بخشی از مقاله
چکیده
طی چندین سال اخیر، شبکه های عصبی مصنوعی - ANNS - به طور موفقیت آمیزی برای مدل سازی تقریبا همه جوانب مسائل مهندسی ژئوتکنیک استفاده شده اند. ضمن اینکه شبکه های عصبی مصنوعی وعده های بسیاری را عرضه کرده اند، اما ضعف هایی در استخراج دانش، تعمیم دهی و عدم قطعیت دارند، در این تحقیق الگوریتمی جهت مدل سازی و تخمین حداکثر وزن مخصوص خشک خاک تحت نرم افزار MATLAB ، با شبکه عصبی مصنوعی ارائه می شود. شبکه استفاده شده در این تحقیق از نوع پرسپترون چند لایه با پس انتشار خطا می باشد .
شبکه دارای یک لایه ورودی و یک لایه میانی و یک لایه خروجی بوده و تحت تابع تحریک سیگموئیدی کار میکند.لایه ورودی شامل 3 نرون ، لایه میانی شامل 14 نرون ولایه خروجی حاوی یک نرون می باشد. 21 نمونه که قبلا نتایج آزمایشگاهی آنها استخراج شده بود جهت مدل سازی - آموزش ، ارزیابی و تست - شبکه مورد استفاده قرار گرفتند، نمودار تابع خروجی تحت تابع هدف و همچنین مقدار متوسط مربع خطای خروجی - MSE - برابر 0/00032 درصد، و همچنین صحت سنجی داده ها بصورت حداقلی و حداکثری و میانگینی نشان دهنده مورد قبول بودن نتایج حاصل از تخمین شبکه طراحی شده می باشد.
-1 مقدمه
شبکه های عصبی مصنوعی شکلی از هوش مصنوعی می باشند، که در واقع یک نوع الگوبرداری از مغز و شبکه عصبی آدمی می باشند. شبکه های عصبی مصنوعی از نمونه ها و داده های ارائه شده به آن یاد می گیرند تا روابط عملی و دقیق موجود میان داده ها را تسخیر کنند ولو آنکه روابط بین نمونه ها یک رابطه مشخص و تحت یک اصول خاصی نباشد و یا به لحاظ فیزیکی به سختی توضیح داده شوند، این در تناقض با روش های عملی قدیمی و آماری شناخته شده می باشد.
به همین دلیل در سالهای اخیر کاربرد شبکه های عصبی مصنوعی درمدلسازی رفتار پیچیده خاک گسترش زیادی داشته است و تنوع زیاد خصوصیات ژئو تکنیکی خاک نیاز به شبکه های عصبی را دو چندان کرده است . این قابلیت مدلسازی و توانایی یاد گیری از تجربیات، شبکه های عصبی مصنوعی را نسبت به بیشتر روش های مدلسازی قدیمی برتر نموده است، و چون اغلب مسائل با ایجاد فرضیه های خاصی قادر به حل شدن هستند با شبکه های عصبی دیگر نیازی به آن فرضیه ها نیست .
-2 کاربرد شبکه عصبی مصنوعی در مکانیک خاک
1 - 2 مروری بر کار های انجام گرفته
سیستم شبکه عصبی مصنوعی1 در زمینه های مختلف علوم مهندسی کاربرد دارد. معادلات حاکم بر مدل را میتوان با شبکه مصنوعی که برای آنالیز مسائل چند متغیره به کار میرود تعویض کرد . کاربرد شبکه عصبی مصنوعی در مهندسی ژئوتکنیک نسبتا جدید و احتیاج به تحقیقات بیشتری دارد . [1 ] محققان زیادی خواص مکانیکی خاک را بررسی کرده اند و علی رغم این بررسی ها نمی توان ادعا کرد سازو کار رفتاری خاک کاملا شناخته شده است .
به همین سبب روش های متداول کنونی همانند روش های تجربی وریاضی از فرضیه های ساده کننده ای برای حل مسائل چند متغیره ژئوتکنیکی استفاده می کنند . با مروری بر این روش ها می توان استدلال کرد که رفتار پیچیده خاک را نمی توان توصیف کرد . بنابرین ضرورت روشی جایگزین که توانائی در نظر گرفتن تمام پارامتر های موثر را بطور همزمان ، و فدرت تعمیم یاد گیری مستقیم را از داده های تجربی داشته باشد احساس می شود . استفاده از شبکه عصبی مصنوعی به عنوان راه حلی جایگزین در حل بسیاری از مسائل مهندسی ژئوتکنیک در سال های اخیر با موفقیت زیادی همراه بوده است .
Zhu و Wu در سال - 1994 - استفاده از شبکه عصبی چند لایه پرسپترون را برای تحلیل نتایج آزمایش های صحرائی تشریح کرده اند Agraval . [2] در سال - 1994 - مقاومت برشی موثر رس های سیلیتی و مدل رفتاری تنش - کرنش ماسه را با استفاده از شبکه عصبی پیش بینی کرده است Goh . [3] در سال های - 1996-1995 - کاربرد شبکه عصبی را در پیش بینی روان گرائی بررسی کرده است
Hadge و vWilliam در سال - 1979 - کرنش ماسه تحت تنش های سیکلی را با شبکه عصبی بررسی کرده اندPenumadu . [6] و Zhao در سال - 2000 - از شبکه عصبی برای پیش بینی رفتار تنش - کرنش ، شن استفاده کردند
Ellis و همکارانش در سال - 1995 - جهت ارزیابی رفتار تنش - کرنش ، ماسه ها از شبکه عصبی استفاده نمودند Shahin . [ 8] ، Jaksan و Maier در سال - 2001 - بطور کلی کاربرد شبکه های عصبی را در مهندسی ژئوتکنیک مورد بررسی قرار دادند
Attoh- Okine . در سال - 2004 - با شبکه های عصبی به مدلسازی خاک ها به کمک نتایج آزمایشات CBR زدند Romo . [10] و Garcia در سال - 2003 - خصوصیات دینامیکی خاک ها رسی مکزیکوسیتی را با استفاده از ترکیب شبکه های عصبی و منطق فازی مدل کردند
Najjar و Ali در سال - 1999 - با استفاده از شبکه عصبی مصنوعی رفتار تنش - کرنش ماسه نوادا را شبیه سازی کردندAbu Kiefa . [12] در سال - 1998 - با شبکه های عصبی مصنوعی در مورد ظرفیت باربری شمع ها استفاده کرذند.
در مجموع می توان گفت شبکه های عصبی مصنوعی ، ابزاری توانمند برای تحلیل برگشتی در علم ژئوتکنیک و مکانیک خاک هستند . به همین سبب به منظور تحلیل برگشتی هوشمند منابع قرضه براساس نتایج رفتار سنجی ، اطلاعات مورد نیاز از اوراق آزمایشگاهی در قالب 21 داده جمع آوری شده و سپس این اطلاعات برای یافتن ارتباط غیر خطی و پیچیده موجود در بین ورودی های شبکه - اطلاعات قابل اندازه گیری از پروژه توسط آزمایشگاه - وخروجی شبکه - حداکثر وزن مخصوص خشک خاک - 1 با شبکه های عصبی چند لایه بوسیله قانون آموزش پس انتشار خطا بررسی شدند.
2-2 شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی سیستم هایی هستند که قادرند انجام عملیاتی همانند مغز آدمی را به نمایش در آورند . نرون های مصنوعی که جهت ساخت شبکه های عصبی استفاده می شوند در مقایسه با نرون های مغز بسیار ابتدائی هستند وشبکه های عصبی موجود از نظر تعداد نرون ها بسیار بسیار کمتر از نرون های مغز می باشند . پیاده سازی معماری یک کامپیوتر که از مغز انسان تقلید کند اگر غیر ممکن نباشد ، در حال حاضر بسیار دور از دسترس است نرون های مصنوعی در سال 1943 توسط McCulloch و Pitts ابداع شده اند و به همین نام نیز معروفند
اما این نرون ها در مقایسه با نرون های بیولوژیکی از سرعت بسیار بالاتری برخوردارند . این شبکه ها در مواقعی که شناخت صحیح و رابطه مشخصی در مورد مسئله مورد نظر وجود ندارد و تنها نتیجه چندین آزمایش در دسترس می باشد می توانند با پردازش روی این داده های تجربی ، دانش یا قانون نهفته ای در ورای داده ها به ساختار شبکه منتقل نمایند واز آن هنگام برخورد با یک مسئله جدید بهره بگیرند . همانطور که اشاره شد این شبکه ها به مانند شبکه های عصبی طبیعی از اجزائی بنام نرون ها تشکیل شده اند که بسته به ارتباط بین این نرون ها می توانیم انواع مدل های شبکه عصبی مصنوعی را داشته باشیم . یکی از مدل های پر استفاده در مسائل فنی مهندسی ، شبکه پرسپترون چند لایه می باشد که در آن نرون ها در لایه های موازی قرار گرفته اند به طوری که سلول های هر لایه با تمام سلول های لایه های بعدی رابطه دارند . این شبکه ها از یک لایه ورودی ویک لایه خروجی ویک یا چند لایه میانی - لایه مخفی - تشکیل شده اند
زمانی که ورودی های مسئله از طریق لایه ورودی به شبکه داده می شوند ، در وزن اتصال های بین نرون های لایه ورودی ولایه بعد ضرب شده و به سلول های لایه بعدی منتقل می شوند در لایه بعدی تمام ورودی هائی به نرون وارد می شوند با هم جمع می شوند و مقدار ثابتی به نام بایاس به آن اضافه می گردد.
بردار ورودی X - [1'[2'…'[Q - ، ورودی این نرون و بردار : - Z1'Z2'…'ZQ - ، بردار وزن های این نرون هستند . جهت اعمال وزن ها به ورودی ها ، دو بردار W و X در هم ضرب داخلی می شوند ودر نهایت با مقدار ثابت بایاس - b - جمع می شوند واین کاری است که بلوک انجام می دهد:
سپس یک تابع انتقال2 که به آن تابع محرک 3 هم می گویند به خروجی اعمال می شود تا خروجی نهائی نرون - Y - را ایجاد کند
