Minimum Safety Factor Evaluation of Slopes Using Hybrid Chaotic Sand Cat and Pattern Search Approach
Notice bibliographique
Résumé
This study developed an efficient evolutionary hybrid optimization technique based on chaotic sand cat optimization (CSCO) and pattern search (PS) for the evaluation of the minimum safety factor of earth slopes under static and earthquake loading conditions. To improve the sand cat optimization approach’s exploration ability, while also avoiding premature convergence, the chaotic sequence was implemented. The proposed hybrid algorithm (CSCPS) benefits from the effective global search ability of the chaotic sand cat optimization, as well as the powerful local search capability of the pattern search method. The suggested CSCPS algorithm’s efficiency was confirmed by using mathematical test functions, and its findings were compared with standard SCO, as well as some efficient optimization techniques. Then the CSCPS was applied for the calculation of the minimum safety factors of the earth slope exposed to both static and seismic loads, and the objective function was modeled based on the Morgenstern–Price limit equilibrium method, along with the pseudo-static approach. The CSCPS’s efficacy for the evaluation of the minimum safety factor of slopes was investigated by considering two case studies from the literature. The numerical experiments demonstrate that the new algorithm could generate better optimal solutions via calculating lower values of safety factors by up to 10% compared with some other methods in the literature. Furthermore, the results show that, through an increase in the acceleration coefficient to 0.1 and 0.2, the factor of safety decreased by 19% and 32%, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».