جلد 16، شماره 3 - ( پائیز 1401 )                   جلد 16 شماره 3 صفحات 41-16 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Fathollahy M, Rahimi menbar H, shoaei G. Prediction of shear strength parameters of Bandar Abbas soils using artificial neural network. Journal of Engineering Geology 2022; 16 (3) :16-41
URL: http://jeg.khu.ac.ir/article-1-3093-fa.html
فتح اللهی محمد، رحیمی منبر حبیب، شعاعی غلامرضا. پیش‌بینی پارامتر‌های مقاومت برشی خاک‌های بندرعباس با استفاده از شبکه عصبی مصنوعی. نشریه زمین شناسی مهندسی. 1401; 16 (3) :16-41

URL: http://jeg.khu.ac.ir/article-1-3093-fa.html

پیش‌بینی پارامتر‌های مقاومت برشی خاک‌های بندرعباس با استفاده از شبکه عصبی مصنوعی
محمد فتح اللهی 1، حبیب رحیمی منبر2 ، غلامرضا شعاعی2
1- دانشگاه کردستان ، m.fathollahy@uok.ac.ir
2- دانشگاه تربیت مدرس
چکیده:   (1339 مشاهده)
پارامترهای مقاومت برشی، پارامترهای مهمی برای ارزیابی پایداری سازه‌های مهندسی هستند که محاسبه آن‌ها با روش‌های مرسوم نیازمند هزینه و زمان زیادی می‌باشد. در این پژوهش با استفاده از آزمایش‌های اولیه‌ ژئوتکنیک مانند دانه‌بندی، حدود آتربرگ و آزمایش تک‌محوره و به کارگیری هوش مصنوعی، بدون انجام تست‌های پیچیده‌تر، زاویه اصطکاک داخلی و چسبندگی خاک محاسبه شد. به این منظور از نمونه‌های دست‌نخورده از ۱۴ گمانه در بندرعباس که بر روی آن‌ها آزمایش‌های اولیه‌ی ژئوتکنیک و برش مستقیم انجام گرفته بود، انتخاب‌ و برای آموزش شبکه‌ی عصبی استفاده شدند. در این پژوهش تعداد ۱۹۵ شبکه در حالت‌های مختلف آموزش داده شد. به منظور دستیابی به بهترین عملکرد، شبکه‌های عصبی پیش‌خور ابتدا در حالت تک لایه و دو لایه با تعداد نورون‌های لایه میانی پایین آموزش داده شدند و تابع TRAIN BR به دلیل بالا بودن نسبت  R (R=0/97) انتخاب و سپس با افزودن لایه‌های میانی به ۳، ۴ و ۵ لایه با تعداد نورون‌های لایه میانی (۵۰، ۴۰، ۳۰، ۲۰ و ۱۰) نورون شبکه‌های عصبی آموزش داده شدند. نتایج نشان داد شبکه‌ی MLP چهار لایه بهترین نتایج را نشان می‌دهد، برای این حالت R آموزش ۱، R تست 0/90 و  R کل 0/98 می‌باشد. در نهایت به منظور صحت‌سنجی شبکه‌ی عصبی، تعداد ۱۵ نمونه انتخاب و پارامترهای ورودی شبکه در حالات بهینه ۲، ۳ و ۴ لایه آموزش داده و خروجی شبکه ارزیابی شد. برای پیش‌بینی چسبندگی، شبکه عصبی در حالت 4 لایه (0/99 =R2)  و برای زاویه اصطکاک، شبکه‌های ۲، ۳ و ۴ لایه (0/99 =R2) بهترین خروجی را داشتند.
 
واژه‌های کلیدی: بندر عباس، پیش‌بینی پارامترهای ژئوتکنیکی، شبکه عصبی
متن کامل [PDF 1296 kb]   (337 دریافت)    
نوع مطالعه: مقاله پژوهشی | موضوع مقاله: زمین شناسی مهندسی
دریافت: 1401/7/18 | پذیرش: 1401/9/20 | انتشار: 1401/9/27
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به نشریه زمین شناسی مهندسی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Engineering Geology

Designed & Developed by : Yektaweb