بخشی از مقاله

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

بررسی مدل های پیش بینی پتانسیل روانگرایی در خاک ها

چکیده

بررسی و پـژوهش درمـورد پدیـده روانگرایـی درسـالهای اخیـر موردتوجـه مهندسـین ژئوتکنیـک قرارگرفتـه است.پیش بینی روانگرایی در خاک ها باتوجه به خصوصیات فیزیکی و مکانیکی خاک نظیر دانه بندی، مقاومت برشی و...هم چنین ویژگی های لرزه خیزی نظیر شتاب و مدت زمان زلزله بـه عنـوان پارامترهـای دردسـترس مطرح است. دراین پژوهش به بررسی پتانسیل روانگرایی خاک توسط محاسبات معمول وشبکه عصبی پرداخته
می شود.
واژههای کلیدی: روانگرایی،شبکه عصبی،شکست خاک


-1 مقدمه

مــدل هــای شــبکه عصــبی بــا نــام هــای Redial basis , back propagation از تکنیــک هــای محاســبه ای بسیارپیشرفته اند که در ارزیـابی هـای آزمایشـگاهی و محلـی بـه کارگرفتـه شـده انـد. شـبکه عصـبی مصـنوعی توسـط داده هــای محلــی کــه در مرحلــه آمــوزش وارد شــده بــود مــورد ارزیــابی قــرار گرفتــه اســت . درمطالعــه مــوردی، پــیش بینــی پتانسیل روانگرایی بـرای زلزلـه ای طراحـی شـد بـه بزرگـی 7.5ریشـتر درشـهر ازمیـر ترکیـه کـه بـه وسـیله شـبکه عصـبی seed&idriss انجــام گرفتــه و مــورد ارزیــابی و مقایســه قــرار خواهــد گرفــت. یکــی از علــل مهــم تخریــب در خــلال زلزلــه شکســت خــاک اســت . علــت ایــن شکســت از بــین رفــتن مقاومــت برشــی خــاک بــه دلیــل افــزایش فشــار آب منفــذی می باشـد کـه ایـن پدیـده روانگرایـی نامیـده مـی شـود و بـه طـور عمـده در ماسـه هـای سسـت و اشـباع اتفـاق مـی افتـد. روانگرایــی خاکهــای ماســه ای ســبب وارد آمــدن خســارات زیــادی بــه ســاختمانها وخاکریزهــا و بزرگــراه هــا و دیــوار هــای حائــل مــی شــود . تعیــین پتانســیل روانگرایــی در اثــر زلزلــه یــک مســئله پیچیــده در مهندســی ژئوتکنیــک اســت کــه فاکتورهای زیادی از قبیل پارامترهای خاک و خصوصیات زلزله را شامل می شود.

در آنــالیز روش seed&idriss روشــهای متعــددی بــرای بــرآورد پتانســیل روانگرایــی ارائــه شــده اســت یکــی از ایــن روش هــا اســتفاده از تعیــین ســطح تــنش و ســیکلهای احتمــالی کــه در زمــین در اثــر طراحــی زلزلــه مــی باشــد. کــه بــا مقایسـه ایــن تنشـها بــا تنشــهایی کـه ســبب روانگرایــی خاکهـا در آزمایشــگاه مـی شــوند میتــوان نـواحی کــه روانگرایــی در آنها به وقوع مـی پیونـدد شناسـایی نمـود. در روش دیگـر بـه مکانهـایی کـه قـبلا در آن زلزلـه رخ داده داده اسـت پرداختـه می شود که از ترکیب ویژگی زلزله و خواص درجـای خـاک یـک رابطـه تجربـی بدسـت مـی آیـد کـه هـدف از ایـن تحلیـل تخمــین تــاثیر پارامترهــای خــاک و زلزلــه بــه وســیله شــبکه عصــبی مصــنوعی وتعیــین موفقیــت آن در بــرآورد پتانســیل روانگرایــی خــاک مــی باشــد. بــرای ایــن منظــور از برنامــه شــبکه عصــبی مصــنوعی نــرم افــزار متلــب اســتفاده مـی گـردد. یـازده پــارامتر خـاک و زلزلـه بــه عنـوان ورودی انتخـاب شـده و ایــن پـارامتر بـه گــروه هـایی تقسـیم و ســپس کــارکرد شــبکه عصــبی بــرای تعیــین پتانســیل روانگرایــی بررســی مــی گــردد. سیســتم شــبکه عصــبی مصــنوعی در زمینــه


1


هـای مختلـف شـامل پزشـکی و مسـائل علـوم مهندسـی کـاربرد دارد. معـادلات موجـود حـاکم برمـدل را میتـوان بـا شــبکه عصـبی مصــنوعی کـه بــرای آنـالیز مســائل چنـد متغیــره بـه کــار میـرود تعــویض کـرد کــاربرد شـبکه عصــبی مصــنوعی در مهندسـی ژئوتکنیـک نسـبتا جدیـد مـی باشـد و احتیـاج بـه تحقیقـات بیشـتری دارد. Goh کـاربرد شـبکه عصـبی درپـیش بینــی روانگرایــی را مــورد مطالعــه قــرار داد .(Goh,A.T.C 1995,1996) از مقایســه بــین مــدل شــبکه عصــبی مصــنوعی و روش مرســوم تــنش دینامیــک کــه توســط Seed et al and tebaraksa,shibata ارائــه شــده اســت مشــخص شــد روش شبکه عصبی مصنوعی ساده تر بوده و نتایج معتبر تری نیز دارد.

روشهای عمده درتعیین پتانسیل روانگرایی به شرح زیرمی باشد:

-1 روشـهای مبتنـی بــر پایـه تحلیـل دینــامیکی طیفـی زلزلــه و مقایسـه تـنش برشــی وارده برالمـان خـاک براثــر زلزلـه بــا تـــنش برشـــی مولـــد ســـیلان (مقاومـــت ان المـــان) درآزمایشـــات تنـــاوبی (ســـه محـــوری ســـیکلی. برش ســـاده سیکلی.میزارتعاشات.سانتریفیوژ). این روشها نسبتا دقیق می باشند و از تئوری محکم و قابل اعتمادی برخوردارند.

-2 روشهای مبتنی بر انجام آزمایشات صحرایی نظیر آزمایش انفجار استاندارد.

-3روشهای آمـاری بـا اسـتفاده از داده هـای ثبـت شـده در محـل هـایی کـه قـبلا زلزلـه رخ داده و در معـرض وقـوع پدیـده روانگرایی قرار داشته اند.

هریک ازروشهای فوق دارای معایب ومزایایی هستند که متناسب با اهمیت کاربرد مورد توجه قرار می گیرند:

مشــکلات دســته اول تهیــه نمونــه هــای دســت نخــورده ای از ماســه سســت و نیمــه متــراکم اشــباع و هزینــه بــالای انجــام آزمایشــات دینــامیکی اســت. درروش دوم محــدودیتهای منطقــه ای مشــکل عمــده انجــام آزمایشــات هســتند . دســته ســوم کــه مبتنــی برروشــهای نــوین آمــاری و بــر اســاس مشــاهدات قبلــی اســتوار اســت و محــدودیت هــای دو دســته قبــل را پوشــــش داده اســــت. از آن جملــــه میتــــوان بــــه روش هــــای پیشــــنهادی توســــط بازیار/ایشــــی هارا/ســــید و همکاران/توکیماتسو/گه و روش شبکه عصبی مصنوعی اشاره کرد.

دراین بـین روش شـبکه عصـبی مصـنوعی ابـزاری موفـق و قابـل اعتمـاد در پـردازش اطلاعـات حتـی بـا وجـود پارامترهـای مختلف موثر و پیچیدگی روابط بین آنها می باشد.
شبکه های عصبی مصنوعی :

شبکه های عصبی مصنوعی با پردازش داده های تجربی و دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند و نیازی به تعیین رابطه ریاضی بین ورودی ها وخروجی های مدلها را ندارند و در مواردی که امکان نشان دادن روابط پیچیده بین متغیرها در ترمهای فیزیکی مشکل باشد دارای توانائی زیادی می باشند و ازسوی دیگر داده های ورودی نادرست یا ناقص درتوابع ریاضی باعث ایجاد خطای زیادی در نتایج خروجی می شود درصورتیکه شبکه های عصبی مصنوعی نتایج خروجی دقیقی را ارائه می کنند .

-2 شرح مسئله

برآورد پتانسیل روانگرایی خاک ها درهنگام زلزله یک امر لازم و ضروری برای آگاهی از چگونگی رفتار سازه در زمان وقوع زلزله میباشد. ازآنجایی که عوامل تاثیرگذار بر این پدیده زیاداست لذا نگاشت یک رابطه ریاضی بر این داده ها تا به وسیله آن بتوان درموارد دیگر رخداد روانگرایی را پیش بینی کرد غیرممکن بنظر می آید. در روش شبکه عصبی مصنوعی برای برآورد پتانسیل روانگرایی نیازی به یافتن توابع ریاضی جهت ارتباط داده ها نیست. بلکه شبکه عصبی مصنوعی به روابط ذاتی میان داده ها پی برده و این اطلاعات رادر وزن های خود حفظ میکند و به عبارتی یادگیری آن محقق میشود که پس از یادگیری به حالت های مشابه تعمیم می دهد.

2


Back propagation یکی از مورد استفاده ترین الگوی شبکه عصبی است و معمولا لایه ای و هر لایه بطور کامل با لایه زیرین و بالای خودش ارتباط دارد. شکل 1بطور شماتیک مثالی از یک شبکه عصبی مصنوعی است که لایه پایین لایه ورودی است وشامل بزرگی زلزله(/(Mشتاب ماکزیمم/دانسیته/مدول برشی/تنش کل/تنش مؤثر می باشد لایه بعدی لایه پنهان است که لایه پایین را به لایه بالا ارتباط می دهد. لایه بالا لایه خروجی است. الگوهای ورودی مسئله با توجه به مدل های بکار رفته درجدول (1) شامل11و8و8 مولفه بوده و به ترتیب نیازبه 11و8و8 نرون ورودی دارند و همچنین با توجه به اینکه متغیرخروجی0و0)1عدم وقوع روانگرایی و1وقوع روانگرایی) می باشد بنابراین در نظرگرفتن یک نرون به عنوان خروجی کافی می باشد.


اکنون که ساختار ورودی وخروجی مشخص گردید میتوان با طراحی لایه یالایه های پنهان وتعداد نرون های مورد نیاز دراین لایه ها واجرای روال آموزش ازآن برای پیش بینی رفتار تابع موردنظر بهره جست. دراین مقاله جمعا ازتعداد156سری داده خاک و زلزله استفاده شده است و تعداد117 سری از داده ها برای آموزش و39 داده برای آزمون شبکه مورداستفاده قرارگرفتند


شبکه عصبی مصنوعی Back propagation در زمینه های مختلف موفق عمل میکند وبطور وسیع مورد استفاده قرار میگیرد.لذا در ابتدا الگوریتم آموزشیBackpropagation مورد استفاده قرار گرفته وبا بکارگیری این الگوریتم برای آموزش داده ها(117سری داده) ودر نظر گرفتن یک لایه به عنوان لایه پنهان وتابع تانژانت هایپربولیکی برای لایه پنهان و تابع سیگموئید برای لایه خروجی/اقدام به یافتن بهترین ساختار شبکه برای آموزش این سری از داده ها گردید.خطای آموزش شبکه را از فرمول 1محاسبه کرده وتعداد نرون ها در لایه مخفی را افزایش داده تا خطای مطلوب حاصل گردید.


که در این رابطه (ti) خروجی مطلوب (ai) جواب شبکه و (e) مقدار خطا و((MSE که میانگین مربع خطا,که معیار سنجش خطا میباشد وبرای این مرحله آموزش در شکل2 رسم گردیده است.


4


از شکل 2 دیده میشود که,میزان خطای شبکه با وجود افزایش نرون های لایه میانی روند نزولی ندارد(حتی روند آن صعودی است).بنابراین نمیتوان تعداد نرون مشخصی را به عنوان نرون های لایه میانی در نظر گرفت.به عبارت دیگر شبکه خوب آموزش ندیده است و افزودن تعداد لایه های میانی نیز تغییری در پی ندارد. درشبکه های عصبی مصنوعی((Backpropagation پیشنهاد میشود بجای داده های اصلی از داده های مقیاس بندی شده استفاده شود.برای مقیاس بندی کردن یا به عبارتی تصویر کردن داده ها بین محدوده صفرویک از معادله2 استفاده میگردد.

در معادله (Xi) 2 داده اصلی (Xmax,Xmin) به ترتیب ماکزیمم و مینیمم داده ها و((XI داده تصویر شده در بازه صفرویک می باشد.با بکارگیری داده های اخیر برای آموزش شبکه وطی روند سعی وخطا برای تعیین نعداد نرون لایه میانی میزان خطا در شکل 3 نشان داده شده است.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید