 18
Jia D, 2011, An effective memetic differential evolution algorithm based on chaotic local search, Inform Sci, 181, 3175, 10.1016/j.ins.2011.03.018
KarabogaD.An idea based on honey bee swarm for numerical optimization. Technical report‐tr06 Erciyes university engineering faculty computer engineering department;2005.
Kang F, 2011, Artificial bee colony algorithm with local search for numerical optimization, J Softw, 6, 490, 10.4304/jsw.6.3.490-497
Cheng M‐Y, 2014, A hybrid fuzzy inference model based on RBFNN and artificial bee colony for predicting the uplift capacity of suction caissons, Autom Constr, 41, 60, 10.1016/j.autcon.2014.02.008
Kang F, 2015, Artificial bee colony algorithm optimized support vector regression for system reliability analysis of slopes, J Comput Civ Eng, 30, 10.1061/(ASCE)CP.1943-5487.0000514
Zhao H, 2015, Reliability‐based optimization of geotechnical engineering using the artificial bee colony algorithm, KSCE J Civ Eng, 1
Kahatadeniya KS, 2009, Determination of the critical failure surface for slope stability analysis using ant colony optimization, Eng Geol, 108, 133, 10.1016/j.enggeo.2009.06.010
Khajehzadeh M, 2011, Reliability analysis of earth slopes using hybrid chaotic particle swarm optimization, J Cent South Univ Technol, 18, 1626, 10.1007/s11771-011-0882-4
Hill MC, 1998, Methods and Guidelines for Effective Model Calibration
Lee GohA FaheyM.Application of a 1‐dimensional cavity expansion model to pressuremeter and piezocone tests in clay. Proceeding of the Seventh International Conference on Computer Methods and Advances in Geomechanics Cairns1991; p. 255–260.