بخشی از مقاله
چکیده
کاربرد شبکههای عصبی مصنوعی در دهه اخیر برای تحلیل انواع مختلف سازههای مهندسی توسعه و پیشرفت فراوان داشته است. نظر به اینکه استفاده از این روش بعنوان یک ابزار قدرتمند مهندسی باعث کاهش قابل توجه زمان تحلیل مسائل پیچیده مهندسی میشود در این تحقیق کاربرد شبکه عصبی مصنوعی برای تحلیل یک مقطع روسازی که شامل چهار لایه رویه آسفالتی ، اساس سنگی، زیراساس سنگی و خاک بستر با مصالح ریزدانه است مورد استفاده و بررسی قرار گرفته است.
از آنجاییکه در روشهای طراحی نوین ، بیشتر تاکید بر تحلیل سازه و محاسبه کرنشهای بحرانی در مقطع روسازی تحت شرایط بارگذاری داده شده است شبکه عصبی معرفی شده به نحوی طراحی شده تا بتواند در مقایسه با تحلیل دقیق سازه روسازی پاسخهایی با حداقل خطای ممکن ارائه دهد. این شبکه با کم کردن تعداد داده های ورودی میتواند بعنوان یک روش تقریبی معرفی شود.
۱-مقدمه
در چند دهه اخیر روشهای متنوعی برای طراحی روسازیهای انعطافپذیر ارائه شده است که از نظر مبانی طراحی با یکدیگر تفاوت دارند. روشهای اولیه طراحی روسازیهای انعطافپذیر بر اساس مبانی تجربی استوار بودند در حالیکه در روشهای نوین جوانب علمی و نظری نیز لحاظ شده است]۱.[گسترش فن آوری و امکانات آزمایشگاهی از یکسو و افزایش توان محاسباتی با استفاده از رایانهها از سوی دیگر باعث شده است تا روشهای سنتی طراحی جایگزین روشهای نوین شوند.
روشهای موسوم به مکانیستیک متکی برنظریه سیستمهای چند لایهای بوده که طراحی با این روش بر اساس تحلیل روسازی و پاسخهای سازه روسازی در برابر بارهای وارده انجام می شود. در اینگونه روشها معمولا دو معیار طراحی در نظر گرفته می شود که عبارتند از کرنش افقی کششی در زیر لایه تثبیت شده روسازی و کرنش فشاری قائم در روی سطح لایه خاک بستر.
این دو پارامتر در حقیقت برای بیان رفتار روسازی در برابر پدیده خستگی و تغییرشکلهای دائمی در نظر گرفته می شوند. روابط پیشنهاد شده برای کنترل مقادیر این پارامترها تعداد تکرارهای مجاز بار ترافیک را برای معیارهای طراحی - خستگی وتغییرشکلهای دائمی - تعیین میکنند]۱.[ از اینرو در تحلیل سازه روسازی تعیین کرنشهای ناشی از بارگذاری در زیر لایه تثبیت شده و همچنین در سطح خاک بستر روسازی موجود از اهمیت ویژهای برخوردارهستند.
نظر به اینکه اکثر روسازیهای انعطاف پذیری که در ایران اجراﺀ می شوند دارای سه لایه متمایز رویه آسفالتی اساس سنگی و زیراساس شنی هستند که بر روی خاک بستر آماده شده قرار دارند در این مقاله نیز یک سیستم مشابه برای تحلیل بر اساس شبکههای عصبی انتخاب شده است.برای آموزش شبکه عصبی نیز از نتایج حاصل از تحلیل روسازی با نرمافزار KENLAYER تحت یک بار گسترده یکنواخت دایرهای شکل استفاده شده است.برای ارزیابی پاسخهای ناشی از تحلیل روسازی با شبکه عصبی نسبت به پاسخهای پاسخهای مبتنی بر تحلیل روسازی بر اساس نظریه سیستمهای چند لایهای نیز همین نرمافزار مورد استفاده قرار گرفتهاست.
۲-تحلیل تنشها وکرنشها در روسازی انعطاف پذیر
در قرن ۹۱ میلادی آقای بوسینسک برای محاسبه مقادیر تنشها، کرنشها که در اثر یک بار نقطه ای متمرکز در یک فضای خاکی نیمه بینهایت بوجود می آیند روابط ریاضی جامعی ارائه نمود]۱.[ نیم قرن پس از بوسینسک آقای برمیستر در سال ۳۴۹۱ میلادی روابط مربوط به تحلیل روسازی بر اساس نظریه سیستمهای سه لایه ای ارائه نمود]۱.[ در تمامی این نظریات فرض برآن است که مصالح هر یک از لایه های روسازی همجنس، همسان و دارای ضخامت معینی هستند و ضخامت خاک بستر روسازی نامحدود در نظر گرفته می شود.
علاوه برآن در این روشهای تحلیلی فرض برآن است که در فصول مشترک بین لایههای روسازی اصطکاک کامل وجود دارد و درضمن خواص رفتاری مصالح روسازی با دو پارامتر ضریب ارتجاعی - E - و ضریب پواسون - - µ مشخص می شوند]۲.[ در عصر حاضر که فناوری ساخت و تولید رایانه گسترش یافته و علوم رایانه نیز پیشرفت زیادی داشته است بسیری از محدودیتهایی که بعلت فرضیات فوقالذکر وجود داشتند حذف شده و نرم افزارهای مختلفی برای محاسبه تنشها، کرنشها و تغییرمکانهای ناشی از بارگذاری یک سیستم چند لایهای روسازی عرضه شدهاند که از جمله میتوان به نرم افزار KENLAYER اشاره نمود. این نرم افزار قادر به تحلیل یک سیستم روسازی تا حداکثر ۹۱ لایه تحت شرایط گوناگون بارگذاری است
در این پژوهش از این نرمافزار برای تحلیل دادهها وآموزش سیستم شبکه عصبی استفاده شده و نتایج بدست آمده از سیستم نیز با پاسخهایی که از تحلیل روسازی با این نرمافزار بدست آمده مقایسه شده اند.
۳-شبکه های عصبی مصنوعی
شبکههای عصبی مصنوعی شامل یک سری عملگرهای محاسباتی هستند که نحوه کار آنها مشابه سیستمهای عصبی بیولوﮊیکی است. در حقیقت کلیه شبکههای عصبی مصنوعی شامل یک سری عناصر محاسباتی ساده هستند که برای انجام محاسبات و سایر وظائف محوله نیاز به حجم اندکی از حافظه دارند. هر شبکه عصبی از یک سری ورودی ، تعدادی لایه پنهان و یک لایه خروجی تشکیل شدهاست.
ورودیهای شبکه پس از ورودبه لایه های پنهان در آنجا مورد پردازش قرارگرفته و پس از خروج ازلایه خروجی، به پاسخ شبکه تبدیل می شوند.در داخل شبکه، دادهها از طریق اتصالات وزنی تبدیل به مقادیر جدیدی شده و سپس بعنوان متغیرهای توابع انتقال بکار برده می شوند.این فرایند در هر لایه از یک شبکه عصبی انجام می شود تا در نهایت خروجی شبکه بدست آید.
این ویژگی به شبکه های عصبی این توانایی را داده است تا بتوانند بر خلاف روشهای معمول محاسباتی که نیازمند به تعریف ضوابط و یا قوانین از پیش تعریف شده هستند، در برخورد با مسائل جدید با صرف زمان کمتری جوابهای قابل قبول بدهند. انواع مختلفی از شبکههای عصبی مصنوعی وجود دارند که هرکدام دارای ویژگیها و قابلیتهای مختص به خود است. بنابراین برای حصول به نتیجه مورد نظر بایستی شبکه عصبی مناسبی انتخاب شود. ضمنا نوع وتعداد داده هایی که برای آموزش شبکه درنظرگرفته می شوند نیز در آموزش صحیح شبکه عصبی اهمیت ویژه دارد.
در این مقاله از نوعی از شبکه عصبی موسوم به انتشار برگشتی - - Back Propagation Neural Networkکه به اختصارBPNN نامیده می شود استفاده شده است. شبکههای BPNN دارای یک لایه ورودی،یک لایه خروجی ویک یا چند لایه پنهان می باشند. لایه یا لایههای پنهان بین لایه های ورودی و خروجی قرار دارند.
در این نوع شبکه ورودیها در مقادیر وزنی ضرب شده و سپس حاصلجمع آنها بعنوان مقادیر متغیر تابع انتقال مورد استفاده قرار می گیرند. مقادیر این متغیرها پس از تاثیرپذیری توسط تابع انتقال تبدیل به خروجی لایه و ورودی لایه بعدی می شود واین فرایند تا لایه خروجی و ایجاد پاسخ شبکه ادامه مییابد. در این مرحله خروجی شبکه با مقدار خروجی متناظر با ورودی شبکه مقایسه شده و تفاوت بین آنها محاسبه می شود.
