|
การประยุกต์ใช้ SVM, KNN และ AdaBoost ในการทำนายวงการวิบัติของฐานรากแบบปล่องในดินเหนียวภายใต้โหลดรวม |
|---|---|
| รหัสดีโอไอ | |
| Title | การประยุกต์ใช้ SVM, KNN และ AdaBoost ในการทำนายวงการวิบัติของฐานรากแบบปล่องในดินเหนียวภายใต้โหลดรวม |
| Creator | คฑาวุธ วิชัย |
| Contributor | สุรภาพ แก้วสวัสดิ์วงศ์, ที่ปรึกษา |
| Publisher | มหาวิทยาลัยธรรมศาสตร์ |
| Publication Year | 2567 |
| Keyword | ฐานรากแบบปล่อง, แมชชีนเลิร์นนิง, การวิเคราะห์ไฟไนต์อิลิเมนต์, ขอบเขตการวิบัติ, โหลดกระทำแบบรวม, Caisson foundation, Machine learning, Finite element analysis, Failure envelope, Combined load |
| Abstract | งานวิจัยนี้นำเสนอกรอบการทำงานที่ใช้เทคนิคแมชชีนเลิร์นนิงสำหรับการพยากรณ์ขอบเขตการวิบัติของฐานรากแบบปล่อง ทั้งในรูปแบบทั่วไปและแบบดัดแปลง ภายใต้โหลดกระทำแบบรวม (VHM) ในดินเหนียวที่มีความไม่สม่ำเสมอ การวิเคราะห์พารามิเตอร์ดำเนินการโดยใช้การวิเคราะห์ขีดจำกัดแบบสามมิติ (3D Finite Element Limit Analysis, FELA) พร้อมกับเกณฑ์วิบัติของ Tresca เพื่อประเมินผลกระทบของอัตราส่วนความลึกต่อเส้นผ่านศูนย์กลาง (L/D) และอัตราส่วนความแข็งแรงที่ไม่สม่ำเสมอ (κ) ต่อขอบเขตการวิบัติและรูปแบบการวิบัติทั้งในแบบ 2D และ 3D สำหรับฐานรากปล่องสองประเภท โดยให้ความสำคัญเป็นพิเศษกับขอบเขตการวิบัติในแบบ 2D บนพื้นที่ H-M (H/suLD,M/suL2D) ภายใต้ระดับโหลดแนวดิ่งที่แตกต่างกัน (V/V0) โดยพิจารณาสภาพเต็มแรงดึงที่บริเวณพื้นผิวระหว่างฐานรากและดิน เพื่อตอบสนองความซับซ้อนในการสร้างแบบจำลองความเสถียรของธรณีเทคนิค โดยใช้ Machine Learning ได้แก่ Adaptive Boosting (AdaBoost) Support Vector Machines (SVM) และ K-Nearest Neighbors (KNN) ถูกนำมาใช้ในการพัฒนาแบบจำลองตัวแทน (surrogate models) สำหรับการสร้างขอบเขตการวิบัติ จากแบบจำลองทั้งหมด โมเดล AdaBoost แสดงผลการทำงานที่ดีที่สุด โดยมีความแม่นยำสูงสุด (R2= 98.9%) ในการพยากรณ์ขอบเขตวิบัติ การผสานเทคนิคแมชชีนเลิร์นนิง 3D FELA แสดงให้เห็นถึงวิธีการที่มีประสิทธิภาพในการทำความเข้าใจและสร้างแบบจำลองพฤติกรรมของฐานรากปล่องภายใต้โหลดกระทำแบบรวม |
