ارزیابی پتانسیل روانگرائی در خاکهای ماسه ای با استفاده از شبکه های عصبی مصنوعی
Publish place: 2nd National Congress on Civil Engineering
Publish Year: 1384
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,612
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCCE02_179
تاریخ نمایه سازی: 27 مهر 1384
Abstract:
پدیده روانگرائی از جمله مواردی است که بر اثر عوامل لرزه ای امکان بروز آن در یک توده ماسه ای اشباع وجود دارد. در اینگونه مناطق به منظور جلوگیری از آسیب های احتمالی به مستحدثات موجود ، ارزیابی پتانسیل روانگرائی ضروری به نظر می رسد. بسته به گستره منطقه طرح جهت کسب اطلاعات ، نیاز به حفر چند گمانه و انجام آزمایشات متعددی می باشدکه هر یک مستلزم صرف زمان و هزینه های بسیاری است. بنابراین پیش بینی روانگرائی با استفاده از مجموعه اطلاعات موجود توسط شبکه عصبی، باعث کاهش در هزینه ها و برنامه ریزی صحیح در شناخت ساختگاه مناسب خواهد شد.شبکه های عصبی به عنوان سیستم های هوشمند از خصوصیات خاص پردازش اطلاعات در مغز بهره می گیرند که از آن جمله می توان به یادگیری مثال ها ، نادیده گرفتن خطا در داده ها و پردازش موازی آنها - که دور از دسترس روشهای مرسوم برنامه نویسی قرار دارد - اشاره کرد.در تحقیق حاضر با توجه به بالا بودن سطح آب زیر زمینی در محدوده جنوب شرق تهران و با استفاده از اطلاعات گمانه های حفر شده در این منطقه به وسعت سی کیلومتر مربع، به ارزیابی پتانسیل روانگرائی توسط شبکه عصبی پرداخته شده است. شبکه عصبی مذکور با داشتن یک لایه میانی توسط اطلاعات گمانه های حفر شده مبتنی بر آزمایش نفوذ استاندارد آموزش داده شده و سپس به منظور اطمینان از کارآیی شبکه در ارزیابی پتانسیل روانگرائی، اطلاعات تعدادی گمانه برای اولین بار به شبکه ارائه گردید. نتیجه حاصل از شبکه عصبی با نتیجه حاصل از روش رایج تعیین روانگرائیSeed کنترل و مورد مقایسه قرار گرفت که بر اساس آنالیزهای انجام شده، شبکه عصبی تربیت یافته قادر است پتانسیل روانگرائی در خاک محدوده جنوب شرق تهران با دقت بیش از 92 درصد پیش بینی نماید.
Keywords:
Authors
سید سجاد حسینی خزاقی
دانشجوی کارشناسی ارشد دانشگاه مازندران دانشکده فنی بابل
عسگر جانعلیزاده
استادیار دانشکده فنی و مهندسی دانشگاه مازندران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :