بخشی از مقاله
چکیده بررسی پایداری شیروانیها از اهمیت ویژهای برخوردار بوده و اگر به درستی انجام نشود منجر به بروز خسارتهای جبران ناپذیری خواهد شد. روشهای معمول در زمینه تحلیل پایداری شیروانیها، به دلیل محدودیتها و فرضیات ساده کنندهای که در ارتباط با شرایط خاک در نظر میگیرند، تقریب زیادی در نتایج به وجود میآورند. به منظور رفع این نقایص باید از روشهای نوین محاسباتی نظیر شبکههای عصبی، شبیه سازی و ... که توانایی بررسی همزمان متغیرهای موثر را دارند استفاده کرد. در این تحقیق از دو روش شبکههای عصبی مصنوعی و روش شبیه سازی احتمالاتی مونت کارلو برای تعیین ضریب اطمینان پایداری شیب شیروانی استفاده شده است.
در روش شبکه عصبی با مقایسه و بررسی شبکه های مختلف، شبکهای چهار لایه با دو لایه پنهان و ساختار 6-5-15-1 به عنوان شبکه بهینه تعیین شد. به منظور شبیه سازی احتمالاتی پایداری شیروانی نیز از نرم افزار Slide استفاده شد. جهت اعتبارسنجی مدلهای ارائه شده، از دادههای واقعی بیش از 100 شیب خاکی استفاده شد. نتایج تحقیق نشان داد که استفاده از شبکه عصبی مصنوعی برای پیشبینی مقادیر ضریب اطمینان و مشخصات قوس لغزش بحرانی در بررسی پایداری شیروانیها کارآمد بوده و همچنین روش شبیه سازی احتمالاتی در مقایسه با روش قطعی و شبکه عصبی توانایی بررسی اثر ریسک را در پایداری شیروانی دارد. با استفاده از این روش احتمال ریزش برای مواردی با ضریب اطمینان کمتر از یک برابر 11 درصد محاسبه شد.
.1 مقدمه پایداری شیروانی ها به صورت گستردهای در طراحیهای عملیاتی مانند حفاریهای زیرزمینی، سدهای خاکی، زمینها و سدهای سنگریزی شده مورد توجه قرار میگیرد. شکست طبیعی شیروانیها پدیده های پیچیدهای هستند که خطری جدی در بسیاری از کشورها به حساب میآیند. این پدیده هر ساله صدها میلیون دلار خسارت به اموال عمومی و خصوصی وارد میآورد - مرکز مطالعات و برنامه ریزی شهر تهران، . - 1391 در این ارتباط، سازمان زمین شناسی ایالت متحده آمریکا اعلام نموده که این کشور، هر ساله به سبب وقوع ناپایداری و گسیختگی در شیروانیهای واقع در نواحی شهری و بین شهری، متحمل بیش از یک میلیارد دلار خسارت مالی و تقریباً پنجاه نفر کشته میشود Spiker - و Gori، . - 2003 برای جلوگیری و یا کاهش خسارات ناشی از این مسئله نیاز به تجزیه و تحلیل و درک فرایندهای کنترلی بر پایداری دیوارهها می باشد.
گسیختگی شیروانیها ممکن است در شرایط طبیعی و صرفاً تحت تاثیر وزن توده ناپایدار رخ داده و یا ممکن است در اثر عواملی مثل زلزله، بارانهای شدید و طولانی، و یا جریان سیلاب به وقوع بپیوندد. البته در شرایط طبیعی، وجود عواملی دیگر مانند فرسایش بخش هایی از شیروانی بر اثر جریان آب و یا باد، بالا آمدن تدریجی سطح آب زیرزمینی و یا حتی فعالیتهای انسان شامل انواع بارگذاری و باربرداری بر روی شیروانی می تواند ناپایداری آنها را تشدید نماید.
پایداری شیروانیها به دو عامل هندسه شیروانی شامل زاویه شیب - - و ارتفاع شیروانی - - H و مقاومت خاک شامل چسبندگی - - c، زاویه اصطکاک داخلی - - ، فشار آب منفذی - - U8 و وزن مخصوص - - بستگی دارد. Michalowski معتقد است که برای محاسبه پایداری شیب همگن بایستی شش پارامتر چسبندگی، زاویه اصطکاک داخلی، فشار آب منفذی، وزن مخصوص خاک، زاویه شیب شیروانی و ارتفاع شیروانی در نظر گرفته شود.
روش تعادل حدی یکی از روشهای رایج در زمینه تحلیل پایداری شیروانیها میباشد که در زمینههای تحقیقاتی و عملی مانند مهندسی زمین شناسی و مکانیک خاک از آن استفاده میشود مقاطع زمین شناسی پیچیده، نشستها و بارهای خارجی به راحتی در این رابطه در نظر گرفته میشوند Goh - ، . - 1999 یکی از اشکالات همه روشهای تعادل حدی این است که توده خاک ناپایدار به صورت گوههای کوچکتر فرض می شود و در نتیجه ارتباط فرضی بیشتری با جهت نیروی وارد شده بین گوهها بایست در نظر گرفته شود Karni - ، . - 2000 بر این اساس اخیراً پژوهشگران الگوریتمهای محاسباتی زیادی برای حل این مشکل به کار گرفته اند. یکی از این الگوریتمهای هوشمند، شبکه های عصبی مصنوعی است که علاوه بر دقت لازم در طراحی، از سرعت بالا و سهولت کاربرد برخوردار است. در این مقاله به منظور پیش بینی پایداری شیروانیها، با استفاده از یک شبکه عصبی چند لایه پس انتشار خطا مدلی برای پیش بینی پایداری شیروانیها ارائه و نتیجه با روشهای دیگر مقایسه شده است.
.2 شبکه عصبی مصنوعی
شبکههای عصبی مصنوعی، شبکههای محاسباتی هستند که به منظور شبیهسازی شبکه سلولهای عصبی مغز موجودات زنده به کار میروند. یک شبکه عصبی از تعدادی نرون که در لایههای متوالی قرار گرفته اند تشکیل شده است. کار با هر شبکه عصبی شامل سه مرحله آموزش، تعمیم و اجرا میباشد. در مرحله آموزش، شبکه الگوهای موجود در دادههای ورودی را یاد می گیرد. هر شبکه عصبی برای یادگیری از قانون خاصی استفاده میکند. تعمیم، قدرت شبکه عصبی در ایجاد پاسخهای قابل قبول برای ورودیهایی است که عضو مجموعه سری آموزشی نبودهاند. در مرحله اجرا نیز شبکه عصبی برای عملکردی که به آن منظور طراحی گردیده است، استفاده میشود.
در شکل1، یک شبکه ساده با تغذیه پیشرو با m ورودی نشان داده شده است - منهاج، . - 1373 به هر ورودی با یک ضریب وزنی مناسب - - W وزن داده می شود، این وزنها ابتدا به صورت تصادفی مقداردهی و در طول فرآیند یادگیری با کاهش دادن میزان خطای شبکه اصلاح و مقادیر نهایی آنها تعیین می شود. مجموع ورودیهای وزن داده شده و بایاس، ورودی تابع محرک f را تشکیل می دهند. برای ایجاد خروجی مورد نظر میتوان از توابع انتقال مانند تابع Logsig - سیگموئید - و Purelin - خطی - استفاده کرد.
.3 شبیه سازی مونت کارلو
روش مونت کارلو یکی از توانمندترین تکنیکهای مورد استفاده برای تحلیل مسائل پیچیده است Johari - و Javadi، . - 2012 روش مونت کارلو برای تحلیل مسائل پایداری شیب از فرایند زیر تبعیت می کند:
- 1 - انتخاب روش حل تحلیلی قطعی مناسب - 2 - انتخاب پارامترهای ورودی برای مدل سازی احتمالاتی و کمی سازی تغییرات آنها - 3 - نمونهگیری تصادفی برای هر پارامتر از تابع چگالی احتمال - 4 - حل مسأله از روش تحلیلی قطعی با مجموعهی پارامترهای انتخاب شده برای محاسبه تابع عملکرد - 5 - عملیات با تکرار دو مرحله اخیر تا رسیدن به تعداد کافی شبیهسازی ادامه مییابد و با استفاده از مقادیر خروجی، توزیع تابع عملکرد و در نتیجه احتمال لغزش مشخص میگردد.
با توجه به اینکه تابع ضریب اطمینان و به دنبال آن تابع عملکرد در تحلیل پایداری شیروانیها پیچیده است، استفاده از روشهای احتمالاتی تحلیلی دشوار میباشد. هر چند روش شبیه سازی نسبتاً وقت گیر است، اما استفاده از این روش برای کاربران سادهتر است. همچنین لحاظ کردن همبستگی میان پارامترها در شبیه سازی نسبت به روشهای تحلیلی راحتتر است. با توجه به مزایای ذکر شده، در این تحقیق از روش شبیه سازی مونت کارلو استفاده شده است. برای مدل سازی احتمالاتی از نرم افزار Slide استفاده شده که قادر است با دریافت هندسه شیب، پارامترهای متغیر خاک و همچنین سطح پیزومتریک، احتمال لغزش و تابع توزیع ضریب اطمینان را محاسبه کند.
