مدلسازی پتانسیل رمبندگی خاک ها با استفاده از برنامه نویسی ژنتیک
Publish place: 7th National Congress on Civil Engineering
Publish Year: 1392
Type: Conference paper
Language: Persian
View: 1,095
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
NCCE07_1311
Index date: 8 October 2013
مدلسازی پتانسیل رمبندگی خاک ها با استفاده از برنامه نویسی ژنتیک abstract
رفتارخاکهای غیراشباع خصوصا مقاومت و تغییرحجم آنها تحت اثربارهای وارده کاملا متفاوت بوده و به عوامل متعددی بستگی دارد رمبندگی به کاهش حجم خاک غیراشباع تحت اثرتنش ثابت و به علت اشباع شدن خاک گفته میشود تحقیقات انجام شده قبلی درزمینه خاک های رمبنده نشان میدهد که دانه بندی درصد رطوبت اولیه وزن مخصوص خشک اولیه خاک و تنش هنگام اشباع عوامل اصلی موثربررمبندگی هستند روابط موجود برای تعیین پتانسیل رمبندگی که برمبنای دسته ای خاص ازخاک ها بدست امده اند عمدتا برای همان نوع خاک صادق بوده و قادر به پیش بینی مناسب تغییرات پتانسیل رمبندگی برای سایر خاک ها نمی باشند سیستم های هوشمند مصنوعی توانایی استنتاج بهتری ازنتاجی ازمایشگاهی را نسبت به روشهای تجربی دارامی باشند دراین تحقیق نتایج ازمایشهای گروهی ازمحققین که اندازه گیری مقدارپتانسیل رمبندگی برای 16خاک متفاوت درشرایط اولیه مختلف راانجام داده اند گرداوری شده است با استفاده ازاین بانک اطلاعاتی و نرم افزارGeneXproTools که براساس برنامه نویسی ژنتیک طراحی شده است به پیش بینی پتانسیل رمبندگی خاک پرداخته شده است بررسی نتایج بدست امده ازمدل موید همبستگی خوب بین نتایج پیش بینی شده توسط مدل و مقادیر واقعی می باشدهمچینین تاثیرپارامترهای مختلف خاک برروی پتانسیل رمبندگی نیز مورد تجزیه و تحلیل قرارگرفته است
مدلسازی پتانسیل رمبندگی خاک ها با استفاده از برنامه نویسی ژنتیک Keywords:
مدلسازی پتانسیل رمبندگی خاک ها با استفاده از برنامه نویسی ژنتیک authors
محمدجواد پوراحمدی
بخش راه ساختمان و محیط زیست
قاسم حبیب آگهی
بخش راه ساختمان و محیط زیست
علی جوهری
دانشکده مهندسی عمران و محیط زیست
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 :