بخشی از مقاله
خلاصه
تعیین ضریب نفوذپذیري خاکها جهت استفاده در طراحی سازه ها، علی الخصوص سازه هاي آبی حائز اهمیت می باشد. براي تعیین آزمایشگاهی ضریب نفوذپذیري خاك هاي ریز دانه، معمولا از آزمایش نفوذپذیري با هد متغیر استفاد ه می گرددکه بدلیل پایین بودن ضریب نفوذپذیري خاکهاي ریزدانه، این آزمایش زمان بر بوده و همچنین امکان بروز خطا در روند انجام آزمایش محتمل می باشد.
در این تحقیق با استفاده از شبکه عصبی مصنوعی پروسپترون که از پرکاربرد ترین انواع شبکه هاي عصبی در مسائل ژئوتکنیکی است و با استفاده از پارامتر - هاي - دانه بندي خاك - اندازه ذرات - اقدام به تخمین ضریب نفوذ پذیري خاکهاي ریز دانه شده است.
نتایج تحقیق در محدوده اطلاعات آزمایشگاهی موجود بیانگر این است که می توان با استفاده از پارامترهاي مختلف مربوط به دانه بندي خاك و با دقتی بسیار خوب اقدام به پیش بینی ضریب نفوذپذیري خاك هاي ریز دانه نمود، که این امر نشان گر قدرت یادگیري و تعمیم شبکه عصبی بوده و می توان به عنوان یک روش مناسب جایگزینی براي سایر روش هاي تعیین ضریب نفوذپذیري خاك هاي ریز دانه گردد.
.1 مقدمه
خاك یکی از اصلی ترین مصالح مورد استفاده در در طرحهاي عمران بوده و در بسیاري از پروژهها سازه ها بر روي خاك قرار گرفته و در برخی سازهها، مانند سدهاي خاکی، مصالح اصلی تشکیلدهنده سازه از خاك تشکیل شده است. از این رو شناخت مشخصات و ویژگیهاي خاك در مهندسی عمران از اهمیت زیادي برخوردار میباشد. از طرفی با توجه به اینکه خاك یک مخلوط سه فازي غیر یکپارچه متشکل از دانههاي کانیها، مواد آلی، آب و هوا است، رفتار و ویژگیهاي آن وابسته به پارامترهاي مختلفی میباشد.
نفوذ پذیري - تراوایی - خاك یکی از پارامترهاي مهم مورد استفاده در طراحی سازه ها به خصوص سازه هاي آبی - که با خاك نیز در ارتباط میباشند - است. براي تعیین ضریب نفوذپذیري از روشهاي مختلفی نظیر آزمایشات آزمایشگاهی ، آزمایشات صحرائی و همچنین روابط تجربی مختلف استفاده می گردد. در این تحقیق سعی بر آن است که ضریب نفوذپذیري خاکهاي ریز دانه با استفاده از شبکه عصبی مصنوعی که توسط پارامترهاي ساده خاك آموزش داده شده است، پیش بینی گردد.
.2 نفوذ پذیري خاك
همان طور که بیان شد، خاك ترکیبی سه فازي است که شامل قسمتهاي جامد و فضاهاي خالی میباشد که این فضاهاي خالی میتواند داراي هوا و یا آب باشد. در صورتی که خاك در مجاورت آب قرار گیرد، آب میتواند از نقطه اي با انرژي بالاتر به سمت نقطهاي با انرژي پایین حرکت کند، این اختلاف انرژي عمدتا به خاطر انرژي پتانسیلی است که بدلیل موقعیت م کانی یا شرایط داخلی مولکولهاي آب بوجود میآید، در این اختلاف انرژي، انرژي هاي جنبشی به دلیل سرعت کم آب درخاك ناچیز و قابل اغماض می باشد.
تفاوت انرژي پتانسیل آب در نقاط مختلف باعث حرکت دائمی یا ثابت آب در جهت کاهش انرژي است که نسبت این اختلاف انرژي به فاصله، شیب پتانسیل یا نیرویی است که باعث حرکت آب میشود. طبق تعریف به درجه سهولت حرکت یک نوع سیال در داخل یک ماده متخلخل اصطلاحا نفوذپذیري - تراوایی - می گویند. به عبارت دیگر قدرت عبوردهی سیال توسط یک ماده متخلخل نفوذپذیري نامیده میشود که تابعی از خواص ماده متخلخل و خصوصیات سیال میباشد.
ضریب نفوذپذیري برابر مقدار سیالی است که در واحد زمان از واحد سطح عمود بر امتداد جریان، تحت اثر شیب هیدرولیکی وا حد عبور میکند. ضریب نفوذپذیري - ضریب هدایت هیدرولیکی - داراي واحد سرعت بوده و براي جریان آب در خاك، این ضریب وابسته به عوامل متعددي از قبیل:
ویسکوزتیه سیال - آب - ، اندازه و توزیع حفرات، منحنی دانهبندي، نسبت تخلخل، زبري سطح دانهها و اشباع خاك میباشد. در خاکهاي رسدار، ساختار خاك نیز تاثیر زیادي در ضریب نفوذپذیري دارد که برخی از عوامل مهم در این خاکها، تمرکز یونی و ضخامت لایه آبی است که در اطراف ذرات رسی نگه داشته میشود.
.3 شبکه عصبی مصنوعی
.1-3 مفهوم شبکه عصبی مصنوعی
شبکه عصبی مصنوعی یک سامانه پردازشی داده ها است که از مغز انسانفایده گرفته و پردازش داده ها را به عهده پردازندههاي کوچک و بسیار زیادي سپرده که به صورت شبکهاي به هم پیوسته و موازي با یکدیگر رفتار میکنند تا یک مسئله را حل نمایند.
شبکه هاي عصبی مصنوعی با پردازش روي داده هاي تجربی و آزمایشگاهی، دانش یا قانون نهفته در فرآ ي داده ها ر ا آموخته و به ساختار شبکه منتقل می کنند
.2-3 فاکتورهاي اصلی تشکیل دهنده شبکه هاي عصبی مصنوعی
به طور کلی فاکتور اصلی در تعیین مشخصات یک شبکه عصبی که در طراحی و ساخت نیز حائز اهمیت هستند به شرح زیر معرفی می شوند:
• تعداد نرون هاف
• همبندي - توپولوژي - شبکهف
• ضرایب وزنیف
• تابع کنترلف
.3-3 شبکه عصبی پروسپترون چند لایه
یکی از انواع پرکاربرد شبکه عصبی مصنوعی، شبکه پرسپترون چند لایه می باشد. عموما این نوع شبکه متشکل از واحد هاي دریافتی که تشکیل دهنده لایه ورودي می باشند، یک یا چند لایه پنهان در گره هاي محاسباتی و همچنین لایه اي خروجی از گره هاي محاسباتی است.
پرسپترون چند لایه یک شبکه پیشخور می باشد و سیگنال ورودي در درون شبکه رو به جلو انتشار می یابند این دسته از شبکه هاي عصبی عموما به نام پرسپترون چند لایه نامیده می شوند و در حقیقت فرمی تعمیم یافته از پرسپتون هاي تک لایه می باشند. پرسپترون هاي چند لایه به شکلی موفق براي حل مسائل پیچیده و متنوعی به کار رفته اند. این شبکه ها از روند آموزش نظارتی پیروي می کنند و توسط الگوریتم پس انتشار خطا تربیت می شوند.
.4 آزمایشهاي انجام شده
در این تحقیق ابتدا تعدادي نمونه خاك ریز دانه 60 - نمونه - از منابع قرضه مختلف موجود در سطح استان زنجان انتخاب و آزمایشات آزمایشگاهی مورد نیاز بر روي آنها انجام و سپس از نتایج حاصله براي مدل سازي و آموزش شبکه عصبی استفاده گردید.
براي تعیین پارامترهاي مختلف دانه بندي نمونه ها،آزمایش دانه بندي با الک - مطابق با استاندارد - ASTM-D421 و همچنین آزمایش هیدرومتري - مطابق با استاندارد - ASTM-D422 انجام و پارامترهاي مختلفی نظیر P.#4 - درصد رد شده از الک نمره - 4 ، P.#10 ، P.#40 ، P.#200 و - P. 0. 005 درصد ربز تر از 5 میکرون - و P. 0.002 و D30 ، D60 تعیین و محاسبه گردید. همچنینی براي تعیین ضریب نفوذ پذیري نمونه ها، آزمایش نفوذ پذیري با بار افتان انجام گردید.
.5 مدل سازي و تحلیل نتایج
مدلسازي فرایند پیدا کردن مدلی است که بهترین خروجیها را تولید کند.در شبکههاي عصبی براي مدلسازي یک فرآیند، بدون توجه به قانونهاي فیزیکی پیچیده مورد استفاده قرار میگیرد. بنابراین وظیفه مدلسازي با استفاده از شبکه عصبی شامل یافتن بهترین ساختار مدل میباشد. درکنار این موارد، معماري یک شبکه عصبی به منظور رسیدن به یک فعل و انفعال بهتر با سیستم موردنظر باید بهینه شود. متاسفانه تئوري مناسبی براي انتخاب معماري مناسب شبکه عصبی وجود ندارد. بنابراین تعداد نرونها در لایه - لایههاي - مخفی معمولا از طریق سعی و خطا تعیین میشود. اما در سالهاي اخیر نشان داده شده که تنها یک لایه مخفی با تعداد کافی نرون تقریبا میتواند روابط پیچیده را تخمین زند.
.5-1 معماري عمومی مدل ها
همان طور که اشاره ش د مراحل یافتن بهترین شبکه، استفاده از روش آزمون و خطا می باشد به اینصورت که ابتدا شبکههاي متفاوتی از نظر تعداد وروديها، تعداد خروجیها، تعداد نرونهاي لایه پنهان و توابع فعالسازي ایجاد شده و سپس بر اساس شاخص هاي مختلف ارزیابی R - ، MSE و ... - ، بهترین شبکه انتخاب می گردد. براي ساخت شبکه هاي مختلف تعداد ورودي ها از یک تا أ، تعداد خروجی ها برابر با یک و تعداد نرون هاي پنهان تک لایه میانی درنظرگرفته شده از و تا وز قرار داده شد. همچنین جهت مدلسازي توابع فعالسازي سیگموید - logsig - ، خطی - purelin - و تانژانت هیپربولیک - tansig - به کارگرفته شده و در نهایت مدلسازيهاي توسط کدنویسی در نرمافزار متلب Matlab 8. 1.0.604 - R2013a - انجام شده است.
روند کلی به این ترتیب است که ابتدا ورودي و خروجی شبکه تعیین میگردد. سپس بر روي آنها یک پیشپردازش انجام می شود که در این تحقیق همه دادههاي ورودي در بازه [-1,1] میزان شدند. دلیل انجام پیشپردازش این می باشد که اگر متغیرهاي مختلف با مقادیر مختلف به عنوان ورودي به شبکه عصبی داده شوند، از نظر شبکه متغیرهاي با مقادیر بزرگتر داراي اهمیت بیشتري میباشند، در صورتیکه دادههاي ورودي ما از اهمیت یکسانی برخوردار هستند.
البته پس از انجام مدلسازي، بر روي خروجیها نیز باید یک پسپردازش انجام شود تا خروجی ها نیز به حالت اولیه بازگردند. این کار در نرمافزار متلب با استفاده از دستور mapminmax انجام میشود. در مرحله بعد شبکههاي مختلفی از نظر تعداد وروديها، تعداد خروجیها، تعداد نرونهاي لایه پنهان و توابع فعالسازي ایجاد میشود.
توابع فعالسازي که در لایه پنهان مورد استفاده قرار میگیرند، شامل tansig و logsig و توابع فعالسازي لایه خروجی نیز علاوه بر توابع بالا شامل تابع خطی یا purelin میباشد. بنابراین براي هر تعداد مشخص از نرون داخلی، 6 حالت مختلف از لحاظ توابع انتقال 2 - نوع تابع در لایه میانی و 3 نوع تابع در لایه خروجی - و در حالت کلی با درنظر گرفتن محدوده تعداد نرونهاي میانی، 66شبکه - در هر بار مدل سازي - طراحی و مورد آموزش و صحت سنجی قرار گرفتند.
با توجه اینکه که روش آموزش Levenberg – Marquardt بیشترین کاربرد را در آموزش شبکههاي عصبی داشته است، این الگوریتم آموزش جهت مدلسازي در این تحقیق مورد استفاده قرار گرفت. نکته مهم دیگر این است که جهت مقایسه هر چه بهتر مدلها در تمام مدلسازيها وزنهاي اولیه تمام شبکهها اعداد یکسان تصادفی انتخاب شدند. جهت تشخیص بهترین شبکه نیز معیارهاي متفاوتی وجود دارد. که در این تحقیق از شاخصهاي متداولR وMSE استفاده شده است.