ظرفیت باربری خاک و تعیین آن توسط شبکه های عصبی مصنوعی
ظرفیت باربری خاک
ظرفیت باربری خاک :
تعیین ظرفیت باربری خاک زیر پی ها از دیر باز مورد توجه پژوهشگران و طراحان حوزه ژئوتکنیک قرار داشته است و به همین علت طرح آن به عنوان یک مسئله جدید تلقی نمی شود اما کاربرد روشهای جدید محاسباتی و آزمایش مدلهای پیشنهادی برای خاک و پیشرفت رایانه ها، دیدگاههای جدیدی را در حوزه این موضوع مطرح می سازد که تلاش های جدید را در این زمینه توجیه می نماید.
ظرفیت باربری مجاز یا ظرفیت باربری مطمئن عبارت از فشاری مجازی است که محدوده اطمینانی را در برابر فروریختگی ناشی از گسیختگی برشی برای ساختمان تأمین می کند و معمولاً ظرفیت باربری مجاز کسری ازظرفیت باربری نهایی خالص می باشدکه باربری نهایی خالص نیزحداکثر فشاری است که خاک می تواند علاوه بر فشار حاصل از لایه های فوقانی تحمل کند.
با این توصیف، مبنای اصلی احداث بنا، تعیین دقیق ظرفیت باربری خاک بوده و باید بطور دقیق مشخص گردد که نوع و میزان مصالح و همچنین نحوه ادامه کار و… برای احداث بنا مشخص گردد.
شبکه عصبی مصنوعی :
یک شبکه عصبی مصنوعی عبارتست از یک سیستم عظیم و توزیع شده به روش موازی جهت پردازش اطلاعات که ویژگی های اجرایی مشخصی داشته و شبکه های عصبی بیولوژیکی مغز انسان را شبیه سازی نماید.
شبکه های عصبی مصنوعی، بعنوان یک کلیت از مدلهای ریاضیاتی تشخیص انسانی یا شبکه بیولوژیکی ساخته شده اند.
ساخت آنها مبتنی بر قوانین زیر است:
پردازش اطلاعات در عناصر یکتایی که گره، واحد، سلول یا نورون نیز نامیده می شوند انجام می گیرد.
سیگنالها بین گره ها از طریق اتصالات رابط مبادله می شوند.
هر اتصال رابط یک وزن مربوط به خود را داراست که استحکام آن را نشان می دهد.
هر گره بطور معمول یک تغییر شکل که تابع فعالسازی نامیده می شود را بر روی ورودی خاص خود اعمال می کند تا سیگنال خروجی مربوطه را تعیین نماید.
یک شبکه عصبی بواسطه معماری اش توصیف می گردد که آن معماری نشان دهنده الگوی ارتباط میان گره ها، شیوه تعیین وزن هر ارتباط و تابع فعالسازی آن می باشد.
شبکه عصبی مصنوعی، متشکل از تعدادی گره است که بر اساس چینش خاصی سازماندهی شده اند.
روش طبقه بندی شبکه های عصبی، بواسطه تعداد لایه های آن انجام می گیرد: تک لایه ای (شبکه های Hopfield) ؛ دولایه ای (شبکه های تشدید تطبیقی )و چند لایه ای (اکثر شبکه های پیش انتشاری).
همچنین، شبکه های عصبی مصنوعی می توانند بر اساس جهت جریان اطلاعات و پردازش دسته بندی شوند.
در یک شبکه Feed-Forward عموماً گره ها در لایه های مختلف چیدمان شده اند، که از یک لایه اولیه ورودی آغاز و به یک لایه نهایی خروجی ختم می شوند.
لایه های مخفی متعددی می تواند وجود داشته باشد، که در هر یک از آنها یک یا چند گره وجود دارد.
اطلاعات از سمت ورودی به سمت خروجی حرکت می کنند.
گره های موجود در یک لایه به گره های لایه دیگر متصل اند، اما با گره های هم لایه خود ارتباطی ندارند.
بنابراین، خروجی یک گره در یک لایه تنها وابسته به ورودی ای است که از لایه های دیگر با وزن متناظر دریافت می کند.
از طرفی دیگر ، در یک شبکه عصبی مصنوعی تکرارشونده، اطلاعات در میان گره ها در هر دو مسیر در جریان است، از ورودی به خروجی و بالعکس.
این امر عموماً بواسطه بازیافت خروجی های قبلی شبکه بعنوان ورودی فعلی میسر می گردد، لذا امکان بازخورد را نیز میسر می نماید.
برخی مواقع در جائیکه گره های موجود در یک لایه به یکدیگر متصلند، از اتصالات جانبی نیز استفاده می شود.
در اکثر شبکه ها، لایه ورودی (اول) متغیرهای ورودی مسئله ای که در دست است دریافت کرده و شامل تمام کمیت هایی است که می تواند بر خروجی تأثیر بگذارد.
بنابراین، لایه ورودی لایه ای شفاف بوده و وسیله ای جهت ارائه اطلاعات به شبکه محسوب می گردد.
آخرین لایه یا همان لایه خروجی، متشکل از مقادیر پیش بینی شده ای توسط شبکه است و نمایانگر مدل خروجی می باشد.
تعداد لایه های مخفی و تعداد گره ها در هر لایه مخفی معمولاً توسط یک فرآیند آزمون و خطا تعیین می گردد.
گره های داخل لایه های همسایه در شبکه کاملاً بواسطه رابط هایی به یکدیگر متصل هستند.
یک وزن سیناپتیک به هر رابطه ای وصل می شود تا قدرت یا استحکام نسبی ارتباط بین دو گره موجود در دو سر آن در خصوص پیش بینی روابط ورودی-خروجی را نشان دهد.
شکل زیر پیکربندی یک شبکه عصبی مصنوعی سه لایه ای Feed-Forward را نشان می دهد.
: پیکربندی شبکه عصبی مصنوعی سه لایه ای Feed-Forward
این نوع از شبکه های عصبی مصنوعی می تواند در بازه گسترده ای از مسائل مورد استفاده قرار گیرد، از جمله ذخیره و بازیابی داده ها، طبقه بندی الگوها، اجرای نگاشت عمومی از الگوی ورودی (فضا) به الگوی خروجی(فضا)، گروه بندی الگوهای مشابه، یا یافتن راه حل برای مسائل بهینه سازی اجباری.
در این شکل، X یک بردار ورودی سیستم بوده و متشکل از تعدادی متغیر تصادفی است که بر رفتار سیستم اثر می گذارند، و Y بردار خروجی سیستم می باشد که از تعدادی متغیر نتیجه تشکیل شده که رفتار سیستم را نشان می دهند.
تعیین ظرفیت باربری خاک با استفاده از شبکه های عصبی مصنوعی :
تعیین ظرفیت باربری خاک بدلیل اهمیت آن در طراحی سازه ها اجتناب ناپذیر بوده و با توجه به روش های مرسوم قدیمی یعنی حفر گمانه، نمونه برداری، انجام آزمایشات متعدد(درجا و آزمایشگاهی) و … علی رغم زمان بر بودن مراحل، پر هزینه هم می باشند.
شبکه های عصبی مصنوعی اخیراً به طور وسیعی در زمینه های مختلف مهندسی مورد توجه قرار گرفته و نتایج مفیدی را نیز به همراه داشته اند.
از خصوصیات جذاب شبکه های عصبی، توانایی آن ها در برقراری ارتباط میان ورودی ها و خروجی های یک فرآیند، بدون آگاهی کامل از فیزیک آن مسأله می باشد.
اطلاعات مربوط به نوع خاک و علی الخصوص ظرفیت باربری خاک و نوع پی برای احداث بنا بسیار لازم و ضروری است.
این اطلاعات برای تعیین نوع مواد مصرفی در احداث بنا، و ساخت بنایی مستحکم واقتصادی و … بسیار با ارزش می باشد.
در پیش بینی ها، بالا بودن درصد قابلیت اطمینان تأثیر زیادی در نحوه و استفاده از نتایج دارد.
لذا برای بالا بردن در صد قابلیت اطمینان نتایج می توان از پارامترهای ورودی (مثلاً مختصات جغرافیایی، عمق گمانه ها، نوع خاک منطقه در پیش بینی مکانی ظرفیت باربری ) و روش های جدید پردازش اطلاعات (شبکه های عصبی مصنوعی ) استفاده کرد.
معرفی متدولوژی و روش انجام کار :
متدولوژی استفاده شده برای شبیه سازی و پیش بینی مکانی ظرفیت باربری خاک، روش شبکه عصبی مصنوعی می باشد.
در مدل های آماری و دینامیکی سعی بر آن است که با ایجاد یک رابطه ریاضی، ارتباط بین اطلاعات مفروض به نام ورودی و اطلاعات دیگر یعنی خروجی، بیان شود.
در این روابط صریح ریاضی، محدودیتی وجود دارد که یک مدل دینامیکی صریح، اگر بخواهد از دقت بالایی برخوردار باشد، باید پارامترهای ورودی آن زیاد بوده و یا برد زمانی پیش بینی آن کم گردد.
اما در شبکه عصبی مصنوعی با پردازش غیرخطی اطلاعات به روش خودسازماندهی در عملیاتی موازی در تعداد زیادی از سلول های عصبی ارتباط بین اطلاعات ورودی و خروجی در سطح بالایی شبیه سازی می شود و بدون ساختن و یا ایجاد رابطه صریح می تواند با آموزشی که دیده است رفتار سیستم را پیش بینی کند.
در این تحقیق ابتدا شبیه سازی به روش شبکه عصبی برای پیش بینی مکانی ظرفیت باربری خاک به کمک نرم افزار Matlab ارائه شده و سپس نتایج حاصل با نتایج آزمایشات ژئوتکنیک موجود مورد ارزیابی قرار گرفته است.
توجه:جهت مشاهده فهرست و اطلاعات بیشتر و دریافت کل محتوای مربوط به این پایان نامه بر روی لینک زیر کلیک نمایید .
