کتاب پیش بینی پتانسیل روانگرایی خاک با استفاده از روش های یادگیری ماشین

کتاب پیش بینی پتانسیل روانگرایی خاک با استفاده از روش های یادگیری ماشین نوشته احسان کریمی است و نشر کلید پژوه آن را منتشر کرده است. این کتاب به یکی از مسئله‌های مهم مهندسی ژئوتکنیک می‌پردازد: این‌که چگونه می‌توان با تکیه‌بر داده‌های واقعی، الگوریتم‌های یادگیری ماشین و تحلیل مهندسی، احتمال روانگرایی خاک را دقیق‌تر ارزیابی کرد. نویسنده فقط به معرفی مدل‌ها بسنده نمی‌کند و درباره‌ی نشت اطلاعاتی، تعمیم‌پذیری مدل و تفسیرپذیری نتایج هم بحث کرده است. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب پیش بینی پتانسیل روانگرایی خاک با استفاده از روش های یادگیری ماشین

کتاب پیش بینی پتانسیل روانگرایی خاک با استفاده از روش های یادگیری ماشین نوشته احسان کریمی، به یکی از پیچیده‌ترین مسئله‌های ژئوتکنیک لرزه‌ای می‌پردازد؛ پدیده‌ای که در آن خاک‌های اشباع و سست زیر بارگذاری چرخه‌ای زلزله، بخشی از مقاومت خود را از دست می‌دهند و می‌توانند رفتار ناپایدار نشان دهند. نویسنده از همان فصل‌های آغازین، موضوع را فقط در حد تعریف فنی نگه نمی‌دارد و سازوکار فیزیکی روانگرایی، نقش فشار آب حفره‌ای، تنش مؤثر، نوع خاک، عمق لایه‌ها، سطح آب زیرزمینی و شدت حرکت زمین را کنار هم می‌گذارد تا روشن شود چرا این مسئله با چند رابطه‌ی ساده جمع نمی‌شود.
این کتاب در ۴ فصل اصلی و یک بخش جمع‌بندی تنظیم شده است. فصل اول به مبانی روانگرایی و ورود به یادگیری ماشین اختصاص دارد و از موضوع‌هایی مثل انواع روانگرایی، پیامدهای ژئوتکنیکی و سازه‌ای، مدل‌سازی داده‌محور، یادگیری نظارت‌شده و تفاوت مدل‌های داده‌محور با روابط تجربی کلاسیک حرف می‌زند. فصل دوم سراغ الگوریتم‌ها می‌رود و مدل‌هایی مانند نزدیک‌ترین همسایه، درخت تصمیم، روش‌های تقویت گرادیانی و مدل‌های تجمیعی را معرفی می‌کند. فصل سوم بر پایگاه داده، آماده‌سازی و پیش‌پردازش، تحلیل توزیع داده‌ها، پیاده‌سازی در پایتون، اعتبارسنجی و واکاوی اهمیت ویژگی‌ها متمرکز است. فصل چهارم هم نتایج محاسباتی، مقایسه‌ی مدل‌ها، اثر راهبرد اعتبارسنجی، تنظیم ابرپارامترها، تحلیل خطا و تفسیرپذیری مدل نهایی را بررسی می‌کند.
نکته‌ی مهم در این کتاب این است که یادگیری ماشین به‌عنوان یک جعبه‌ی بسته معرفی نمی‌شود. نویسنده بارها نشان می‌دهد که دقت عددی به‌تنهایی کافی نیست و اگر داده‌ها درست آماده نشوند یا اعتبارسنجی مستقل انجام نشود، نتیجه می‌تواند گمراه‌کننده باشد. به‌همین دلیل، این کتاب علاوه‌بر معرفی الگوریتم‌ها، بر کیفیت داده، وابستگی مکانی، آزمون روی داده‌های خارج از ناحیه‌ی آموزش و تحلیل اهمیت متغیرها هم تمرکز دارد. حاصل کار، متنی است که هم به مبانی فیزیکی روانگرایی وفادار می‌ماند و هم نشان می‌دهد مدل‌های هوشمند وقتی ارزش دارند که با منطق مهندسی همراه شوند.

خلاصه کتاب پیش بینی پتانسیل روانگرایی خاک با استفاده از روش های یادگیری ماشین

کتاب پیش بینی پتانسیل روانگرایی خاک با استفاده از روش های یادگیری ماشین از این پرسش شروع می‌کند که چرا پیش‌بینی روانگرایی خاک با روش‌های صرفاً تجربی همیشه کافی نیست. سپس با توضیح سازوکار روانگرایی، عوامل مؤثر بر آن و محدودیت روابط کلاسیک، زمینه را برای ورود به مدل‌های داده‌محور فراهم می‌کند. نویسنده بعد از معرفی الگوریتم‌های مختلف، سراغ داده‌های واقعی می‌رود و فرایند آماده‌سازی، پاک‌سازی، انتخاب ویژگی، آموزش مدل، اعتبارسنجی و ارزیابی عملکرد را شرح می‌دهد. بخش مهمی از کتاب به این موضوع اختصاص دارد که کدام مدل‌ها در پیش‌بینی وقوع یا عدم وقوع روانگرایی بهتر عمل می‌کنند و چگونه می‌توان نتایج آن‌ها را از نظر مهندسی تفسیر کرد.

چرا باید کتاب پیش بینی پتانسیل روانگرایی خاک با استفاده از روش های یادگیری ماشین را بخوانیم؟

دلایل خواندن کتاب پیش بینی پتانسیل روانگرایی خاک با استفاده از روش های یادگیری ماشین را می‌توان این‌طور خلاصه کرد:

• این کتاب سازوکار فیزیکی روانگرایی خاک را در کنار مدل‌سازی داده‌محور بررسی می‌کند و میان مبانی ژئوتکنیکی و محاسبات هوشمند پیوند می‌زند.
• خواننده با مجموعه‌ای از عوامل مؤثر بر روانگرایی، از تنش مؤثر و فشار آب حفره‌ای تا شدت حرکت زمین و ویژگی‌های دانه‌بندی، به‌صورت منظم آشنا می‌شود.
• این کتاب فقط به معرفی الگوریتم‌ها بسنده نمی‌کند و فرایند آماده‌سازی داده، کنترل نشت اطلاعاتی و اعتبارسنجی مستقل را هم توضیح می‌دهد.
• بخش‌های مربوط به تحلیل اهمیت ویژگی‌ها کمک می‌کند نقش متغیرهای مختلف در تصمیم مدل روشن‌تر دیده شود.
• این کتاب برای کسانی مناسب است که می‌خواهند کاربرد پایتون و مدل‌های درختی و تجمیعی را در یک مسئله‌ی واقعی مهندسی دنبال کنند.
• مطالعه‌ی این کتاب نشان می‌دهد ارزیابی عملکرد مدل فقط به دقت خلاصه نمی‌شود و باید تعمیم‌پذیری و تفسیرپذیری هم سنجیده شود.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

خواندن کتاب پیش بینی پتانسیل روانگرایی خاک با استفاده از روش های یادگیری ماشین به این گروه‌ها پیشنهاد می‌شود:

• دانشجویان مهندسی ژئوتکنیک که می‌خواهند ارتباط میان روانگرایی خاک و مدل‌های یادگیری ماشین را دقیق‌تر دنبال کنند.
• پژوهشگرانی که درباره‌ی ارزیابی خطر لرزه‌ای، داده‌های ژئوتکنیکی و مدل‌سازی پیش‌بینی کار می‌کنند.
• مهندسانی که با مسئله‌ی ارزیابی پتانسیل روانگرایی در پروژه‌های عمرانی و ساختگاه‌های لرزه‌خیز سروکار دارند.
• خوانندگانی که می‌خواهند با چالش‌هایی مثل نشت اطلاعاتی، اعتبارسنجی مبتنی بر سایت و تفسیرپذیری مدل آشنا شوند.
• علاقه‌مندان به کاربرد الگوریتم‌های یادگیری ماشین در مسائل واقعی مهندسی زمین و تحلیل داده‌های میدانی.