عنوان

بررسی نظری کاربرد شبکه های عصبی مصنوعی در تعیین سختی لایه های روسازی

‭۳۱۷۹پ‬

per

بررسی نظری کاربرد شبکه های عصبی مصنوعی در تعیین سختی لایه های روسازی

/صمد نظری

دانشگاه تبریز: گروه عمران

‮‭۱۵۶‬ص.‬

چاپی

صمد نظری

کارشناسی ارشد

عمران-خاک

‮‭۱۳۸۶/۱۲/۲۵‬

دانشگاه تبریز: گروه عمران

تعیین و شناسایی پروفیل خاک به عنوان یکی از فاکتورهای مهم و ارزشمند در طراحی‌صهای مهندسی به ویژه در مهندسی ژئوتکنیک شناخته شده است .آزمایش آنالیز طیفی امواج سطحی ‮‭(SASW)‬ یک تکنیک میدانی غیرمخرب جهت شناسایی پروفیل سختی محل مورد مطالعه می‌صباشد .این روش مبتنی بر خاصیت پراکندگی امواج سطحی در محیطصهای لایه‌صای با سختی‌صهای متفاوت بوده و بر مبنای تولید و ثبت امواج لرزه-ای در سطح زمین و تحلیل اختلاف فاز سیگنال‌صهای حاصله در حوزه فرکانسی استوارمی‌صباشد .نتایج حاصل از انجام آزمایش ‮‭SASW‬ در قالب منحنی پراکندگی تجربی قابل ارائه می باشند .منحنی پراکندگی بدست آمده از آزمایش به وسیله روش‌صهای برگردان برای تعیین پروفیل سیستم های لایه ای نظیرلایه‌صهای روسازی می تواند بکار گرفته شود.روش‌صهای متعددی از آنالیز برگشتی برای بدست آوردن پروفیل سیستم روسازی و پارامترهای سختی لایه‌صها از منحنی پراکندگی وجود دارد. جهت تکمیل و جایگزینی روش‌صهای موجود استفاده از شبکه‌صهای عصبی مصنوعی می‌صتواند جایگزین روش‌صهای وقت‌صگیر و تکراری چند مرحله‌صای شود .در این پایان‌صنامه جهت استفاده و کاربرد شبکه‌صهای عصبی مصنوعی در حل مسئله برگردان منحنی پراکندگی و تخمین پروفیل روسازی از نرم‌صافزار جامع ‮‭Matlab‬ استفاده گردیده است .در این خصوص داده‌صهای آموزشی که برای آموزش شبکه بکار برده می‌صشوند شامل پروفیل‌های روسازی چهار لایه به همراه منحنی‌صهای پراکندگی نرمالایز شده می‌باشند .این منحنی‌صهای پراکندگی به وسیله روش ماتریس سختی دینامیکی دقیق به صورت تئوریکی و با فرض یک سری پروفیل-های روسازی بدست آمده و در اختیار برنامه کامپیوتری قرارمی‌گیرند .پس از تولید و تعیین داده‌صهای آموزشی، برای آموزش شبکه از شبکه‌صهای چند لایه ‮‭(MLP)‬ با الگوریتم‌صهای یادگیری انتشار برگشتی استفاده می‌صگردد .این داده های ورودی با استفاده از الگوریتم‌صهای یادگیری پس‌صانتشار خطای بیشترین شیب، گرادیان مزدوج و مارکوآرت- لونبرگ به شبکه آموزش داده می شوند. در تحقیق انجام شده جهت آموزش شبکه از هشت تابع آموزشی استفاده گردید .پس از آموزش شبکه، تمامی الگوریتم‌صهای آموزشی در شبکه‌صهای سه، چهار و پنج لایه مورد ارزیابی قرار گرفتند .از میان شبکه‌صهای ارزیابی شده، شبکه بهینه که کمترین میزان خطا ‮‭(MSE)‬ و کمترین تعداد تکرار را برای همگرایی دارد به عنوان شبکه بهینه برگزیده شد .پس از تعیین شبکه بهینه، این شبکه به همراه تابع آموزشی، پارامترها، تعداد لایه‌صها، تعداد نرون‌صها در لایه مخفی و برای داده‌صهایی که به عنوان داده‌صهای آزمون تلقی می‌صشوند بکار گرفته شدند .خروجی-های حاصل از برنامه که همان پروفیل‌صهای روسازی می‌صباشند با پروفیل‌صهای واقعی در نمودارهایی با هم مقایسه گردیده‌صاند .در ادامه با استفاده از شبکه بهینه بدست آمده مثال‌صهایی موردی از سایت‌صهای واقعی مورد ارزیابی قرار گرفتند که نتایج قابل قبولی مشاهده گردید

Determining and detecting the pavement profile is known as an important and Valuable parameters in engineering designation, especially geotechnical engineering. Spectral Analysis of Surface Wave (SASW) method is a nondestructive in-situ technique for detecting the stiffness profile of the site under study. This methodology is based on dispersive characteristics of surface wave in layered media and consists of generating and recording the seismic waves on the surface of the earth and analyzing the phase differences of generated signals in the frequency domain. Results of SASW test are presented in the form of an experimental dispersion curve. This curve is used to back calculate the in-situ pavement profile by employing one of the available inversion methods. There are varieties of inversion analysis in determining the pavement profile and stiffness parameters of strata employing dispersion curve. Artificial neural network can be replaced instead of time-consuming iterative methods. In this research "Matlab" has been employed for applying artificial neural network in solving inversion problem of dispersion curve and estimating the pavement profile. Training data to instruct the network contain a four-stratum pavement profile data accompanying with relevant normalized dispersion curve. These curves are derived theoretically, using exact dynamic stiffness matrix and assuming a series of pavement profiles and than are transferred to the package. After determining the Instructive data, multi layer networks with back propagation learning algorithm are used to instruct the network. These input data are instructed to the network employing Steepest Decent radient Algorithm, Conjugate Gradient Algorithm and Levenberg-Marquardt Algorithm. In this research eight Instructive functions have been used. After instructing the network all instructive algorithms have been assessed in three, four and five layer networks. Among these networks, the most optimized one with the least error rate and iteration to be converged was selected. Than this network accompanying the instructive function, parameters, number of layers and neuron in hidden layer, etc. was applied to test the data assumed as examining data. Output of the program that are the pavement profiles are compared together with the actual profiles in some cases. By employing the optimum the network, a few examples of actual sites have been assessed and some acceptable results were observed

نظری،صمد

اخلاقی، توحید، استاد راهنما

مرادی، غلام، استاد مشاور

محمودی، اصغر، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی