تحلیل رفتار پی گسترده متکی بر شمع با استفاده از روش المان محدود و شبکه های عصبی مصنوعی

خلاصه
یکی از مسائل مهم در مهندسی ژئوتکنیک، نشست پی های گسترده متکی به شمع می باشد. در این پژوهش مدلی پایه شامل یک پی گستردهمتکی بر چهار شمع بر روی خاک دو لایه تعریف و با استفاده از نرم افزار پلکسیس تحلیل و بررسی شده است. سپس با تغییر پارامترهای موثر برمقدار نشست، اثر هر پارامتر به صورت جداگانه بررسی شده است. نتایج حاصل از این مدل ها ثبت شده و برای آموزش یک شبکه عصبیمصنوعی و نهایتا توسعه یک رابط کاربری گرافیکی استفاده شده است. نتایج نشان می دهد نوع خاک، تعداد و ابعاد شمع، ضخامت دال، مقدار بارو وضعیت قرارگیری دال روی خاک یا بالاتر از آن، مهمترین پارامترهای موثر در مقدار نشست پی های گسترده متکی بر شمع میباشند. همچنین در این پژوهش مشخص شد می توان با تقریبی بسیار خوب، از شبکه های عصبی مصنوعی در تخمین نشست استفاده نمود.

کلمات کلیدی:

فونداسیون . شمع . شبکه عصبی مصنوعی . پلکسیس

دومین کنفرانس ملی مکانیک خاک و مهندسی پی  (1394)

برای دانلود به ادامه مطلب بروید

بکارگیری شبکه عصبی مصنوعی در پیش بینی ظرفیت باربری شمع

خلاصه
طراحی شمع ها برای دستیابی به بهره وری مناسب به لحاظ مقاومتی و خدمت پذیری بهتر، نیازمند تعیین دقیق ظرفیت باربری آن می باشد. اگرچهتحقیقات گسترده ای در خصوص تعیین ظرفیت باربری شمع ها صورت گرفته است ولی به دلیل خواص فیزیکی و مکانیکی منحصربه فرد خاکمانند ناهمگونی، ناهمسانی، وجود آب، تنوع ترکیبات مختلف خاک در طبیعت و ...، یک روش کاملاً مطمئن برای ظرفیت باربری شمع تعیین نشدهاست؛ بنابراین، ادامه پژوهش در این زمینه از اهمیت قابل توجهی برخوردار است. ازاین رو، در این مطالعه با استفاده از مدل شبکه عصبی مصنوعی بهپیش ظرفیت باربری شمع پرداخته شده است. مجموعه داده جمع آوری شده در این تحقیق شامل شمعهای درجاریز میباشد که در ساخت مدلمورداستفاده قرارگرفته اند. نتایج ارائه شده در این مطالعه نشان می دهد که مدل شبکه عصبی پیشنهادی، از دقت و سطح عملکرد قابل قبولی در پیش- بینی ظرفیت باربری شمع برخوردار است.

کلمات کلیدی:

شمع . ظرفیت باربری . شبکه عصبی مصنوعی

دومین کنفرانس ملی مکانیک خاک و مهندسی پی  (1394)

برای دانلود به ادامه مطلب بروید

پيش بيني پتانسيل روانگرايي خاك هاي ريزدانه چسبنده با استفاده از شبكه هاي عصبي مصنوعي

خلاصه
در اين تحقيق جهت پيشبيني پتانسيل روانگرايي خاكهاي ريزدانه چسبنده از طريق شبكههاي عصبي مصنوعي، نمونههايي از خاك چند منطقه باسابقه روانگرايي گردآوري و در آزمايشگاه مورد بررسي قرار گرفته است. سپس با معيارهاي مختلف روانگرايي خاكهاي ريزدانه چسبنده )معيارچيني ) 1891 (، معيار آندريو و مارتين ) 0222 ( و معيار سيد و همكاران ) 0222 (، پتانسيل روانگرايي آنها مورد بررسي قرار گرفته و در ادامه نتايج دريك پايگاه داده ثبت شده است. سپس نتايج براي ورود به شبكههاي عصبي مصنوعي آماده شده و مدل سازي انجام گرديد. پس از مرحله آموزششبكه و يادگيري، مدلهاي مختلف شبكه مورد سعي و خطا قرار گرفته و در ادامه مدل بهينه انتخاب شده است. اين مدل در نهايت نيز باروشهايتجربي مورد ارزيابي قرار گرفته است. نتايج نشان داد كه شبكههاي عصبي مصنوعي ميتواند روشي دقيق براي مدلسازي خاكهاي ريزدانه روانگرا مورد استفاده قرار گيرد.

کلمات کلیدی:

روانگرايی . خاك ريزدانه چسبنده . مدلسازی . شبکه عصبی مصنوعی

دومین کنفرانس ملی مکانیک خاک و مهندسی پی  (1394)

برای دانلود به ادامه مطلب بروید

شبکه عصبی مصنوعی در مهندسی ژئوتکنیک

خلاصه
در بسیاري از مواقع در مهندسی ژئوتکنیک، مهندسین با انواعی از مسائل بسیار پیچیده و غیرقابل فهم برخورد می کنند. درواقع در هنگام انجام پروژههاي ژئوتکنیکی خصوصا ساخت فضاهاي زیرزمینی، وضعیت پیچیده و پیش بینی نشده درون زمین، ابهامات و مشکلات بسیار زیادي را بوجود می(ANN) آورد. این مشکلات در بسیاري از مدل سازي ها ژئوتکنیکی و پروژه هاي عمرانی خسارات زیادي را بدنبال دارد. شبکه عصبی مصنوعیمی تواند در خیلی از موارد محاسبات پیچیده را حذف نماید و به عنوان یک روش نوین در مهندسی ژئوتکنیک، شناخته شده است، بطوریکه درسال هاي اخیر در حل مسائل ژئوتکنیکی کاربرد فراوان پیدا کرده است. در این مقاله با استفاده از مطالعات صورت گرفته، به برخی از کاربردهايموفقیت آمیز شبکه عصبی مصنوعی در حل مشکلات مهندسی ژئوتکنیک اشاره می شود. همچنین در این مقاله به برخی از محدودیتهاي شبکه عصبی مصنوعی در مقایسه با دیگر روش ها پرداخته می شود.

کلمات کلیدي:

مهندسی ژئوتکنیک . مسائل پیچیده . شبکه عصبی مصنوعی . مشکلات ژئوتکنیکی .

دومین کنفرانس ملی مکانیک خاک و مهندسی پی  (1394)

برای دانلود به ادامه مطلب بروید

پیش بینی توزیع تغییر شکل درنمونه سه محوری با استفاده از شبکه عصبی مصنوعی

خلاصه
پیش بینی الگوی رفتاری در ساختارهای خاکی از مسائل مهم و اصلی مهندسی ژئوتکنیک می باشد، بنابراین ارائه روش و مد لهای ریاضی به منظورتخمین روابط حاکم بر مسئله، همواره مورد توجه محققین علم ژئوتکنیک بوده است. در سال های اخیر شبک ه عصبی مصنوعی در بسیاری از زمینههای مهندسی به طرز موفقیت آمیزی مورد استفاده قرار گرفته است. در این مقاله شبکه عصبی مصنوعی به منظور پیش بینی نحوه توزیع تغییرشکلدر نمونه های خاکی تهیه شده در دستگاه سه محوری به کار می رود.در ابتدا نمونه سهمحوری با نرم افزار flac2D مدلسازی شده سپستغییرمکان های نقاط مرزی و نقاط داخلی نمونه از نتایج این برنامه استخراج گردیده و به عنوان پارامترهای ورودی و خروجی شبکه عصبی درنظرگرفته می شوند، انطباق نتایج حاصل از شبکه عصبی موردنظر با نتایج مدلسازی های عددی، نشان دهنده عملکرد مناسب شبکه عصبی در پیش بینیتوزیع تغییرشکل نمونه سه محوری می باشد.

کلمات کلیدی:

شبکه عصبی مصنوعی . دستگاه سه محوری . نرم افزار FLAC2D

دومین کنفرانس ملی مکانیک خاک و مهندسی پی  (1394)

پیشبینی نشست زمین در اثر حفاری مکانیزه تونل با استفاده از شبکه عصبی مصنوعی به روش MLP-LM

چکیده
احداث تونل در نواحی متراکم و پرازدحام شهری حتی با استفاده از ماشینهای حفاری تمام مقطع با موانع و مشکلاتی روبه رو هستکه یکی از مهم ترین آن ها مسئله نشست است. پارامترهای مختلفی بر میزان نشست مؤثر هستند بررسی این پارامترها میتواند تاحدودی از آسیبها و خطرهای احتمالی به سازههای مجاور تونل پیشگیری نماید. روش های مختلفی برای برآورد و پیش بینی نشستزمین در اثر حفر تونل وجود دارند که میتوان به 6 روش تجربی 7 روش آزمایشگاهی 9 روش عددی 4 استفاده از شبکه هوشمند - - - -اشارهنمود.در این مقاله به بررسی پارامترهای تأثیرگذار برنشست سطح زمین ازجمله خصوصیات هندسه تونل )عمق تونل، قطر تونل(، شرایطزمین شناسی )روباره، سطح آب زیرزمینی( و پارامترهای حفاری تونل )فشار جبهه ی کار، فشار تزریق، نرخ نفوذ ماشین و زاویه انحرافدستگاه( پرداخته شده است . با توجه به تعدد پارامترها و پیچیدگی روابط میان آن ها، از شبکه عصبی مصنوعی به روش شبکه چندلایه پرسپترون با الگوریتم لونبرگ مارکوارت جهت ارائه مدلی برای پیشبینی نشست استفاده شده است به طوری که در مدل انجامشده برای رسیدن به مناسبترین ساختار شبکه، شبکههای با تعداد لایه و نورونهای میانی و توابع انتقال مختلف مورد آزمایشقرارگرفته و با استفاده از آنالیز حساسیت روند کلی تأثیر نسبی پارامترهای ورودی مدل )پارامترهای تأثیرگذار برنشست( بر خروجی)تابع هدف یا میزان نشست زمین( تعیین شده است. با توجه به نتایج به دست آمده، مناسبترین ساختار شبکه تابع سیگموئید با یک7 میلی متر می باشد و / 0و مقدار جذر میانگین مربعات خطا برابر 58 / لایه پنهان و 5 نورون میانی بوده به طوری که ضریب تبیین 3766پارامتر فشار جبههی کار و سپس فشار گروت بیشترین تأثیر را بر نشست دارند.

کلمات کلیدی:

نشست . شبکه عصبی مصنوعی . حفاری مکانیزه تونل . تونل

سومین کنفرانس منطقه ای و دوازدهمين کنفرانس تونل ایران (1396)

تخمين فاصله ایستگاه هاي همگرایی سنج تونل انحراف آب بازي دراز به روش عددي و شبكه عصبی مصنوعی

چكيده
در این مقاله سعی شده با استفاده از شبکه عصبی مصنوعی و برنامه المان مجزای 3DEC ، معیاری را برای فاصله بین ایستگاه هایهمگرایی سنج معرفی کرد. برای تولید شبکه عصبی جهت تخمین فواصل بین ایستگاه های همگرایی سنج، ابتدا داده ها را دو فایلاکسل جداگانه وارد نرم افزار متلب شوند. بدین صورت که در فایل اول داده های مربوط به ورودی شبکه عصبی که دارای 7 متغیر و بهتعداد 77 داده دسته بندی شده اند را وارد می کنیم. لایه ورودی متشکل از 7 نرون که شامل چسبندگی، مقدار سربار، زاویه اصطکاکداخلی توده سنگ، ضریب زبری سطح درزه، مقاومت فشاری دیواره درزه، زاویه اصطکاک داخلی درزه سنگ و مقدار RMR می باشد؛و همچنین خروجی این شبکه میزان فواصل بین ایستگاه های همگرایی سنج که از نتایج تونل انتقال آب چهل چای تهیه شده است،می باشد. بدین ترتیب برای پیش بینی فواصل بین ایستگاه های همگرایی در تونل انحراف آب بازی دراز، پارامترهای مورد نیاز شبکه در5 مجموع داده در مسیر تونل را از محل مطالعات تونل انحراف آب بازی دراز، وارد کرده و شبکه عصبی مقدار فواصل این ایستگاه ها درمحدوده ای که پارامترهای ژئومکانیکی وارد شده اند را پیش بینی می کند.برای اعتبار بخشیدن به نتایج، از برنامه المان مجزای 3DEC استفاده می شود. در این برنامه تونل به طول 074 متر مدل شده و نقاطثبت جابجایی در مدل به فاصله یک متر قرار داده می شود. پس از انجام تحلیل ها، پلات های جابجایی تمام نقاط تعریف شده ،فراخوانده می شود و نقاطی که دارایبیشترین جابجایی باشد، معرفی می شوند و می توان در مورد فاصله بین نصب ایستگاه هایهمگرایی سنج بر اساس این نتایج نظر داد و با فواصل ایستگاه های همگرایی سنج بدست آمده از روش شبکه عصبی مصنوعی مقایسه شوند.

واژه هاي کليدي:

تونل انحراف بازی دراز . سیستم نگهداری . 3DEC . همگرایی سنج . شبکه عصبی مصنوعی

سومین کنفرانس منطقه ای و دوازدهمين کنفرانس تونل ایران (1396)

پیش بینی نشست زمین در اثر حفاری مکانیزه تونل با استفاده از شبکه عصبی مصنوعی به روش MLP-LM

چکیده
احداث تونل در نواحی متراکم و پرازدحام شهری حتی با استفاده از ماشینهای حفاری تمام مقطع با موانع و مشکلاتی روبه رو هستکه یکی از مهم ترین آن ها مسئله نشست است. پارامترهای مختلفی بر میزان نشست مؤثر هستند بررسی این پارامترها میتواند تاحدودی از آسیبها و خطرهای احتمالی به سازههای مجاور تونل پیشگیری نماید. روش های مختلفی برای برآورد و پیش بینی نشستزمین در اثر حفر تونل وجود دارند که میتوان به 6 روش تجربی 7 روش آزمایشگاهی 9 روش عددی 4 استفاده از شبکه هوشمند - - - -اشاره نمود.در این مقاله به بررسی پارامترهای تأثیرگذار برنشست سطح زمین ازجمله خصوصیات هندسه تونل )عمق تونل، قطر تونل(، شرایطزمین شناسی )روباره، سطح آب زیرزمینی( و پارامترهای حفاری تونل )فشار جبهه ی کار، فشار تزریق، نرخ نفوذ ماشین و زاویه انحرافدستگاه( پرداخته شده است . با توجه به تعدد پارامترها و پیچیدگی روابط میان آن ها، از شبکه عصبی مصنوعی به روش شبکه چندلایه پرسپترون با الگوریتم لونبرگ مارکوارت جهت ارائه مدلی برای پیشبینی نشست استفاده شده است به طوری که در مدل انجامشده برای رسیدن به مناسبترین ساختار شبکه، شبکههای با تعداد لایه و نورونهای میانی و توابع انتقال مختلف مورد آزمایشقرارگرفته و با استفاده از آنالیز حساسیت روند کلی تأثیر نسبی پارامترهای ورودی مدل )پارامترهای تأثیرگذار برنشست( بر خروجی)تابع هدف یا میزان نشست زمین( تعیین شده است. با توجه به نتایج به دست آمده، مناسبترین ساختار شبکه تابع سیگموئید با یک7 میلی متر می باشد و / 0و مقدار جذر میانگین مربعات خطا برابر 58 / لایه پنهان و 5 نورون میانی بوده به طوری که ضریب تبیین 3766پارامتر فشار جبهه ی کار و سپس فشار گروت بیشترین تأثیر را بر نشست دارند.

کلمات کلیدی :

نشست . شبکه عصبی مصنوعی . حفاری مکانیزه تونل . تونل

دوازدهمين کنفرانس تونل ایران (1396)

تخمين فاصله ایستگاه هاي همگرایی سنج تونل انحراف آب بازي دراز به روش عددي و شبكه عصبی مصنوعی

چكيده
در این مقاله سعی شده با استفاده از شبکه عصبی مصنوعی و برنامه المان مجزای 3DEC ، معیاری را برای فاصله بین ایستگاه هایهمگرایی سنج معرفی کرد. برای تولید شبکه عصبی جهت تخمین فواصل بین ایستگاه های همگرایی سنج، ابتدا داده ها را دو فایلاکسل جداگانه وارد نرم افزار متلب شوند. بدین صورت که در فایل اول داده های مربوط به ورودی شبکه عصبی که دارای 7 متغیر و بهتعداد 77 داده دسته بندی شده اند را وارد می کنیم. لایه ورودی متشکل از 7 نرون که شامل چسبندگی، مقدار سربار، زاویه اصطکاکداخلی توده سنگ، ضریب زبری سطح درزه، مقاومت فشاری دیواره درزه، زاویه اصطکاک داخلی درزه سنگ و مقدار RMR می باشد؛و همچنین خروجی این شبکه میزان فواصل بین ایستگاه های همگرایی سنج که از نتایج تونل انتقال آب چهل چای تهیه شده است،می باشد. بدین ترتیب برای پیش بینی فواصل بین ایستگاه های همگرایی در تونل انحراف آب بازی دراز، پارامترهای مورد نیاز شبکه در5 مجموع داده در مسیر تونل را از محل مطالعات تونل انحراف آب بازی دراز، وارد کرده و شبکه عصبی مقدار فواصل این ایستگاه ها درمحدوده ای که پارامترهای ژئومکانیکی وارد شده اند را پیش بینی می کند.برای اعتبار بخشیدن به نتایج، از برنامه المان مجزای 3DEC استفاده می شود. در این برنامه تونل به طول 074 متر مدل شده و نقاطثبت جابجایی در مدل به فاصله یک متر قرار داده می شود. پس از انجام تحلیل ها، پلات های جابجایی تمام نقاط تعریف شده ،فراخوانده می شود و نقاطی که دارای بیشترین جابجایی باشد، معرفی می شوند و می توان در مورد فاصله بین نصب ایستگاه هایهمگرایی سنج بر اساس این نتایج نظر داد و با فواصل ایستگاه های همگرایی سنج بدست آمده از روش شبکه عصبی مصنوعی مقایسه شوند.

واژه هاي کليدي :

تونل انحراف بازی دراز . سیستم نگهداری . 3DEC . همگرایی سنج . شبکه عصبی مصنوعی

دوازدهمين کنفرانس تونل ایران (1396)

مدل سازی انتقال رسوب با کمک روش شبکه عصبی مصنوعی (مطالعه موردی : رودخانه کارون)

کلمات کلیدی :

دبی رسوب . منابع آب . شبکه عصبی مصنوعی . رودخانه کارون

پنجمین کنگره ملی مهندسی عمران (1389)