بخشی از مقاله
خلاصه
مدل شبکههای عصبی مصنوعی - ANN - در سالهای اخیر گسترش قابل توجهی در تحلیل مسائل مختلف مهندسی ژئوتکنیک داشته و توانایی خود را در محدودهی حل مسائل پیچیده به اثبات رسانیده است. این تحقیق تحت نرمافزار Matlab ، جعبه ابزار شبکه عصبی مصنوعی، الگوریتمی جهت مدلسازی و تخمین ضرایب اطمینان پایداری استاتیکی شیروانی سدهای خاکی در حالت پایان مرحله ساخت برای شیبهای بالادست و پایین دست ارائه میدهد. شبکههای استفاده شده در این تحقیق از نوع پرسپترون چند لایه با پس انتشار خطا میباشند. شبکهها دارای یک لایه ورودی یک لایه میانی و یک لایه خروجی بوده و تحت تابع محرک سیگموئیدی کار میکنند. لایه ورودی شامل 11 نرون، لایه میانی شامل 35 نرون و لایه خروجی شامل 1 نرون میباشد. مشخصات هندسی و ژئوتکنیکی 30 نمونه سد خاکی جهت مدلسازی - آموزش، ارزیابی، تست - شبکه مورد استفاده قرار گرفتند. نمودار تابع خروجی تحت تابع هدف و همچنین مقدار متوسط خطای خروجی - MSE - ، که برای شیب بالادست برابر 0/0042 درصد و شیب پایین دست برابر 0/0051 درصد، و همچنین صحتسنجی دادهها بصورت حداقلی و حداکثری و میانگینی نشان دهنده مورد قبول بودن نتایج حاصل از تخمین شبکههای طراحی شده میباشد
.1 مقدمه
یکی از شاخههای کاربردی مهندسی ژئوتکنیک˓ مبحث پایداری شیروانی سدهای خاکی میباشد. هدف از تحلیل پایداری شیروانیها تعیین حداقل ضریب اطمینان شیب شیروانی و مقایسه آن با مقادیر توصیه شده توسط مراجع ذیربط در حالات مختلف بارگذاری است. یکی از زمینههای نسبتاً جدید در زمینشناسی و ژئوتکنیک مربوط به مهندسی سد، استفاده از شبکههای عصبی مصنوعی برای تحلیل پایداری شیروانیها میباشد. شبکههای عصبی مصنوعی که الهام گرفته از ساختار مغز انسان هستند، در سالهای اخیر چه در بُعد توسعه ساختاری و هچ در بُعد پیادهسازی سختافزاری، از نظر کیفی و کمی و توانایی، در حال رشد و پیشرفت هستند و تکنیکهای مختلف محاسبات عصبی از لحاظ تعداد، همچنان در حال افزایش است. به همین دلیل در سالهای اخیر کاربرد شبکههای عصبی مصنوعی در مدلسازی رفتار پیجیده خاک گسترش زیادی داشته است و تنوع زیاد خصوصیات ژئوتکنیکی خاک، نیاز به شبکههای عصبی را دو چندان کرده است. این قابلیت مدلسازی و توانایی یادگیری از تجربیات، شبکههای عصبی مصنوعی را نسبت به سایر روشهای مدلسازی قدیمی برتر نموده است.
سیستم شبکه عصبی مصنوعی در رشتههای مختلف علوم مهندسی کاربرد دارد. کاربرد شبکه عصبی مصنوعی در مهندسی ژئوتکنیک نسبتا جدید و احتیاج به تحقیقات بیشتری دارد. محققان زیادی پایداری شیروانیهای خاکی را بررسی کردهاند. کاوندا1و همکاران در سال 2010 به بررسی کاربرد شبکه عصبی مصنوعی در بررسی پایداری شیروانیهای فعال پرداختهاند. در این تحقیق به بررسی تعیین موقعیت سطح لغزش، ارزیابی تغییر مکان شیروانیها براساس دادههای سطح آب زیرزمینی و دادههای آب و هوایی و همچنین تعیین سطح آب زیرزمینی بر اساس دادههای آب و هوایی با استفاده از شبکه عصبی مصنوعی پرداخته شده است .[1] یوسف ارزین2 و همکاران در سال 2011 به پیشبینی ضریب اطمینان بحرانی شیبهای مصنوعی در معرض نیروهای زلزله با استفاده از شبکههای عصبی مصنوعی پرداختهاند [2] و همچنین در سال 2012 به پیشبینی ضریب اطمینان بحرانی شیبهای محدود همگن با استفاده از شبکههای عصبی مصنوعی و مدل رگرسیون چندگانه پرداختند .[3]
در این تحقیق قابلیت مدلهای شبکه عصبی مصنوعی در زمینه تعیین ضریب اطمینان در برابر لغزش - پایداری - شیروانیهای سدهای خاکی در حالت بارگذاری پایان مرحله ساخت مورد چالش قرار میگیرد. بدین منظور با جمعآوری نتایج تحلیلهای انجام یافته در این زمینه در سدهای مختلف از ادبیات مسئله و گزارشات مصوب سدسازی ماخوذه از سازمانهای آب منطقهای و با استفاده از پارامترهای ژئوتکنیکی و هندسی نسبت به آموزش، آزمایش و ارزیابی مدلهای مختلف شبکه عصبی مصنوعی با بهره گیری از نرمافزار Matlab پرداخته شده است و در خاتمه مدل مناسب را با استناد به دادههایی که در مرحله ساخت مدل مورد استفاده قرار نگرفتهاند مورد ارزیابی قرار داده و ارائه شده است.
.2 پایان مرحله ساخت
عملیات اجرایی در نزدیکی پنجه یک شیب ممکن است موجب گسیختگی گردد، زیرا مقاومت جانبی کاهش مییابد. گسیختگی شیبها را که ناشی از عملیات اجرایی میباشند به دو بخش تقسیم میشوند. در موقع گودبرداری، تنشهای کل، کاسته شده و فشار آب حفرهای منفی در خاک ایجاد میشود. با گذشت زمان فشارهای آب منفذی مستهلک شده و موجب کاهش تنشهای موثر شده و در نتیجه مقاومت برشی خاک ر اپایین میآورند. اگر قرار باشد گسیختگی به وقوع بپیوندد، بعد از خاتمه عملیات اجرایی اتفاق خواهد افتاد. همچنین خاکی را که روی آن خاکریز میکنند ممکن است اشباع باشد یا نباشد. اگر اشباع باشد، در این صورت در اثر وزن خاکریز و پروسه تراکم، فشارهای آب حفرهای مثبت ایجاد خواهد گردید و در نتیجه تنشهای موثر و مقاومت برشی کاهش مییابند. با گذشت زمان، فشارهای آب حفرهای مثبت مستهلک شده، تنشهای موثر و نیز مقاومت برشی خاک افزایش پیدا میکنند. بنابرین، احتمال دارد گسیختگی شیب در شیبهای خاکریز شده در حین اجرا یا بلافاصله بعد از اجرا به وقوع بپیوندند .[4]
.3 شبکههای عصبی مصنوعی
شبکههای عصبی مصنوعی شبیه سازی شده از سلولهای عصبی مغز انسان هستند. نرونهای مصنوعی که جهت ساخت شبکههای عصبی استفاده میشوند در مقایسه با نرونهای مغز انسان بسیار ابتدایی هستند و شبکههای عصبی موجود از نظر تعداد نرون بسیار بسیار کمتر از نرونهای مغز میباشند .[5] پیادهسازی معماری یک کامپیوتر که از مغز انسان تقلید کند اگر غیر ممکن نباشد در حال حاضر دور از دسترس نیست. نرونهای مصنوعی در سال 1943 توسط مککلاک 1و پیتس2ابداع شدند و به خاطر همین به عنوان نرونهای مککلاک و پیتس نیز معروفند .[6] این شبکهها در مواقعی که شناخت صحیح و رابطه مشخصی در مورد مسئله مورد نظر وجود ندارد و تنها نتیجه چندین آزمایش در دسترس میباشد میتوانند با پردازش روی این دادههای تجربی، دانش یا قانون نهفته در ورای دادهها را به ساختار شبکه منتقل نمایند و از آن هنگام برخورد با یک مسئله جدید بهره بگیرند. همانطور که اشاره شد این شبکهها به مانند شبکههای عصبی طبیعی از اجزایی بنام نرون تشکیل شدهاند که بسته به ارتباط این نرونها میتوانیم انواع مدلهای شبکه عصبی مصنوعی را داشته باشیم. یک نرون را میتوان مانند شکل 1 به فرم ساده ریاضی نیز شبیهسازی کرد. زمانی که ورودیهای مسئله از طریق لایه ورودی به شبکه داده میشوند، در وزن اتصالهای بین نرونهای لایه ورودی و لایه بعد ضرب شده و به سلولهای لایه بعدی منتقل میشوند در لایه بعدی تمام ورودیهایی که به نرون وارد میشوند باهم جمع میشوند و مقدار ثابتی به نام بایاس به آنها اضافه میگردد.
یکی از مدلهای پر استفاده در مسائل فنی و مهندسی، شبکه پرسپترون چند لایه - MLP - 3 میباشد و یکی از شبکههای معروف پرسپترون چند لایهای شبکه عصبی پیش خور - Feed forward - 4 میباشد. این شبکهها از یک لایه ورودی، یک لایه خروجی و یک یا چند لایه میانی - لایه پنهان - تشکیل میشوند. نرونها در لایه ورودی، ورودی را از محیط خارجی دریافت میکنند. این لایه هیچگونه محاسباتی را انجام نمیدهد. لایه پنهان که دادهها را از لایه ورودی دریافت میکند، محاسبات را اجرا کرده و خروجیها را برای لایه خروجی فراهم میکند .[6] لایه خروجی شامل نرونهایی است که خروجی سیستم را به کاربر در محیط خارجی انتقال میدهد. تابع محرک در این شبکهها اغلب از نوع تابع سیگموئیدی میباشد که در شکل2 نشان داده شده است .[6] برای دادههای آموزشی مفروض، متشکل از بردارهای ورودی- خروجی، مقدار وزن سیناپسی در یک شبکه پرسپترون چندلایه برای تقریب تابع هدف بوسیله الگوریتم یادگیری مکررا به روز رسانی میشوند. این فرایند به روز رسانی توسط الگوریتم پس انتشار خطا5 انجام میشود .[7] الگوریتم یادگیری پس انتشار خطا شایعترین الگوریتمی است که در شبکههای عصبی مصنوعی استفاده میشود و در زمینه مهندسی ژئوتکنیک برای مدل کردن پدیدههای مختلف با موفقیت بکار میرود .[8] این الگوریتم به حافظه مورد نیاز کمتری نسبت به سایر الگوریتمها نیاز دارد
