ناصر صفائیان حمزه کلائی - استادیار گروه مهندسی عمران، دانشگاه بزرگمهر قائنات، قاین، ایران
هاشم قاسمی - دانشجوی کارشناسی مهندسی عمران، دانشگاه بزرگمهر قائنات، قاین، ایران

امروزه استفاده از شمع در ساختمان ها جهت مقاوم سازی خاک رواج یافته است. آزمایش بارگذاری شمع هزینه هایزیادی را برای پروژه های عمرانی تحمیل کرده و زمان انجام پروژه را نیز طولانی می کند. از طرفی، مدلسازی با استفاده ازشبکه های عصبی مصنوعی روشی است که بر اساس داده ها و اطلاعات قبلی بوده و نیازی به ساده سازی و استفاده از ضرایباطمینان بالا ندارد. استفاده از شبکه های عصبی مصنوعی برای حل مسایل پیچیده، حوزه مطالعاتی است که اخیرا در مهندسیژئوتکنیک مورد توجه قرار گرفته است. در این پژوهش، از شبکه های عصبی مصنوعی پرسپترون چند لایه برای پیش بینیظرفیت باربری شمعه ای فلزی ته باز کوبیده شده در خاک های ماسه ای استفاده شده است. بدین منظور از داده هایآزمایشگاهی مرتبط استفاده شده و 5 پارامتر زاویه مقاومت برشی خاک در شفت، زاویه مقاومت برشی خاک در نوک شمع،فشار باربری در نوک شمع، طول شمع و نیز سطح مقطع شمع به عنوان ورودی شبکه عصبی مصنوعی در نظر گرفته شدهاست. جهت دستیابی به بهترین عملکرد شبکه، ابتدا پارامترهای بهینه موثر بر دقت و عملکرد شبکه عصبی شامل: نوعالگوریتم آموزش، تعداد لایه ها و تعداد نرون در هر لایه و نیز درصد داده های آموزش و تست به روش سعی و خطا تعیین شد.بررسی همگرایی و نتایج عددی نشان می دهد که شبکه عصبی مصنوعی دو لایه با الگوریتم آموزش لونبرک- مارکوات بهترینعملکرد را در تخمین ظرفیت بابری شمع داشته است.

مدل تخمینی، ظرفیت باربری، شمع فلزی کوبشی، شبکه های عصبی مصنوعی