A number of laboratory and field st

A number of laboratory and field studies also correlated mechanical resistance (Es) with soil parameters, such as bulk density (fb), porosity, water content (u), matrix potential (C), soil texture, or plasticity via regression equations (Jakobsen and Dexter, 1987; Ayers and Bowen, 1987; Busscher, 1990; Ayers and Perumpral, 1982; Mielke et al., 1994; Smith et al., 1997; Hernanz et al., 2000; To and Kay, 2005; Whalley et al., 2007; Dexter et al., 2007; Vaz et al., 2011). They showed a strong negative correlation between Es and water content or matrix potential (Busscher et al., 1997).
Recently, genetic algorithms (GA) and particle swarm optimi- zation (PSO) technique have attracted considerable attention among various modern heuristic optimization techniques.
Genetic algorithms (GA) are likely to be useful approaches for optimizing multivariable problems (Wilson, 2000). Genetic algorithms are a type of evolutionary computer program that mimics the process of natural selection (Mitchell and Taylor, 1999). Using GAs, it is feasible to test a large number of possible solutions in parallel, to select the best solutions based on fitness criteria, and to introduce novelty through stochastic mutation and combination of traits that are analogous to sexual reproduction. Applications of the GA techniques include model parameter estimation (Cropper and Anderson, 2004), drug and electronic circuit design, image processing, and optimization (Cropp and Gabric, 2002; Koza et al., 2003).
The genetic algorithm have been used in soil researches such as optimizing simulated fertilizer additions using a genetic algorithm with a nutrient uptake model (Cropper and Comerford, 2005), modeling of the angle of shearing resistance of soils using soft computing systems (Kayadelen, 2009), modeling the mechanical behavior of unsaturated soils using a genetic algorithm-based neural network (Johari et al., 2010), Prediction of soil–water characteristic curve using genetic programming (Johari et al., 2006).
Particle swarm optimization (PSO) is another relatively recent heuristic search method whose mechanics are inspired by the swarming or collaborative behavior of biological populations.
Feng et al. (2006) used an inverse technique for the determination of the parameters of viscoelastic constitutive models for rocks based on genetic programming and a particle swarm optimization (PSO) algorithm. Meier et al. (2008) presented a concept for the application of PSO in geotechnical engineering.

ผลลัพธ์ (ไทย) 1:

จำนวนของการศึกษาในห้องปฏิบัติการและฟิลด์ยังสัมพันธ์ความทนทาน (Es) มีค่าดิน เช่นความหนาแน่นจำนวนมาก (fb), พรุน น้ำเนื้อหา (u), ศักยภาพเมทริกซ์ (C), เนื้อดิน หรือปั้น ด้วยสมการถดถอย (Jakobsen และรวมด้านขวา 1987 เอเยอร์สและ Bowen, 1987 Busscher, 1990 เอเยอร์สและ Perumpral, 1982 Mielke et al. 1994 Smith et al. 1997 Hernanz et al. 2000 การ และ เคย์ 2005 Whalley et al. 2007 รวมด้านขวา et al. 2007 Vaz et al. 2011) พวกเขาแสดงให้เห็นความสัมพันธ์เชิงลบแรงระหว่าง Es และปริมาณน้ำ หรือเมทริกซ์อาจเกิดขึ้น (Busscher et al. 1997) เมื่อเร็ว ๆ นี้ ขั้นตอนวิธีพันธุกรรม (GA) และอนุภาคฝูง optimi ความของฉัน) เทคนิคมีดึงดูดความสนใจมากในเทคนิคการเพิ่มประสิทธิภาพเชิงฮิวริสทิคสมัยต่าง ๆ อัลกอริทึมทางพันธุกรรม (GA) น่าจะเป็นวิธีที่มีประโยชน์สำหรับ optimizing multivariable ปัญหา (Wilson, 2000) อัลกอริทึมทางพันธุกรรมเป็นชนิดของโปรแกรมวิวัฒนาการคอมพิวเตอร์ที่เลียนแบบกระบวนการในการคัดเลือกโดยธรรมชาติ (Mitchell และเทย์เลอร์ 1999) ใช้ก๊าซ เป็นไปได้ในการทดสอบได้เป็นจำนวนมากในขนาน เลือกการแก้ปัญหาที่ดีที่สุดตามเงื่อนไขออกกำลังกาย และแนะนำนวัตกรรมผ่า stochastic และชุดของลักษณะที่คล้ายกับภาพทางเพศ เทคนิค GA ที่มีแบบจำลองการประมาณค่าพารามิเตอร์ (Cropper และ Anderson, 2004), ยาเสพติด และออกแบบวงจรอิเล็กทรอนิกส์ การประมวลผลภาพ และการเพิ่มประสิทธิภาพ (Cropp และ Gabric, 2002 Koza et al. 2003) อัลกอริทึมทางพันธุกรรมถูกใช้ในการวิจัยดินเช่นเพิ่มประสิทธิภาพโดยใช้อัลกอริธึมพันธุกรรมกับรูปแบบการดูดใช้ธาตุอาหาร (Cropper และ Comerford, 2005), เพิ่มปุ๋ยจำลองโมเดลของมุมตัดความต้านทานของดินโดยใช้ระบบประมวลผลอ่อน (Kayadelen, 2009) การสร้างโมเดลการทำงานทางกลของดินไม่อิ่มตัวที่ใช้พันธุกรรมใช้อัลกอริทึมประสาทเครือข่าย (Johari et al. 2010), การคาดเดาของดิน – น้ำโค้งโดยใช้โปรแกรมทางพันธุกรรม (Johari et al , 2006) เพิ่มประสิทธิภาพฝูงอนุภาค (ของฉัน) เป็นวิธีการค้นหาเชิงฮิวริสทิคล่าค่อนข้างอื่นที่เครื่องยนต์ที่มีแรงบันดาลใจวันเยลโล หรือร่วมกันลักษณะการทำงานทางชีวภาพของประชากร ฮ et al. (2006) ใช้เทคนิคการผกผันการวัดพารามิเตอร์ของรุ่นฯ viscoelastic หินตามพันธุกรรมเขียนโปรแกรมและอัลกอริทึมการเพิ่มประสิทธิภาพของฉัน) ฝูงของอนุภาค มุนเช่น et al. (2008) นำเสนอแนวคิดสำหรับโปรแกรมประยุกต์ของฉันในวิศวกรรมธรณี

ผลลัพธ์ (ไทย) 2:

จำนวนห้องปฏิบัติการและข้อมูลการศึกษานอกจากนี้ยังมีความสัมพันธ์ที่มีความต้านทานกล (ES) กับพารามิเตอร์ของดินเช่นความหนาแน่น (FB) พรุนปริมาณน้ำ (U) ที่มีศักยภาพเมทริกซ์ (C) เนื้อดินหรือปั้นผ่านสมการถดถอย (Jakobsen และ Dexter 1987; เยอร์และจิลลี่ 1987; Busscher, 1990; เยอร์และ Perumpral 1982; Mielke et al, 1994;. สมิ ธ , et al, 1997;. Hernanz et al, 2000;. ในการและเคย์ 2005 Whalley et อัล 2007;.. Dexter et al, 2007;. วาซ et al, 2011) พวกเขาพบว่ามีความสัมพันธ์ทางลบที่แข็งแกร่งระหว่าง Es และปริมาณน้ำที่มีศักยภาพหรือเมทริกซ์ (Busscher et al., 1997).
เมื่อเร็ว ๆ นี้ขั้นตอนวิธีพันธุกรรม (GA) และจับกลุ่มอนุภาค optimi- zation (PSO) เทคนิคได้ดึงดูดความสนใจอย่างมากในหมู่เทคนิคการเพิ่มประสิทธิภาพการแก้ปัญหาต่าง ๆ ที่ทันสมัย .
ขั้นตอนวิธีพันธุกรรม (GA) มีแนวโน้มที่จะใช้วิธีการที่เป็นประโยชน์สำหรับการเพิ่มประสิทธิภาพปัญหาหลายตัวแปร (วิลสัน, 2000) ขั้นตอนวิธีพันธุกรรมเป็นประเภทของโปรแกรมคอมพิวเตอร์ที่เลียนแบบวิวัฒนาการขั้นตอนของการคัดเลือกโดยธรรมชาติ A (มิตเชลล์และเทย์เลอร์, 1999) ใช้ก๊าซจะเป็นไปได้ในการทดสอบเป็นจำนวนมากของการแก้ปัญหาที่เป็นไปได้ในแบบคู่ขนานเพื่อเลือกการแก้ปัญหาที่ดีที่สุดตามเกณฑ์การออกกำลังกายและความแปลกใหม่ที่จะแนะนำผ่านการกลายพันธุ์สุ่มและการรวมกันของลักษณะที่มีความคล้ายคลึงกับการสืบพันธุ์แบบอาศัยเพศ การประยุกต์ใช้เทคนิค GA รวมถึงรูปแบบการประมาณค่าพารามิเตอร์ (ครอปเปอร์และแอนเดอ, 2004), ยาเสพติดและการออกแบบวงจรอิเล็กทรอนิกส์, การประมวลผลภาพและการเพิ่มประสิทธิภาพ (Cropp และ Gabric., 2002; Koza, et al, 2003).
ขั้นตอนวิธีทางพันธุกรรมได้ถูกนำมาใช้ในการ ดินวิจัยเช่นการเพิ่มประสิทธิภาพการจำลองการเพิ่มปุ๋ยโดยใช้ขั้นตอนวิธีพันธุกรรมที่มีรูปแบบการดูดดึงธาตุอาหาร (ครอปเปอร์และ Comerford, 2005), การสร้างแบบจำลองของมุมของการตัดความต้านทานของดินโดยใช้ระบบคอมพิวเตอร์นุ่ม (Kayadelen 2009), การสร้างแบบจำลองพฤติกรรมเชิงกลของไม่อิ่มตัว ดินที่ใช้อัลกอริทึมที่ใช้เครือข่ายประสาท (Johari et al., 2010) การทำนายของดินน้ำเส้นโค้งลักษณะการใช้โปรแกรมทางพันธุกรรม (Johari et al., 2006).
การเพิ่มประสิทธิภาพจับกลุ่มอนุภาค (PSO) เป็นวิธีการค้นหาอีกครั้งล่าสุดค่อนข้างแก้ปัญหา ซึ่งเป็นกลไกที่มีแรงบันดาลใจจากการจับกลุ่มหรือพฤติกรรมการทำงานร่วมกันของประชากรทางชีวภาพ.
ฮ et al, (2006) ที่ใช้เทคนิคการผกผันสำหรับการกำหนดค่าพารามิเตอร์ของแบบจำลองส่วนประกอบหนืดหินอยู่บนพื้นฐานของการเขียนโปรแกรมทางพันธุกรรมและการเพิ่มประสิทธิภาพจับกลุ่มอนุภาค (PSO) อัลกอริทึม ไมเออร์, et al (2008) นำเสนอแนวคิดสำหรับการประยุกต์ใช้ใน PSO วิศวกรรมปฐพี