بخشی از مقاله
خلاصه
در مهندسی ژئوتکنیک، تعیین پارامترهای مقاومتی خاک نقشی اساسی ایفا میکند. این پارامترها بستگی به ویژگیهای زمینشناسی هر منطقه داشته و با حفر گمانه و انجام آزمایشهای ژئوتکنیک تعیین میشود. در این پژوهش، بر اساس اطلاعات حاصل از گزارشات ژئوتکنیک مهندسی ساختمان در بخشی از شهر اصفهان، از شبکه عصبی-فازی برای تخمین مقادیر چسبندگی و ضریب اصطکاک داخلی خاک استفاده شده است.
نتایج نشان میدهد شبکههای عصبی-فازی توانایی بالایی در تخمین مقادیر مرتبط با مقاومت برشی خاک دارد و می توان از آن برای تخمین مقادیر فوق در نقاط مختلف شهر استفاده نمود. مقادیر حاصل از شبکه عصبی -فازی، میتواند بدون حفر گمانه و انجام آزمایشهای میدانی، تخمین مناسبی از مقادیر چسبندگی و ضریب اصطکاک داخلی خاک به دست دهد.
1. مقدمه
بررسی مشخصات مکانیکی خاک جهت احداث انواع سازه، ضروری میباشد. بدین منظور با کاوشهای محلی و حفر گمانههای متعدد و انجام آزمایشات ژئوتکنیک، پارامترهای مقاومتی خاک تعیین میشوند. دشواری و پرهزینه بودن حفر گمانه در نقاط مختلف از یک سو و عدم قطعیت و خطاهای اندازهگیری به همراه قابلیت اطمینان محدود از سوی دیگر، از مهمترین چالشهای پیشروی مهندسین ژئوتکنیک میباشد. امروزه استفاده از محاسبات نرم به ویژه شبکههای عصبی و شبکههای عصبی-فازی در علوم مختلف رشد چشمگیری داشته است. در مسائل مرتبط با مکانیک خاک نیز به دلیل ماهیت پیچیده رفتار خاک، این ابزارها میتوانند کمک شایانی در حل مسائل داشته باشند.
در این زمینه، در سال 1381، قضاوی و همکاران با استفاده از دادههای 31 گمانه در مسیر متروی اصفهان، جنس خاک لایه ها و پارامترهای ژئوتکنیکی را به کمک شبکههای عصبی مصنوعی با موفقیت پیشبینی کردند .[1] در سال 1386، عربانی و ویسکرمی با بهرهگیری از شبکههای عصبی مصنوعی، چسبندگی زهکشی نشده خاک رس را پیشبینی کردند .[2] آنها از پارامترهای عددSPT ، فشار سربار، دامنه خمیری، حد روانی و درصد رطوبت خاک، به عنوان عوامل موثر در تخمین مقدار چسبندگی زهکشی نشده خاک رس - پارامترهای وروردی در شبکه عصبی - استفاده کردند.
نتایج نشان داد شبکه عصبی در تخمین پارامتر مذکور، بسیار خوب عمل می کند. در سال 2009، کالکان و همکاران از شبکه عصبی مصنوعی و شبکه عصبی-فازی برای تخمین مقاومت فشاری محصور نشده خاک ریزدانه فشرده شده، با موفقیت استفاده کردند . آن ها از درصدهای رس، لای ریز، لای درشت، ماسه ریز، ماسه متوسط، ماسه درشت و شن در 64 نمونه واقعی، به عنوان پارامترهای ورودی و موثر استفاده کردند.
در سال 1389، مدنی اصفهانی و حیدری، با استفاده از شبکههای عصبی مصنوعی، مقادیر چسبندگی و ضریب اصطکاک داخلی خاک رس موجود در مسیر پیشنهادی برای مونوریل کرمانشاه را با موفقیت پیشبینی کردند .[4] آنها پارامترهای دانسیته، شاخص پلاستیسیته و درصد رطوبت را به عنوان پارامترهای موثر و ورودی در شبکه عصبی در نظر گرفتند.
بر اساس نتایج حاصل از 40 نمونه واقعی، مشخص شد شبکه عصبی عملکرد خوبی در تخمین پارامترهای مقاومتی خاک در منطقه مذکور دارد. در سال 1389، جمشیدی و شریفی پور، به کمک شبکه عصبی مصنوعی، مقادیر چسبندگی و ضریب اصطکاک داخلی خاک در استان کرمانشاه را بر اساس 60 نمونه واقعی، تخمین زدند . آنها از پارامترهای وزن مخصوص خشک، دامنه خمیری، درصد عبوری از الک شماره 4، درصد عبوری از الک شماره 200 و عدد نفوذ استاندارد اصلاح شده به عنوان پارامترهای موثر و ورودی در شبکه عصبی استفاده کردند و نتایج بسیار خوبی به دست آوردند.
در سال 1390، اژدری و همکاران مقاومت برشی خاکهای غیراشباع در حالت کرنش صفحهای را به کمک شبکه های عصبی مصنوعی تخمین زدند .[6] آنها از پارامترهای منحنی مشخصه آب-خاک به عنوان پارامترهای موثر و ورودی در شبکه عصبی استفاده کردند. بسالت پور و همکاران در سال 2012 با مقایسه روشهای شبکه عصبی مصنوعی، شبکه های عصبی-فازی و روش رگرسیون چند خطی در تخمین مقاومت برشی خاک و میانگین وزنی قطر دانه های خاک، به این نتیجه رسیدند که روشهای شبکه عصبی و عصبی-فازی، دقت بالاتری دارند
در همین سال، کابالار و همکاران، مقالهای مروری در زمینه بررسی کاربردهای شبکههای عصبی-فازی در ژئوتکنیک منتشر کردند .آنها به عنوان نمونه، مدلسازی رفتار مخلوط ماسه-میکا و همچنین روانگرایی را با استفاده از روش شبکههای عصبی-فازی، بررسی کردند
. در سال 1394، عظیمی فرد و اجلالی از شبکههای عصبی مصنوعی برای پهنه بندی مقاومت خاک در شهر تبریز بهره بردند آنها از چسبندگی، ضریب اصطکاک داخلی، وزن مخصوص مرطوب خاک، عدد SPT و درصد رطوبت خاک به عنوان پارامترهای موثر و ورودی در شبکه عصبی استفاده کردند.
هدف از پژوهش حاضر، ارائه ابزاری سریع و کارآمد، جهت تخمین پارامترهای مقاومتی خاک - چسبندگی و ضریب اصطکاک داخلی - در بخشی از شهر اصفهان میباشد. بدین منظور از داده های حاصل از آزمایشات میدانی و گزارشات ژئوتکنیک موجود، به عنوان دادههای مشاهداتی استفاده میشود. مقادیر فوق برای آموزش شبکه عصبی-فازی استفاده شده و نهایتا میتوان مقادیر چسبندگی و ضریب اصطکاک داخلی خاک در نقاط مختلف شهر اصفهان را بدون حفر گمانه و انجام آزمایشات ژئوتکنیک، به سادگی و با دقت قابل قبولی تخمین زد.
2. مقاومت برشی خاک
خاکها به عنوان یک سیستم پایدار، همواره تحت تاثیر نیروهای خارجی قرار دارند که این نیروها میتوانند طبیعی یا غیرطبیعی باشند. توده خاک تا حد معینی در برابر نیروهای خارجی مقاومت نشان داده و بیش از آن حد، گسیخته میشود. گسیختگی خاک معمولا از نوع برشی است و به حداکثر مقاومتی که خاک در برابر گسیختگی و لغزش در امتداد هر صفحه دلخواه نشان دهد، مقاومت برشی خاک گویند. مقاومت اصطکاکی، متناسب با تنش عمودی وارد بر سطح برش بوده و زاویه اصطکاک بین دانههای خاک موسوم به زاویه اصطکاک داخلی میباشد.
مقاومت اصطکاکی خاک به دلیل اصطکاک بین ذرات، حرکت غلتک مانند بین دانههای مجاور و قفل شدن دانهها در یکدیگر میباشد. بنابراین مقاومت اصطکاکی خاک، بستگی به شکل دانهها و درجه تراکم - چگالی کلی خاک - دارد. مقاومت برشی خاک به صورت مجموع مقاومت ناشی از چسبندگی و اصطکاک بین ذرات خاک بیان میگردد. براساس نظریه گسیختگی موهر -کلمب، در اثر ترکیب بحرانی تنشهای عمودی و برشی، گسیختگی در راستای یک صفحه در جسم اتفاق میافتد. تنش برشی روی صفحه گسیختگی، تابعی از تنش عمودی است که در سال 1776 رابطه 1 توسط کلمب ارائه شد.
که c چسبندگی و زاویه اصطکاک داخلی خاک است. معادله فوق، رابطه یک خط مستقیم موسوم به پوش گسیختگی در مختصات - میباشد که شیب آن نسبت به امتداد افقی، ضریب اصطکاک داخلی و عرض از مبدا آن چسبندگی - c - میباشد
3. شبکه های عصبی-فازی
شبکه های عصبی مصنوعی از مولفههای مهم و اساسی هوش محاسباتی هستند که هر یک به نوعی مغز انسان را الگو قرار دادهاند. شبکههای عصبی مصنوعی با مدلسازی ارتباطات سیناپسی و ساختار نرونی مغز انسان، رویکردی برای پیاده سازی مصنوعی ویژگی های فیزیولوژیک آن است. هرچند که شبکههای عصبی مصنوعی تا مدل واقعی مغز فاصله زیادی دارند، اما توانایی این شبکهها در کشف روابط غیرخطی میان دادههای ورودی و استخراج مدل دینامیک غیرخطی حاکم بر دادهها قابل ملاحظه بوده و در مقایسه با مدلهای مرسوم، این مدلها به ورودیهای کمتر و تلاش محاسباتی اندک نیاز دارند. لذا انتظار میرود شبکههای عصبی مصنوعی با قابلیت تشخیص الگوی سیستم غیرخطی، ابزاری مناسب و مفید در تحلیل سیستمها باشند.
سیستم استنتاج فازی یک فضای ورودی را به یک فضای خروجی نگاشت میدهد. مکانیزم اولیه برای انجام این کار یک سری قوانین "اگر- آنگاه" فازی است. یکی از سیستمهای استنتاج فازی که پایه و اساس سیستمهای انفیس است سیستم تاکاگی-سوگونو-کانگ - TSK - است. جانگ در سال 1993 با ارائه سیستم استنتاج فازی بر پایه شبکه عصبی تطبیقی، این کار را به نحو مناسبی به انجام رساند. این سیستمها امروزه به سیستمهای انفیس معروف هستند.
آموزش این سیستمها به این مفهوم است که با استفاده از دادههای آموزشی، پارامترهای غیرخطی مربوط به توابع عضویت فازی در لایه اول و پارامترهای خطی لایه چهارم طوری تعیین شوند که به ازای هر ورودی دلخواه، خروجی مطلوب حاصل شود. روش آموزش هیبرید یکی از مهمترین روشهای آموزش سیستمهای استنتاج فازی بر پایه شبکه عصبی تطبیقی میباشد. در این روش جهت آموزش در لایه اول از روش پس انتشار خطا و در لایه چهارم از روش تخمین کمترین مربعات استفاده میشود. در این پژوهش، از نرم افزار MATLAB بدین منظور استفاده شده است.
4. مورد مطالعاتی: شهر اصفهان
در این پژوهش، دادههای حاصل از گزارشات ژئوتکنیک ساختمانهای احداث شده در شهر اصفهان، جمع آوری و بررسی شدهاند. در این گزارشها، مقادیر چسبندگی و ضریب اصطکاک خاک در عمق بین 4 تا 10 متر از سطح زمین، در نقاط مختلف شهر، موجود است. محل هر داده بر اساس نقشه Google Earth در شکل 1 مشخص شده است. همچنین مقادیر دادهها پس از حذف نقاط حاشیه شهر، در شکل 2 ارائه شده است.
شکل - 1 محل داده های گزارشات ژئوتکنیک در نقشه شهر اصفهان
شکل -2 اطلاعات نمونه ها در نقاط مختلف شهر، الف - مقادیر چسبندگی و ب - مقادیر ضریب اصطکاک داخلی
