انجمن مهندسی سازه ایران مهندسی سازه و ساخت 2476-3977 13 02 2026 04 21 Predicting the probability of liquefaction using Taguchi-optimized artificial neural network and comparing it with the results of different machine learning algorithms پیش‌بینی احتمال وقوع روانگرایی با استفاده از شبکه عصبی مصنوعی بهینه‌شده با تاگوچی و مقایسه آن با نتایج الگوریتم‌های مختلف یادگیری ماشین 190 211 230577 10.22065/jsce.2025.523786.3730 FA اسماعیل اکثیری دانش آموخته مهندسی ژئوتکنیک، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران، مجتبی کریمایی طبرستانی دانشیار، دانشکده مهندسی عمران/ دانشگاه تربیت دبیر شهید رجایی، تهران، ایران علی نبی زاده استادیار، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران مصطفی آدرسی دانشیار، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران 0000-0002-5209-9386 Journal Article 2025 05 26 Soil liquefaction is a phenomenon that occurs due to the loss of resistance of saturated soil mass during an earthquake. In this case, the structure built on this soil loses its static equilibrium and overturns. Therefore, predicting liquefaction is a very important issue in civil engineering. There are various methods for determining the potential of soil liquefaction, most of which are based on field tests and empirical equations, which can sometimes be accompanied by a large approximation. Today, the use of modern artificial intelligence methods is of great importance for solving complex engineering problems. Accordingly, in this paper, an attempt was made to predict the occurrence of liquefaction in a region by using an artificial neural network and optimizing it with the Taguchi design of experiments method. In the first step, by collecting existing data on the occurrence of liquefaction in different parts of the world, two datasets were created based on CPT and SPT tests. Next, using the Taguchi design of experiments method, the components of the artificial neural network, including the number of neurons in the middle layers and the activation function, were optimized, and the highest accuracy was obtained for the two datasets of CPT and SPT, equal to 0.89 and 0.73, respectively. Then, the evaluation of the obtained results with the results of 5 different machine learning models, including support vector machine, logistic fitting, k-nearest neighbor, decision tree, and random forest, showed that the optimized artificial neural network gives the best results. Finally, comparing the results of the present model with the experimental method of calculating the liquefaction coefficient shows the higher accuracy of the present model. روانگرایی خاک پدیده‌ای است که به علت از بین رفتن مقاومت توده خاک‌های اشباع در هنگام وقوع زمین‌لرزه رخ می‌دهد. در این حالت، سازه ساخته شده بر روی این خاک، تعادل استاتیکی خود را از دست می‌دهد و واژگون می‌شود. به این ترتیب، پیش‌بینی روانگرایی از مسائل بسیار مهم در مهندسی عمران است. روش‌های مختلفی برای تعیین پتانسیل روانگرایی خاک وجود دارد که عمده آنها مبتنی بر آزمایشات میدانی و معادلات تجربی هستند که بعضا می‌توانند با تقریب زیادی همراه شوند. امروزه استفاده از روش‌های نوین هوش مصنوعی برای حل مسائل پیچیده مهندسی از اهمیت زیادی برخوردار است. بر این اساس، در این مقاله سعی شد تا با استفاده از شبکه عصبی مصنوعی و بهینه‌سازی آن با روش طراحی آزمایش‌های تاگوچی اقدام به پیش‌بینی وقو ع روانگرایی در یک منطقه شود. در اولین قدم با جمع‌آوری داده‌های موجود در زمینه وقوع روانگرایی در نقاط مختلف دنیا، اقدام به ایجاد دو پایگاه داده بر مبنای آزمایش‌های CPT و SPT شد. در ادامه با استفاده از روش طراحی آزمایش‌های تاگوچی، مؤلفه‌های شبکه عصبی مصنوعی شامل تعداد نرون‌های لایه-های میانی و تابع فعال‌سازی بهینه شد و بیشترین دقت بدست آمده برای دو پایگاه داده مورد بررسی CPT و SPT به ترتیب با مقدار تابع صحت برابر 89/0 و 73/0 بدست آمد. سپس ارزیابی نتایج بدست آمده با نتایج حاصل از 5 مدل مختلف یادگیری ماشین شامل ماشین بردار پشتیبان، برازش لجستیک، k نزدیک‌ترین همسایه، درخت تصمیم و جنگل تصادفی نشان داد که شبکه عصبی مصنوعی بهینه شده بهترین نتایج را بدست می‌دهد. در نهایت مقایسه نتایج مدل حاضر با روش تجربی محاسبه ضریب روانگرایی نشان‌دهنده دقت بالاتر مدل حاضر است. https://www.jsce.ir/article_230577_8afe27bfe798c7bcf5c3a121d19d6fd9.pdf