بخشی از مقاله
بررسی پتانسیل روانگرایی در خاك با استفاده از شبکههاي عصبی مصنوعی
چکیده
روانگرایی یکی از پیچیدهترین مسائل مطرح در مهندسی ژئوتکنیک میباشد. مقاله حاضر به بررسی پتانسیل روانگرایی در خاك به کمک روشهاي شبکههاي عصبی مصنوعی میپردازد. شبکههاي عصبی به عنوان یک ابزار قوي پردازش اطلاعات براي مدلسازي مسائل پیچیده مورد استفاده قرار میگیرد. مجموعه دادههاي قابل اعتمادي براي استفاده در شبکه عصبی، به صورت مجزا از دو آزمایش CPT و SPT در مناطق روانگرا شده، گردآوري شده است. مدل شبکه عصبی پیشنهاد شده در این مقاله نسبت به روشهاي متداول و همچنین تحقیقات مشابه انجام شده در این زمینه نتایج بهتري را ارائه میدهد. در ادامه آنالیز حساسیت انجام شده و اهمیت نسبی پارامترهاي موثر در روانگرایی محاسبه شده است.
کلمات کلیدي: روانگرایی، شبکه عصبی مصنوعی، آزمون نفوذ مخروط، آزمون نفوذ استاندارد
.1 مقدمه
گستره وسیعی از محدوده قارهها را مناطقی تشکیل میدهند که در معرض مخاطرات ناشـی از زمـین لـرزه قـرار دارنـد. تمرکـز جمعیت دراین نواحی خسارتهاي ناشی از این پدیده را بیش از پیش روشن میسـازد. از جملـه مسـائل مهـم در بررسـی تـوأم ژئوتکنیکی و لرزهاي، پدیده روانگرایی میباشد.
تنشهاي زلزله در مناطق با ساختار خاك دانهاي (ماسه ولاي) اشباع، موجب بالا رفتن فشار آب منفـذي و در نتیجـه کاهش و از دست رفتن مقاومت خاك میگردد و درنتیجه خاك حالت روان به خود میگیـرد. بـا توجـه بـه اثـر تخریبـی ایـن پدیده یافتن روشی براي پیشبینی روانگرایی و مطالعه بر روي پارامترهاي موثر بر آن کمـک شـایانی بـه کـاهش هرچـه بیشـتر اثرات تخریبی این پدیده خواهد کرد.
مراحل وقوع روانگرایی به این صورت است که امواج لرزهاي،عمدتاً امواج برشی، از لایههاي خاك دانـهاي اشـباع عبور میکند و باعث تمایل به انقباض خاك غیرمتراکم میشود. این تمایل به کاهش حجم در صـورت عـدم امکـان زهکشـی باعث افزایش فشار آب حفرهاي میشود. اگر فشار آب حفرهاي به اندازهاي افزایش یابد که با وزن لایههاي بالایی خاك برابـر شود، در این حالت خاك رفتاري مشابه یک سیال ویسکوز از خود نشان میدهد و روانگرایی وقوع مییابد.
پتانسیل روانگرایی هر نهشته خاکی با ترکیبی از ویژگیهاي خاك، عوامل محیطی و ویژگیهاي زلزله محتمل کنترل میشـود. قبل از رایج شدن آزمایشهاي صحرایی و درجا محققان سعی میکردند با شبیهسازي روانگرایی در آزمایشـگاه، ایـن پدیـده را مورد بررسی قرار دهند. پس از آزمایشهاي فراوان اکثر محققان به این نتیجه رسیدند که شبیهسازي روانگرایـی در آزمایشـگاه به دلیل عدم امکان توزیع یکنواخت تنشها در نمونه، عدم دسترسی به نمونه دست نخورده، توزیع مجدد سریع آب در نمونه و
...تقریباً غیرممکن است و براي پیشبینی روانگرایی باید از آزمـایشهـاي صـحرایی اسـتفاده کـرد. رایـجتـرین آزمـایشهـاي صحرایی براي پیشبینی روانگرایی آزمـایش نفـوذ اسـتاندارد (SPT) و آزمـایش نفـوذ مخـروط (CPT) مـیباشـند. ابزارهـاي محاسباتی بهکار رفته براي پیشبینی روانگراییاکثراً در قالب ارائه نمودارهایی بر اساس خصوصیات خاك و خواص لرزهاي و با استفاده از روشهاي آماري میباشد.
پیشرفت شاخه محاسبات عددي و توسعه روشهاي حل تئوري و عددي در چند دهه گذشته موجب مطرح شـدن ایـده هوش مصنوعی (AI: Artificial Intelligence) و پردازش موازي شده است. یکی از ابزارهاي مفید که از این ایده برگرفتـه شده است شبکههاي عصبی مصنوعی (ANN: Artificial Neural Networks) میباشد. ایـن ابـزار کـه در واقـع بـه وسـیله الگوبرداري از مغز انسان به وجود آمده است قادر به حل مسائل پیچیده و با پارامترهاي زیاد میباشد.
با توجه به محدودیتهاي روشهاي آماري و تعدد پارامترهاي دخیل در روانگرایی، شبکههاي عصبی ابزاري مفید براي پیشبینی روانگرایی میباشد. علاوه بر برتريهاي تکنیکی این روش، عدم نیاز به نرمالیزه کردن دادهها و همچنین قابلیت بررسی میزان تأثیر هر پارامتر از دیگر مزیتهاي استفاده از شبکههاي عصبی میباشد.
.2 شبکههاي عصبی مصنوعی
شبکههاي عصبی مصنوعی یکی از موضوعاتی است که در مدلسازي، پیشبینـی، رده بنـدي و ... بـا حجـم داده بسـیار زیـاد و دادهکاوي استفاده میشود. اساس این روش بر پایه ساختار مغـز انسـان مـیباشـد کـه بـا توجـه بـه نـوع کـارکرد مغـز، دریافـت اطلاعات، پردازش آنها و در نهایت تولید یک خروجی پایه ریزي شده است. شبکههاي عصبی مصنوعی ارتباطات سیناپسی و ساختار نرونی مغز انسان را مدل سازي نمودهاند تا همانند مغز قدرت یادگیري، تعمیمدهی و تصمیمگیري داشته باشد.[1]
یک شبکه عصبی مصنوعی شامل تعدادي نرون میباشد و از یک لایه ورودي، یک لایه خروجی و یک یا چند لایه پنهان تشکیل شده است. نرونهاي ورودي، سیگنالهاي ورودي را دریافت و پردازش میکنند وخروجی را به سایر نرونها کـه در آنها نیز این فرآیند ادامه مییابد، انتقال میدهند.[2]
نرون کوچکترین واحد پردازشگر اطلاعات است که اساس عملکرد شبکههاي عصبی را تشـکیل مـیدهـد. از نظـر مفهومی مجموعهاي از دادهها به عنوان ورودي نرون (که ممکن است خروجی نرونهاي دیگر باشند) به کار برده میشوند.
در این شبکهها یادگیري از طریق مثال انجام میشود، بدین معنی که اغلب (و نه هموارهورود)مجموعهاي از يهـا و خروجیهاي درست به شبکه عصبی داده میشود و شبکه عصبی با استفاده از این مثالها، وزن ارتباطی خود را بهگونهاي تغییـر میدهد که در صورت دادن مثالهاي جدید، پاسخهاي درستی را تولید کند. به عبارت روشنتـر شـبکه تـابع را یـاد مـیگیـرد، الگوریتم را میآموزد و یا رابطه تحلیلی مناسبی را براي تعدادي نقاط در فضا به دست میآورد.[1]
به طور خلاصه میتوان گفت که شبکههاي عصبی در حل سه گروه از مسائل بیشترین کاربرد را یافتهاند؛ مسائلی کـه داراي راه حل الگوریتمی نیستند، مسائلی که راه حل الگوریتمی بسیار پیچیدهاي دارند و مسائلی که انسان در حل آنها موفقتر
- ٢ -
از ماشین عمل میکند.
نکتهاي که در مورد وزنها باید به آن توجه شود این است که وزنها میتوانند به دفعات تغییر کرده و تصحیح شوند تا جایی که خروجی نهایی با خروجی مطلوب کمترین اختلاف را داشته باشد.[1]
هر ورودي در وزن متناظرش ضرب میشود و بعد همه وروديهاي وزندار شده، به منظور تعیین سطح فعالیت نرون با هم جمع میشوند. تابع فعالیت جهت محدود سازي دامنه خروجی نرون به کار میرودکه در آن تغییرات مجـاز دامنـه سـیگنال خروجی به مقادیر متناهی محدود میشود. دامنه اغلب توابع فعالیت که در مبحث شبکههاي عصبی مورد استفاده قرار میگیرند، دربازه 1]و[0 و یا 1]و[-1 قرار دارند. در حقیقت یک تابع فعالیت بر اساس نیاز مسئلهاي که قرار است با شبکههاي عصبی حل گردد، انتخاب میشود.[2]
به طور خلاصه یادگیري براي نرون بدین معنی است که پارامترهاي آن طوري تغییر کنند که رابطه ورودي و خروجی نرون با هدف خاص مطابقت نماید.
یکی از پرکاربردترین انواع شبکههاي عصبی مصنوعی، شبکه پرسپترون چند لایه (MLP: MultiLayer Perceptron) به همراه الگوریتم پس انتشار((Back Propagation با آموزش با نظارت میباشد. در این تحقیق براي مدل نمودن شبکه MLP از نرمافزار NeuroSolutions (v5.07) محصول گروه NeuroDimension استفاده شده است.
در واقع یکی از مهمترین قسمتهاي طراحی پرسپترون چند لایه بهینه کردن تعداد لایههاي مخفی و تعداد نرونهاي آنها است. اگر تعداد نرونها در لایه مخفی کمتر از تعداد بهینه باشد، شبکه قادر به یافتن حداقل خطاي کلی نیست و همچنین نمیتواند قانون حاکم بر دادهها را به خوبی بیاموزد. از طرفی اگر تعداد نرونها بیشتر از تعداد بهینه باشد، شبکه دچار بیش-آموزش میشود. با توجه به تعداد نرونهاي لایه ورودي و لایه خروجی، پیچیدگی مسأله و حجم مجموعه دادهها طراح می-تواند با آزمون و خطا تعداد بهینه لایههاي مخفی و تعداد نرونهاي آنها را بیابد. بعد از یافتن معماري مناسب شبکه طراح باید توابع فعالیت، الگوریتم و نرخ آموزش مناسب و دستههاي داده مناسب براي آموزش، تست و تایید را انتخاب نماید.
الگوریتم پس انتشار در واقع به دنبال یافتن حداقل خطاي کلی است، بنابراین تکرار مرحله آموزش با وزنهاي اولیه متفاوت میتواند شانس رسیدن به این هدف را بیشتر سازد. همچنین ایجاد تغییرات مناسب در پارامترهاي شبکه و تغییر در ترتیب دادههاي ورودي میتواند به این هدف کمک کند. البته باید یادآور شد که حداقل خطاي کلی باید براي هر دو مرحله آموزش و تایید حاصل شود.
براي ساخت یک مدل شبکه عصبی و استفاده از آن بایستی مراحل زیر را طی کرد:
- مشخص نمودن معماري شبکه: در این مرحله تعداد لایهها و گرههاي شبکه، نوع شبکه و توابع فعالیـت انتخـاب مـی-گردد.
- آموزش شبکه :(Training) آموزش فرآیندي است که به وسیله آن شبکه عصبی خود را براي یک محرك سازگار میکند؛ به نحوي که بعد از تعدیل مناسب پارامترهاي شبکه، پاسخ مطلوب را ارائه دهد. در واقع در فرآیند آموزش، اصلاح مقادیر وزنهاي شبکه براي نمونههاي متعدد صورت میگیرد. اطلاعات مربوط به الگوهاي مورد نظر به عنوان دادههاي آموزشی براي چندین مرتبه به شبکه نشان داده میشوند و شبکه در جریان فرآیند یادگیري براي هـر دسـته الگوي آموزشی، مقدار وزنهاي خود را اصلاح میکند. چون وروديهاي شبکه و خروجیهاي متنـاظر بـا آنهـا از قبل مشخص میباشند، پاسخ خروجی شبکه با خروجی مطلوب مقایسه میگردد. حال اگر خروجی شبکه با خروجی
