Prediction of the Shear Strength of Glass Fiber-Reinforced Clay Soil by Adaptive Neuro-Fuzzy Inference System (ANFIS)

Öz

The objective of this study is to estimate the shear strength of glass fiber reinforced clay soil using ANFIS. For this purpose, specimens with different water contents (13%, 15% and 17%) and different glass fiber addition ratios (0%, 1%, 1.5% and 2%) were prepared. The ANFIS models were created using the shear strength (τ) data obtained by direct shear tests on the prepared specimens. To create the best fitting ANFIS model in the current study, 75%, 77%, 80%, and 83% of the data for training and 25%, 23%, 20%, and 17% of the data for testing were used, respectively. However, to estimate the shear strength in each ANFIS model, the normal stress (σ), glass fiber content (Fc), and water content (ω) are considered as input parameters. Statistical parameters such as root mean square error (RMSE), regression coefficient (R2), root square error (RSE), and mean absolute error (MAE) were also calculated to determine the success rates of the ANFIS models. Examination of the statistical parameters revealed that the data used 80% for training and 20% for testing provided the best results in estimating the shear strength of the ANFIS model.

Anahtar Kelimeler

• Artificial intelligence algorithms
• ANFIS
• Shear Strength
• Glass Fiber
• Soil Reinforcement

Cam Fiberle Güçlendirilmiş Killi Zeminin Kayma Mukavemetinin Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS) ile Tahmini

Öz

Son yıllarda, geoteknik mühendisliğinde yapay zeka algoritmalarına olan yönelim artmış ve yapay zeka algoritmaları ile geoteknik mühendisliğinde başarılı sonuçlara ulaşılmıştır. Bu çalışmada, ANFIS ile cam fiberle güçlendirilmiş killi zeminin kayma mukavemetlerinin tahminleri amaçlanmıştır. Bu amaç için, farklı su içeriklerine (%13, %15 ve %17) ve farklı cam lifi katkı oranlarına (%0, %1, %1,5, ve %2) sahip deney numuneleri hazırlanmıştır. Hazırlanan numuneler direkt kesme deneyine tabi tutularak elde edilen kayma mukavemeti (τ) verileri kullanılarak ANFIS modelleri oluşturulmuştur. Mevcut çalışmada en uygun ANFIS modelini oluşturabilmek amacıyla, sırasıyla %75, %77, %80 ve %83 eğitim, %25, %23, %20 ve %17 oranında veri test için kullanılmıştır. Bununla birlikte her bir ANFIS modelinde kayma mukavemetini tahmin edebilmek için, normal gerilme (σ), cam lifi miktarı (Fc) ve su içeriği (ω), girdi parametreleri olarak dikkate alınmıştır. Ayrıca, ANFIS modellerinin başarı oranlarını belirleyebilmek için ortalama karesel hatanın karekökü (RMSE), regresyon katsayısı (R2), karesel hatanın karekökü (RSE) ve ortalama mutlak hata (MAE) gibi istatiksel parametreler hesaplanmıştır. İstatiksel parametrelerin incelenmesi sonucunda %80 eğitim ve %20 oranında test için ayrılan verilerin ANFIS modelinin kayma mukavemeti tahmininde en iyi sonuçları verdiği gözlemlenmiştir.

Anahtar Kelimeler

• Yapay Zeka Algoritmaları
• ANFIS
• Kayma Mukavemeti
• Cam Lif
• Zeminlerin Güçlendirilmesi

Kaynakça

1. [1]. Yazici, M. F., Keskin, S. N., Review on Soil Reinforcement Technology by Using Natural and Synthetic Fibers, Erzincan University Journal of Science and Technology, 2021, 14(2), 631-663.
2. [2]. Baruah, H. Effect of Glass Fibers on Red Soil, International Journal of Advanced Technology in Engineering and Science, 2015, 3(1), 217-223.
3. [3]. Asadollahi, F., Dabiri, R., Effects of Glass Fiber Reinforced Polymer on Geotechnical Properties of Clayey Soil, Journal of Structural Engineering and Geo-Techniques, 2017, 7(2), 73-83.
4. [4]. Saha, H. S., Bhowmik, D., Effect of Glass Fiber on Shear Strength of Soil, Key Engineering Materials, 2018, 775, 603-609.
5. [5]. Abdeldjouad, L., Asadi, A., Ball, R. J., Nahazanan, H., and Huat, B. B., Application of alkali-activated palm oil fuel ash reinforced with glass fibers in soil stabilization, Soils and Foundations, 2019, 59(5), 1552-1561.
6. [6]. Venkatesh, K., Bind, Y. K., ANN and neuro-fuzzy modeling for shear strength characterization of soils, Proceedings of the National Academy of Sciences, India Section A: Physical Sciences, 2020, 1-7.
7. [7]. Besalatpour, A., Hajabbasi, M. A., Ayoubi, S., Afyuni, M., Jalalian, A., and Schulin, R. J. S. S., Soil shear strength prediction using intelligent systems: artificial neural networks and an adaptive neuro-fuzzy inference system, Soil science and plant nutrition, 2012, 58(2), 149-160.
8. [8]. Hashemi Jokar, M., Mirasi, S., Using adaptive neuro-fuzzy inference system for modeling unsaturated soils shear strength, Soft Computing, 2018, 22(13), 4493-4510.

9. [9]. Ding, W., Nguyen, M. D., Mohammed, A. S., Armaghani, D. J., Hasanipanah, M., Van Bui, L., and Pham, B. T., A new development of ANFIS-Based Henry gas solubility optimization technique for prediction of soil shear strength, Transportation Geotechnics, 2021, 29, 100579.
10. [10]. Adoko, A. C., Wu, L., Fuzzy Inference Systems-based Approaches in Geotechnical Engineering- a Review, Electronic Journal of Geotechnical Engineering, 2011, 16(1), 543-1.
11. [11]. Cabalar, A. F., Cevik, A., and Gokceoglu, C., Some applications of adaptive neuro-fuzzy inference system (ANFIS) in geotechnical engineering, Computers and Geotechnics, 2012, 40, 14-33.
12. [12]. Žlender, B., Jelušič, P., and Boumezerane, D., Planning geotechnical investigation using ANFIS, Geotechnical and Geological Engineering, 2012, 30(4), 975-989.
13. [13]. Kiran, S., Lal, B., and Tripathy, S., Shear strength prediction of soil based on probabilistic neural network, Indian J. Sci. Technol, 2016, 9(41), 1-6.
14. [14]. Yazıcı, M. F., Sungur, A., and Keskin, S. N., Killi Zeminin Kayma Mukavemetine Cam Lifi ve Su İçeriğinin Etkisi, Avrupa Bilim ve Teknoloji Dergisi, 2021, (28), 890-894.
15. [15]. Saplıoğlu, K., Uzundurukan, S., Bilimsel çalışmalarda kullanılan bazı yapay zeka uygulamalarının ve trendlerinin incelenmesi, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 2019, 10(1), 249-262.
16. [16]. Aksakal, A. K., Gündoğay, A., Kolon Eğrilik ve Sünekliğinin Çoklu Regresyon Analizi ile Belirlenmesi, 1st International Congress on Modern Sciences Tashkent Chemical-Technological Institute, May 10-11, 2022, 395-403.
17. [17]. Jang, J. S., ANFIS: adaptive-network-based fuzzy inference system, IEEE transactions on systems, man, and cybernetics, 1993, 23(3), 665-685.
18. [18]. Jang J. S. R., Sun C. T., Neuro-fuzzy modeling and control. Proc. IEEE., 1995, 83, 378–406.
19. [19]. Tay J. H., Zhang X., Neural fuzzy modeling of anaerobic biological waste water treatment systems, ASCE: J. Environ. Eng., 1999, 125, 1149–1159.
20. [20]. Acar, R., Saplıoğlu, K., Akarsulardaki Sediment Taşınımının Yapay Sinir Ağları ve Anfis Yöntemleri Kullanılarak Tespiti, Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 2019, 9(1), 437-450.
21. [21]. Doğan, O., Uyarlamalı sinirsel bulanık çıkarım sisteminin (ANFIS) talep tahmini için kullanımı ve bir uygulama, Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 2016, 31(1), 257-288.
22. [22]. ŞEN, Z., Mühendislikte Bulanık Mantık (Fuzzy) İle Modelleme Prensipleri, Su Vakfı Yayınları, İstanbul, 2004, 190s.