Published May 11, 2024
| Version v1
Publication
Open
Investigating a hybrid extreme learning machine coupled with Dingo Optimization Algorithm for modeling liquefaction triggering in sand-silt mixtures
Creators
- 1. Al Maaref University College
- 2. Energy and Resources Institute
- 3. Indian Institute of Technology Kharagpur
- 4. National University of Malaysia
- 5. Minia University
- 6. Mansoura University
Description
Abstract Liquefaction is a devastating consequence of earthquakes that occurs in loose, saturated soil deposits, resulting in catastrophic ground failure. Accurate prediction of such geotechnical parameter is crucial for mitigating hazards, assessing risks, and advancing geotechnical engineering. This study introduces a novel predictive model that combines Extreme Learning Machine (ELM) with Dingo Optimization Algorithm (DOA) to estimate strain energy-based liquefaction resistance. The hybrid model (ELM-DOA) is compared with the classical ELM, Adaptive Neuro-Fuzzy Inference System with Fuzzy C-Means (ANFIS-FCM model), and Sub-clustering (ANFIS-Sub model). Also, two data pre-processing scenarios are employed, namely traditional linear and non-linear normalization. The results demonstrate that non-linear normalization significantly enhances the prediction performance of all models by approximately 25% compared to linear normalization. Furthermore, the ELM-DOA model achieves the most accurate predictions, exhibiting the lowest root mean square error (484.286 J/m 3 ), mean absolute percentage error (24.900%), mean absolute error (404.416 J/m 3 ), and the highest correlation of determination (0.935). Additionally, a Graphical User Interface (GUI) has been developed, specifically tailored for the ELM-DOA model, to assist engineers and researchers in maximizing the utilization of this predictive model. The GUI provides a user-friendly platform for easy input of data and accessing the model's predictions, enhancing its practical applicability. Overall, the results strongly support the proposed hybrid model with GUI serving as an effective tool for assessing soil liquefaction resistance in geotechnical engineering, aiding in predicting and mitigating liquefaction hazards.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
التسييل التجريدي هو نتيجة مدمرة للزلازل التي تحدث في رواسب التربة السائبة والمشبعة، مما يؤدي إلى فشل الأرض الكارثي. يعد التنبؤ الدقيق بهذه المعلمة الجيوتقنية أمرًا بالغ الأهمية للتخفيف من المخاطر وتقييم المخاطر والنهوض بالهندسة الجيوتقنية. تقدم هذه الدراسة نموذجًا تنبؤيًا جديدًا يجمع بين آلة التعلم المتطرف (ELM) وخوارزمية تحسين الدينغو (DOA) لتقدير مقاومة التسييل القائمة على طاقة السلالة. تتم مقارنة النموذج الهجين (ELM - DOA) مع ELM الكلاسيكي، ونظام الاستدلال العصبي الضبابي التكيفي مع وسائل C - Means الضبابية (نموذج ANFIS - FCM)، والتجميع الفرعي (نموذج ANFIS - Sub). كما يتم استخدام سيناريوهين للمعالجة المسبقة للبيانات، وهما التطبيع الخطي التقليدي والتطبيع غير الخطي. تظهر النتائج أن التطبيع غير الخطي يعزز بشكل كبير أداء التنبؤ لجميع النماذج بنسبة 25 ٪ تقريبًا مقارنة بالتطبيع الخطي. علاوة على ذلك، يحقق نموذج ELM - DOA التنبؤات الأكثر دقة، حيث يُظهر أدنى متوسط جذر للخطأ التربيعي (484.286 جول/متر 3 )، ومتوسط النسبة المئوية للخطأ المطلق (24.900 ٪)، ومتوسط الخطأ المطلق (404.416 جول/متر 3 )، وأعلى ارتباط في التحديد (0.935). بالإضافة إلى ذلك، تم تطوير واجهة مستخدم رسومية (GUI)، مصممة خصيصًا لنموذج ELM - DOA، لمساعدة المهندسين والباحثين في تحقيق أقصى استفادة من هذا النموذج التنبؤي. توفر واجهة المستخدم الرسومية منصة سهلة الاستخدام لسهولة إدخال البيانات والوصول إلى تنبؤات النموذج، مما يعزز قابليتها للتطبيق العملي. بشكل عام، تدعم النتائج بقوة النموذج الهجين المقترح حيث تعمل واجهة المستخدم الرسومية كأداة فعالة لتقييم مقاومة تسييل التربة في الهندسة الجيوتقنية، مما يساعد في التنبؤ بمخاطر التسييل والتخفيف من حدتها.Translated Description (French)
Résumé La liquéfaction est une conséquence dévastatrice des tremblements de terre qui se produisent dans des dépôts de sol meubles et saturés, entraînant une défaillance catastrophique du sol. Une prédiction précise de ce paramètre géotechnique est cruciale pour atténuer les dangers, évaluer les risques et faire progresser l'ingénierie géotechnique. Cette étude présente un nouveau modèle prédictif qui combine Extreme Learning Machine (ELM) avec Dingo Optimization Algorithm (DOA) pour estimer la résistance à la liquéfaction basée sur l'énergie de déformation. Le modèle hybride (ELM-DOA) est comparé à l'ORME classique, Adaptive Neuro-Fuzzy Inference System with Fuzzy C-Means (modèle ANFIS-FCM), et Sub-clustering (modèle ANFIS-Sub). En outre, deux scénarios de prétraitement des données sont utilisés, à savoir la normalisation linéaire et non linéaire traditionnelle. Les résultats démontrent que la normalisation non linéaire améliore significativement les performances de prédiction de tous les modèles d'environ 25% par rapport à la normalisation linéaire. En outre, le modèle ELM-DOA réalise les prédictions les plus précises, présentant l'erreur quadratique moyenne la plus faible (484,286 J/m 3 ), l'erreur en pourcentage absolue moyenne (24,900 %), l'erreur absolue moyenne (404,416 J/m 3 ) et la corrélation de détermination la plus élevée (0,935). En outre, une interface utilisateur graphique (GUI) a été développée, spécifiquement adaptée au modèle ELM-DOA, pour aider les ingénieurs et les chercheurs à maximiser l'utilisation de ce modèle prédictif. L'interface graphique fournit une plate-forme conviviale pour la saisie facile des données et l'accès aux prédictions du modèle, améliorant ainsi son applicabilité pratique. Dans l'ensemble, les résultats soutiennent fortement le modèle hybride proposé, l'interface utilisateur graphique servant d'outil efficace pour évaluer la résistance à la liquéfaction des sols en génie géotechnique, aidant à prédire et à atténuer les risques de liquéfaction.Translated Description (Spanish)
Resumen La licuefacción es una consecuencia devastadora de los terremotos que ocurren en depósitos de suelo sueltos y saturados, lo que resulta en una falla catastrófica del suelo. La predicción precisa de dicho parámetro geotécnico es crucial para mitigar los peligros, evaluar los riesgos y avanzar en la ingeniería geotécnica. Este estudio presenta un nuevo modelo predictivo que combina Extreme Learning Machine (ELM) con Dingo Optimization Algorithm (DOA) para estimar la resistencia a la licuefacción basada en la energía de deformación. El modelo híbrido (ELM-DOA) se compara con el ELM clásico, el Sistema de Inferencia Adaptativa Neuro-Fuzzy con Medias C Difusas (modelo ANFIS-FCM) y el Subagrupamiento (modelo ANFIS-Sub). Además, se emplean dos escenarios de preprocesamiento de datos, a saber, la normalización lineal y no lineal tradicional. Los resultados demuestran que la normalización no lineal mejora significativamente el rendimiento de predicción de todos los modelos en aproximadamente un 25% en comparación con la normalización lineal. Además, el modelo ELM-DOA logra las predicciones más precisas, mostrando el error cuadrático medio más bajo (484.286 J/m 3 ), el error porcentual absoluto medio (24.900%), el error absoluto medio (404.416 J/m 3 ) y la correlación de determinación más alta (0.935). Además, se ha desarrollado una interfaz gráfica de usuario (GUI), diseñada específicamente para el modelo ELM-DOA, para ayudar a los ingenieros e investigadores a maximizar la utilización de este modelo predictivo. La GUI proporciona una plataforma fácil de usar para facilitar la entrada de datos y acceder a las predicciones del modelo, mejorando su aplicabilidad práctica. En general, los resultados respaldan firmemente el modelo híbrido propuesto con GUI que sirve como una herramienta efectiva para evaluar la resistencia a la licuefacción del suelo en ingeniería geotécnica, ayudando a predecir y mitigar los peligros de licuefacción.Files
s41598-024-61059-6.pdf.pdf
Files
(2.7 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:416ea84e7b93d4a6b252009f1c7750f1
|
2.7 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التحقيق في آلة التعلم المتطرفة الهجينة إلى جانب خوارزمية Dingo Optimization لنمذجة التسييل في مخاليط طمي الرمل
- Translated title (French)
- Étude d'une machine d'apprentissage extrême hybride couplée à un algorithme d'optimisation Dingo pour modéliser le déclenchement de la liquéfaction dans des mélanges sable-sable
- Translated title (Spanish)
- Investigación de una máquina híbrida de aprendizaje extremo junto con el algoritmo de optimización de Dingo para modelar la activación de la licuefacción en mezclas de arena y limo
Identifiers
- Other
- https://openalex.org/W4396833951
- DOI
- 10.1038/s41598-024-61059-6
References
- https://openalex.org/W1979550947
- https://openalex.org/W1992999716
- https://openalex.org/W1996607523
- https://openalex.org/W2010681529
- https://openalex.org/W2015229236
- https://openalex.org/W2033275656
- https://openalex.org/W2047844529
- https://openalex.org/W2048257619
- https://openalex.org/W2052912973
- https://openalex.org/W2094753044
- https://openalex.org/W2111072639
- https://openalex.org/W2117282114
- https://openalex.org/W2324891390
- https://openalex.org/W2330792432
- https://openalex.org/W2593391118
- https://openalex.org/W2615275804
- https://openalex.org/W2792339292
- https://openalex.org/W2797086020
- https://openalex.org/W2888789833
- https://openalex.org/W2898595828
- https://openalex.org/W2902752787
- https://openalex.org/W2903191719
- https://openalex.org/W2910889446
- https://openalex.org/W2942898373
- https://openalex.org/W2980119621
- https://openalex.org/W3005221066
- https://openalex.org/W3008262780
- https://openalex.org/W3008440214
- https://openalex.org/W3013461395
- https://openalex.org/W3027449205
- https://openalex.org/W3035128695
- https://openalex.org/W3035502038
- https://openalex.org/W3040832198
- https://openalex.org/W3046611011
- https://openalex.org/W3049651666
- https://openalex.org/W3089955111
- https://openalex.org/W3095417967
- https://openalex.org/W3096281424
- https://openalex.org/W3101482471
- https://openalex.org/W3114168626
- https://openalex.org/W3120856489
- https://openalex.org/W3126813375
- https://openalex.org/W3128806178
- https://openalex.org/W3130690872
- https://openalex.org/W3142583379
- https://openalex.org/W3153424248
- https://openalex.org/W3158574677
- https://openalex.org/W3164621419
- https://openalex.org/W3166618232
- https://openalex.org/W3170031864
- https://openalex.org/W3172462190
- https://openalex.org/W3172572234
- https://openalex.org/W3179991324
- https://openalex.org/W3201485173
- https://openalex.org/W3203809768
- https://openalex.org/W3208323717
- https://openalex.org/W4206730288
- https://openalex.org/W4212976523
- https://openalex.org/W4213266384
- https://openalex.org/W4225620753
- https://openalex.org/W4229056636
- https://openalex.org/W4283319158
- https://openalex.org/W4283714832
- https://openalex.org/W4283821065
- https://openalex.org/W4286681343
- https://openalex.org/W4291366041
- https://openalex.org/W4292283822
- https://openalex.org/W4292416276
- https://openalex.org/W4294935201
- https://openalex.org/W4295364727
- https://openalex.org/W4295895223
- https://openalex.org/W4301398442
- https://openalex.org/W4308077988
- https://openalex.org/W4310583322
- https://openalex.org/W4313400916
- https://openalex.org/W4327736721
- https://openalex.org/W4366572385
- https://openalex.org/W4372235525
- https://openalex.org/W4378981831
- https://openalex.org/W4381996321
- https://openalex.org/W4385436767
- https://openalex.org/W4386396870
- https://openalex.org/W4386579333
- https://openalex.org/W4387529262
- https://openalex.org/W4388019915
- https://openalex.org/W4388041486
- https://openalex.org/W4389100749
- https://openalex.org/W4389135534
- https://openalex.org/W4391722817