بخشی از مقاله
خلاصه
شاخص فشردگی - - cc بدست آمده از آزمایش ادومتر برای تخمین نشست تحکیمی رس های اشباع به کار می رود. با توجه به زمان بر بودن آزمایش ادومتر در تخمین - cc - ، استفاده از معادلات تجربی بر پایه ی مشخصه های خاک برای تخمین نشست مفید می باشد. روابط تجربی برای مرتبط ساختن پارامتر - - cc نهشته های رسی با دیگر پارامتر های خاک و همچنین مدل های چند جمله ای جدید به کمک شبکه عصبی برای یافتن این پارامتر ایجاد شدند. شبکه عصبی مصنوعی از مباحث جدیدی است که با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیهسازی هر چه بیشتر کامپیوتر به انسان شکل گرفته است. در سالیان اخیر تحقیقات کاربردی در این زمینه برای مسائلی که برای آنها راه حلی موجود نیست و یا به راحتی قابل حل نیستند، انجام شده است. نتیجه گیری ها نشان از جواب قابل اعتماد مدل های پیشنهادی جدید در مقابل روابط تجربی بود.
کلمات کلیدی: شاخص فشردگی، رس های اشباع، نشست تحکیمی، شبکه عصبی
.1 مقدمه
ظرفیت باربری نشست و طراحی سازهای از مهمترین موارد در مهندسی پی می باشد. نشست که شامل 3 جزء آنی خزش و تحکیمی وابسته به زمان است. مورد آخر یعنی تحکیمی مهمترین نقش را در رس های اشباع ایفا می کند .[1-3 ] چندین محقق نشست را به کمک روش های تحلیلی، آنالیز رگراسیون و روش های ساده سازی پیش بینی کردند .[4] در محاسبات نشست برای خاک رس، شرایط حالت عادی تحکیم یافته - NC - فقط به شاخص تراکم - cc - از آزمایش ادومتر نیاز است. در صورتی که برای حالت بیش تحکیم یافته - OC - ، هم به شاخص فشردگی - - cc و هم به شاخص تراکم مجدد - - cr نیاز است .[5] برای تکمیل نشست خاک های رسی بیش تحکیم یافته در مقابل خاک های عادی تحکیم یافته است. برای نهشته ی رسی عادی تحکیم یافته. نشست ناشی از افزایش بار از معادله ی ذیل بدست می آید. که - e0 - نسبت تخلخل اولیه - C - فشار پیش تحکیمی - - تنش موثر قائم اولیه - V - نمو بار می باشد. از آنجا که آزمایش ادومتر در آزمایشگاه زمان بیشتری نسبت به آزمایش های مشخصات فیزیکی خاک نیاز دارد. تلاش های زیادی برای تخمین - cc - از دیگر آزمایش های ژئوتکنیکی خاک که راحت تر نیز می باشد، انجام گرفته است. بسیاری از محققین مدل های تک پارامتری را برای تخمین شاخص های فشردگی و تراکم مجدد به کار بردند .[6-13] اگر چه بقیه مدل های چند پارامتری را پیشنهاد کردند .[6-8]
.2 مدل سازی با استفاده از شبکه عصبی
شبکه عصبی مصنوعی نامی نوین در علوم مهندسی است که به طور ابتدایی و آغازین در سال 1962 توسط فرانک روزن بلات1 ابداع شد. کارهای اولیه عموماً بر تئوریهای کلی یادگیری، بینایی و شرطی تأکید داشتند و اصلاً به مدلهای مشخص ریاضی عملکرد نرونها اشارهای نداشتند؛ ولی در شکل جدی و تأثیرگذار در سال 1986 توسط رومل هارت و جیمز مکلند با ابداع و ارائه مدل پرسپترون بهبود یافته، به جهان معرفی شد .[14] ایده استفاده از روش شبکه های عصبی مصنوعی خیلی تازه نیست. ولی استفاده کاربردی از آن تقریبا از سال 1946 شروع شد و در تز خود برای پیش بینی وضع هوا از آن - HU - فردی بنام هو استفاده نمود . ولی به دلیل محاسبات و عدم استفاده از کامپیوتر موفقیت چندانی نداشت .
استفاده علمی و گسترده از این روش در علوم مختلف مهندسی از سال 1986 با معرفی روش پس انتشار خطا توسط روملهارت و همکاران سرعت بسیار بالاتری به خود گرفت .[15] شبکه عصبی مصنوعی متشکل از مجموعه ای از نرونها با ارتباطات داخلی بین یکدیگر می باشد که قادر است بر اساس اطلاعات و داده های ورودی، جوابهای خروجی را تهیه نماید . شبکه های عصبی معمولا به صورت لایه لایه و منظم ایجاد می گردند. اولین لایه که اطلاعات و داده های ورودی به آن وارد می گردند لایه ورودی است. لایه های میانی لایه های مخفی و آخرین لایه که جواب های خروجی از مدل را فراهم می نماید لایه خروجی می باشند .[16]
ساده ترین و معمول ترین نوع شبکه عصبی که در بسیاری از علوم مهندسی از جمله تحقیق حاضر استفاده می گردد ، شبکه های عصبی چندلایه پیشخور - MLP - همراه با ناظر که از روش پس انتشار خطا برای آموزش کمک می گیرد، می باشد. در این شبکه تعداد نرونهای لایه ورودی برابر با تعداد عناصر بردار ورودی و تعداد نرونهای لایه خروجی برابر با تعداد عناصر بردار خروجی می باشد. آنالیز دقیق و واقعی برای پیدا کردن تعداد نرونهای لایه میانی در کل بسیار پیچیده است . اما می توان گفت که تعداد نرونهای لایه میانی تابعی از تعداد عناصر برداری ورودی و همچنین حداکثر تعداد نواحی از فضای ورودی که به طور خطی از هم جدا پذیرند می باشد. از این رو تعداد نرونهای لایه مخفی عموما بطور تجربی بدست می آید. هر نرون توسط خروجی اش به نرونهای لایه بعد متصل است، ولی با نرون های لایه خودش ارتباط ندارد . خروجی هر نرون توسط رابطه زیر تعریف میشود :[16
که در این رابطه: w ij مقدار وزن اتصال بین نرون j ام لایه مذکور با نرون i ام لایه قبل است که بیانگر اهمیت ارتباط بین دو نرون در دو لایه متوالی می باشد. b j وزن مربوط به بایاس - - Bias برای نرون j ام، p i مقدار خروجی از نرون i ام لایه قبل، a مقدار خروجی از نرونj ام و f تابع آستانه نرونj ام. توابع زیادی هستند که در انتقال اعداد از لایه قبل به لایه بعد ممکن است مورد استفاده قرار گیرند . از جمله می توان توابع زیگموید ،گوس، تانژانت هیپربولیک و سکانت هیپربولیک را نام برد . ولی تابع زیگموید بیشترین استفاده را در مسائل مهندسی دارد . این تابع به صورت زیر میباشد:
