نشریۀ زمین شناسی مهندسی، جلد هشتم، شمارۀ 2 تابستان 9313

بررسی رفتار مصالح شن دار در بارگذاری زه کشی نشده مونوتونیک با استفاده از شبکههای عصبی
مصنوعی

عطا آقایی آرایی؛ مرکز تحقیقات راه، مسکن و شهرسازی
تاريخ: دريافت 9/8/19 پذيرش 8/4/12چکیده
1268732149348

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

امکان توسعه و به کارگیری شبکه های عصبی مصنوعی در مدل سازی نتایج آزمایش های مونوتونیک سه محوری قطر بزرگ روی انواع مصالح سنگ ریزه ای تیزگوشه، گردگوشه و مصالح شنی با درصدهای مختلف ریزدانه بهکار رفته در بدنۀ سدهای مهم کشور در این مقاله ارائه می شود. در ابتدا قابلیت شبکه های عصبی مصنوعی )ANNs( در مدل سازی منحنی های رفتاری تنش تفاضلی- اضافه فشار آب حفره ای- کرنش محوری بررسی شده است که دلالت بر قابلیت نسبتانسبتاً مناسب مدل در شبیه سازی رفتار مصالح شن دار دارد. بانک اطلاعات به کار رفته در شبکه، شامل 52 گزینه مختلف آزمایش سه محوری کرنش-کنترل تحت شرایط زه کشی نشده است.
برای مسئلۀ مذکور، یک برنامۀ شبکه های عصبی مصنوعی پیش خوراند سه لایه پرسپترون )MLP( در محیط MATLAB7 نوشته شد و شبکۀ بهینه )تعداد لایه های مخفی، تابع تبدیل و نوع آموزش شبکه( به روش سعی و خطا، و با توجه به شاخص های خطا و تطابق با داده های آزمایشگاهی انتخاب شد. پارامترهای ورودی شبکه شامل تنش محدود کننده، دانسیته و درصد رطوبت بهینه، توزیع اندازه دانه ها و نرخ ایجاد کرنش است. نتایج نشان می دهد که ANNs قابلیت بسیار مناسبی در تخمین منحنی های رفتاری یاد شده در همۀ موارد بررسی شده دارد.
در ادامه قابلیت شبکه های عصبی مصنوعی)ANNs( در به دست آوردن حداکثر زاویۀ اصطکاک داخلی و نتاطی از منحنی های رفتاری شامل تنش های تفاضلی حداکثر و پسماند و اضافه فشارهای آب حفره ای در کرنش های نظیر بررسی شد. ضمناً از قابلیت تعمیم شبکۀ عصبی مصنوعی برای بررسی موارد آزمایش نشده مثل اثر تغییرات دانسیته و درصد کوچک تر از mm 2/0 هم بهره گرفته شد.
1981454194726

واژه ها کلیدی: مصالح سنگ ریزه ای ،مونوتونیک، تحکیم یافته زه کشی نشده، سه محوری ،ANN * نویسنده مسئول [email protected]
1701
مقدمه
از مصالح شن دار به طور وسیع به عنوان مصالح ساخت در خاک ریزهای مهندسی و حتی برای حفاظت شالوده ساختمان در برابر رطوبت در مناطق با سطح آب زیرزمینی بالا )در مناطق شمالی کشور( استفاده می شود. از جمله مشکلات موجود در تحلیل رفتار مصالح شنی در کاربری های مذکور، عدم شناخت رفتار و هم چنین مشخص نبودن پارامترهای مقاومتی و تغییرشکلی مصالح با جنس های متفاوت، تحت بارگذاری مونوتونیک با توجه به محدودیت های هزینۀ زیاد انجام آزمایش ها، اندازۀ دانه ها برای وسایل آزمایش، تراکم و درصد ریزدانه است.
1268732149348

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

پارامترهای مقاومتی و تغییرشکلی مصالح سنگ ریزه ای به عوامل مختلفی نظیر دانه بندی، درصد ریزدانه، سطح تنش شرایط زه کشی، سرعت بارگذاری و نسبت تخلخل اولیه بستگی دارد. از این رو، انجام آزمایش روی مصالح شنی و مدل سازی رفتار آن ها، پیش نیاز اساسی برای انجام تحلیل های واقعی و طراحی های اقتصادی سازه های خاک ریزه ای است. تعیین مقاومت برشی برجا کار مشکلی است، بنا بر این تأکید بر اندازه گیری مقاومت آزمایشگاهی نمونه هایی است که مجدداًمجددا بازسازی و متراکم شده است.
از طرفی پارامترهای مقاومتی و تغییرشکلی منظور شده در طراحی ها و آزمایش ها با آن چه که از نتایج کنترل کیفیت به دست می آید، تفاوت چشم گیری با یک دیگر دارند. به طوری که منحنی تنش-کرنش واقعی مصالح سنگ ریزه ای یا دانه ای )رفتار غیرخطی سخت و نرم کرنشی و زون برشی( با رفتار منظور شده در طراحی های معمولی )پلاستیک کامل، بدون در نظر گرفتن رفتار سخت شوندگی و نرم کرنشی( تفاوت های چشم گیری دارند. نکته بعدی تفاوت تنش تفاضلی حداکثر تحت شرایط تراکمی متفاوت است به طوری که مقادیر تفاضلی حداکثر با افزایش تراکم افزایش می یابد. با توجه به میزان تراکم، تغییرات زاویۀ اصصکاک متفاوت است.
)به شرط عدم ایجاد زون برشی در نمونه، با افزایش میزان تراکم، مقادیر زاویۀ اصطکاک افزایش می یابد(. بررسی های انجام شده روی رفتار ماسه Inagi تحت تنش محدودکننده kPa50 در تراکم های مختلف تحت شرایط زه کشی نشده نشان داد که تفاوت های چشم گیری بین تنش تفاضلی حداکثر و پسماند تحت شرایط زه کشی شده و زه کشی نشده وجود دارد ]98[. در کل در تراکم بالا مقادیر تنش تفاضلی حداکثر در حالت زه کشی نشده، خیلی بیش تر از مقادیر تنش تفاضلی پسماند در تراکم پایین است )شکل 9(. متأسفانه اطلاعات زیادی در مورد رفتارهای یاد شده برای مصالح شنی سنگ ریزه ای وجود ندارد.
عده ای از پژوهش گران سعی کرده اند تا پیش بینی رفتار مصالح برای حالت های واقعی انجام دهند ]29[، ]22[. مثلاً با انجام آزمایش سه محوری روی چندین نمونه باا حاداکثر انادازۀ داناهکوچک تر از حالت واقعی، منحنی تنش-کرنش نمونا ه باا انادازۀ واقعای را باه دسات آوردناد.
روش های عددی مختلفی برای مدل سازی عددی رفتار مکانیکی نموناه هاای مصاالح خااکی وسنگ ریزهای به کار گرفته شده است ]5[، ]95[، ]91[، ]20[. هر یک از مدل هاای معرفای شادهمحدودیت هایی دارد و قادر به شبیه سازی کامل رفتار تنش-اضافه فشاار آب حفاره ای-کارنشمحوری مصالح نیستند.
1268732149348

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

در همۀ روش های مدل سازی عددی )روش هاای تحلیلای، روش هاای عاددی پایاه، روشالمان محدود، روش المان مرزی، روش المان مجازا، روش هاای هیبریاد 9، روش هاای عاددیتوسعه یافته و روش های تحلیل کاملاکاملاً توام( سعی می شود مکانیزم ارتباط یک به یاک در مادلبین نتایج ایجاد شاود ]1[، ]90[. گااهی هادی یاافتن رابطاۀ مساتقیم باین پارامترهاای مادل،مکانیزم های فیزیکی و خواص معادل مصالح نیست، که در این مواقع روش هاای یااد شاده دربالا چندان مفید نیستند. یافتن مکانیزم های ارتباط غیر یک به یک را می توان با استفاده از روش شبکه های عصبی مصنوعی انجام داد که در این روش، مکاانیزم هاای تأثیرگاذار، کااملاًکااملا باه هاممرتبط نیستند. هم چنین مدل های حاصل از شبکه های عصبی مصنوعی قابلیات هاای تخماین وتعمیم دارد و به همین دلیل در موضوعات مختلف خاک و پی در سال های اخیر با ه کاار گرفتاهمی شوند ]4[، ]94[. به طورکلی روش شبکه های عصبی مصنوعی روشی متفاوت اساسای بارایمدل سازی رفتار خاک ارائه می دهد و برای ارائۀ منحنای هاای رفتااری ماساه هاا ]3[، ]6[، ]92[، ]93[ و شن ها ]93[، ]96[ به کار گرفته شده است.
-86740960427

متأسفانه اطلاعات موجود در زمینۀ رفتار CU مصالح سانگ ریازه ای و شان دار حاصال ازنمونه های سه محوری بزرگ مقیاس و مدل سازی آن هاا بسایار انادک اسات. از ایان رو، بارایداشتن روشی ساده و قابل اطمینان برای ارائه رفتار تنش تفاضلی-اضاافه فشاار آب حفاره ای-کرنش محوری در آزمایش های سه محوری، روش ANNs بررسی می شود.
1. Hybrid
برنامه آزمايش های مونوتونیک و مشخصات مصالح بررسی شده
بخشی از مشخصات مصالح بررسی شده در ایان تحقیاق در جادول 9 ارائاه شاده اسات. منحنی دانه بندی برای مصالح آزمایش شده در دستگاه سه محاوری بازرگ مقیااس در شاکل 2 ارائه شده است. با توجه به اثرات چشم گیر درصد نموناۀ گذشاته از الاکmm 2/0 بار رفتاارنمونه خصوصاً در زمانی که از 22٪ بیش تر می شود، نتایج همۀ آزمایش هاای مونوتونیاک روینمونه های شن دار آزمایش شده در بخش ژئوتکنیک و هم چناین نتاایج آزماایش روی مصاالحهستۀ سد مسجدسلیمان تحت دو سرعت بارگذاری ارائه شده است کاه در مجماوع نتاایج 55 آزمااایش مونوتونیااک تحاات شاارایط زه کشاای نشااده ارائااه ماای شااود. آزمااایش هااا طبااق
1268732149348

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

اس تاندارد D4464 ASTM ]2[ انج ام ش ده اس ت. مح دودۀ ت نش ه ای محدودکنن ده در آزمایش ها، بر اساس محدوده های تنش فرضی در سدها انتخاب شده است. این نمونه ها باا قطار 20 یا 30 سانتی متر و با ارتفاع40 یا 60 سانتی متر تهیه و آزمایش شادند . جزئیاات سااخت، اشاباعکردن )15%≤B-Value( و تحکیم، روش آزمایش نمونه ها و دستگاه سه محوری قطر بزرگ در مقاله آقایی آرایی و همکاران ]9[ ارائه شده است.
استفاده از شبکه عصبی مصنوعی برای تخمین نتايج آزمايش های مونوتونیکCU
نیاز به مدلی با قابلیت تعمیم و تخماین و عادم کاارآرایی مناساب مادل هاای موجاود درمدل سازی منحنی های تنش تفاضلی-اضاافه فشاار آب حفاره ای در برابار کارنش محاوری درحالت CU سبب شد که شبکه های عصبی مصانوعی بارای مسائلۀ ماورد نظار بارای تخماینمنحنی های رفتاری و هم چنین نقاط مهم این منحنی ها شامل زاویۀ اصاطکاک داخلای حاداکثر،تنش تفاضلی حداکثر و تنش تفاضلی پسماند و اضافه فشار آب حفره ای در کرنش های محوری نظیر بررسی شود.
هم چنین از قابلیت تعمیم و تخمین شابک ۀ عصابی مصانوعی بارای بررسای رفتاار مصاالح باادانسیته های مختلف و اثر توزیع اندازۀ دانه ها بهره گرفته شد.

شبکۀ به کار رفته و بانک اطلاعاتی مدل
تعداد 52 آزمایش مختلف سه محوری کرنش-کنترل مونوتونیک تحت شرایط زه کشی نشده )به غیر از مصالح 20-C.MES( به عنوان بانک اطلاعات در نظار گرفتاه شاد. در ابتادا مقاادیرتنش تفاضلی-کرنش محوری و اضافه فشار آب حفره ای-کارنش محاوری تاا کارنش مرحلاۀ حالت پایدار با تغییرات جزء کرنش 3/0% پردازش و به کاار رفتاه اناد . در ایان پاژوهش بارایشرایط CU یک مجموعه فراگیر از نتایج نقاطی از منحنی های تنش تفاضلی- اضافه فشاار آبحفره ای-کرنش محوری، مشتمل بر 2455 سطر اعداد برای آموزش )85٪(، ارزیاابی )90٪( و آزمایش )5٪( شبکه استفاده شده است. بررسای هاای آزمایشاگاهی نشاان داد کاه مشخصااتتغییرشکلی مصالح شن دار متأثر از تنش محدودکنندۀ مؤثر اولیه، دانسیته، درصد رطوبت بهیناه،توزیع اندازۀ دانه ها، سرعت بارگذاری است. از بانک اطلاعاتی ارائه شده در جدول 2 که شامل پارامترهای ورودی و خروجی مدل ها است استفاده شد. در ایان بررسای ، تانش محدودکننادۀ
1268732149348

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

مؤثر3 ، جزء کرنش در مرحلا ۀ n ( n(، کارنش محاوری )1n (، دانسایته )d (، درصادرطوب ت )w(، درصاد گذشاته از الاک ه ای 2/31، 4/25، 45/4 و 2/0 میل ی مت ر ،سارعت بارگذاری، مقدار فعلی تنش تفاضلی-کرنش محاوری )qn ( و مقادار فعلای اضاافه فشاار آبحفره ای-کرنش محوری )un( به عنوان پارامترهای ورودی در نظر گرفته شد. مدل به کار رفتاهدر این مقاله شامل دو خروجی ساده MLPs است. خروجی های MLPs حالات هاای بعادیتنش تفاضلی-کرنش محاوری )9+qn( و اضاافۀ فشاار آب حفاره ای-کارنش محاوری )9+un( هستند. شبکه برای تخمین منحنی های رفتاری تنش تفاضلی- کارنش محاوری و اضاافه فشاارآب حفره ای- کرنش محوری بهترتیب netq و netu نامیده میشاوند . مرزهاای ورودی هاا وخروجی ها برای netq وnetu در جدول 3 ارائه شده است.
-1045201302766

یک مدل شبکۀ عصبی مصنوعی پیش خوراند سه لایه پرسپترون باا تواباع تحریاک تانژاناتزیگموئید9 برای لایۀ میانی و خطی2 برای لایه خروجی با تعدادی مناسبی نرون در لایه مخفایکه طبق بررسی های هورنیک3 و همکاران ]8[ برای تقریب سازی هر رابطا ۀ غیرخطای مناساباست برای تخمین مقادیر تنش تفاضلی- اضافه فشار آب حفره ای-کرنش محوری نظیر مصالح مختلف نوشته و توسعه داده شد. در نتیجه یک لایۀ مخفی در این بخش از بررسی های به کار
9. Tansig 2. Pureline 3. Hornik
گرفته شد. از برنامه نوشته شده در محیط مت لب9 برای پیاده کردن، آموزش و آزماای ش شابکهاستفاده شد.
آموزش شبکه بهروش الگوریتم )LM(2 انجام گرفات. بارای باه کاارگیری ایان الگاوریتم،روش آموزش استاتیکی مورد توجه قرار گرفت. مثلاً مقادیر حالت تانش آزمایشاگاهی واقعایبه شبکه برای تولید حالتهای تنش بعدی خورانده شادند . در نوشاتن برناماه از تکنیاک هاایمخلوط کردن تصادفی داده ها و نرمال کردن داده های ورودی و خروجای، یعنای تقسایم هماۀ اعداد یک سطر یا ستون را بر حداکثر آن سطر یا ستون و تولید اعدادی بین صفر و یک، بارایجلوگیری از آموزش های غیر معمول و وزن دهی نامناسب استفاده شده اسات . میازان یاادگیریشبکه 09/0 در نظر گرفته شده است.
1268732149348

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

MLPs آموزش داده شده، منحنیهای تنش کرنش را تا سطح کرنش حاداکثر 20% تولیاد میکند. این عمل به آسانی با شروع حالت آزاد تنش-کرنش )

q0 

،1(0)  و

u0 ( و ب هکارگیری MLPs برای تخمین حالت تنش مرحلۀ بعد انجام میشود. ساپس ایان حالات باهشبکه برای تولید دیگر حالت های تنشی و اضاافه فشاار آب حفارهای کاه ورودیهاایی بارایتقریب حالت های جدید تنش و اضافه فشار آب حفرهای هستند، پس خور می شوند.
برای تخمین نقاط مهم منحنی های رفتاری چون تنش تفاضلی حداکثر و پساماند و اضاافهفشارهای آب حفره ای نظیر، از نتایج 52 آزمایش CU مختلف برای آماوزش )85٪(، ارزیاابی)90٪( و آزمایش )5٪( و از شبکه ای با نام netCU استفاده شده است. مادل با هکاار رفتاه دراین مقاله شامل شش ورودی و شش خروجی ساادهMLPs اسات . از باناک اطلاعااتی ارائاهشده در جادول ها ای 4 و 5 اساتفاده شاده اسات کاه باه ترتیاب شاامل پارامترهاای ورودی وخروجی های مدل است.
-645151261490

پارامترهای ورودی مدل شامل تنش محدودکنندۀ ماؤثر، دانسایته، رطوبات بهیناه و درصادگذشته از الک های 4/25، 45/4 و 2/0 میلی متر است. خروجی های MLPs شامل qmax، زاویۀ اصطکاک داخلی/اضافه فشار آب حفره ای در کرنش محوری نظیر ،qresidual و اضاافه فشاار آبحفره ای نظیر هستد. مرزهای ورودی ها و خروجی ها درانتهای جادول هاای 4 و 5 ارائاه شاده است. مشخصات شبکۀ عصبی و روش آموزش مشابه حالت قبل است.
9. MATLAB7 2. Levenberg-Marquardt
1700ارزيابی مدل
1268732149348

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

برای مقایسۀ عمل کرد شبکه ها با نرون هاای میاانی متفااوت، از 5 شااخص خطاا: میاانگینقدرمطلق خطا )MAE(، میانگین خطا )MBE(، مربع میانگین خطا )MSE(، مرباع مجاذورمیانگین خطا (RMSE) و ضریب هم بستگی (IOA) استفاده شده است. انتخاب تابع تحریک و ساختار شبکه ها و تعداد تکرار با سعی و خطا تعیین شد. در قدم اول خطای شبکه ها با تعداد نرون های میانی متفاوت در مقابل مجموعه ارزیابی، برآورد شد که به عناوان نموناه در شاکل 3 الف و ب، به ترتیب شاخص های خطا MSE و IOA در برابر تعداد لایاه هاای مخفای میاانیبرای netCU ارائه شده است. دیده می شود که netCU با 4 نرون میانی، کم ترین میزان خطاارا دارد. شکل 4 کاهش خطا با افزایش تعداد سیکل netCU در محیط MATLAB را نشاانمی دهد. در برنامۀ نوشته شده netCU تعداد تکرار مناسب 200 بار به دست آمد. برای انتخاب دقیق تر شبکه سایر شاخص ها کنترل خطا برای داده های آموزشی و آزمایشی نیز ارزیاابی شاده است. با توجه به عمل کرد شبکۀ مورد نظر در برابر داده های آموزشی، آزمایشای و ارزیاابی، درنهایت شبکه با 4 نرون میانی به علت داشتن قدرت پیش بینی بهتر و میزان خطای کم تر به عناوان
مدل نهایی netCU انتخاب شده است. جدول 6 مقادیر RMSE ،MSE ،MBE ،MAE و IOA برای شبکه netCU با 4 نرون میانی را نشان می دهد. تعداد 99 و 93 مقادیر بهینه نرون در لایۀ مخفی به ترتیب برای شبکه های netu و netq بر اسااس شااخص هاای خطاا اسات و تعداد تکرار برای آموزش شبکه ها 4000 باار باه دسا ت آماد . جادول 4، انادازه گیاری خطاای مدل های netu و netq را برای مقادیر بهینه نرون ارائه می دهد. مقاادیرIOA بارای هار ساهمجموعه برای شبکه ها بیش از 8/0 است که طبق توضیحات اسمیت ]94[، برای IOA بیش از 8/0، مدل ارائه شده قابلیت تخمین بسیار مناساب نتاایج را در محادوده داده هاای موجاود درکاتولوک دارد.
شکل 5 به صورت نمونه مقایسۀ مقادیر حاصل از آزمایش هاا باا مقاادیر حاصال ازANN برای تنش تفاضلی )q ( را نشان می دهد که انطباق نسبتاً خوبی بین نتایج وجود دارد. شاکل 6 و جدول 8 مقایسه نتایج آزمایش ها با نتایج تحلیل ها با شبکه های عصبی netq و netu مصالح ADBS1 در تنش محدودکننده kPa 400، مصالح C.K در تنش محادود کننادهkPa 600 و شده شبکه عصبی از قابلیت نسبت مناسبی در تخمین منحنی های تانش تفاضالی/اضاافه فشاارآب حفرهای در برابر کرنش محوری برخوردار است. شکل 4 مقادیر پارامترهای محاسابه شادهآزمایش های سه محوری را با نتایج حاصل از شبکه عصابی مصانوعی را نشاان مای دهاد کاهانطباق بسیار خوبی بین نتایج وجود دارد. از ایان رو ، پاس از تربیات شابکه باا دادن تعادادیپارامتر به مدل، مقادیر تنش تفاضلی حداکثر و پساماند و اضاافه فشاار آب حفاره ای نظیار باهآسانی محاسبه می شود. ضمناً می توان از قابلیت تعمیم شبکه عصبی در پیش بینی موارد بررسی نشده هم بهره گرفت.
وزن هر یک از نرون هاای مخفای، وزن پارامترهاای خروجای و تاوارش)Bias( آن هاا درجدول 1 به صورت نمونه برای شبکه netq ارائه شده است که از این طریاق مای تاوان فرماولیبرای محاسبۀ نقاطی از منحنی های تنش تفاضلی-اضافه فشار آب حفره ای-کارنش محاوری درشرایط CU، ارائه کرد. برای مسئلۀ مورد نظر رابطۀ بین خروجای و ساایر پارامترهاای ورودیبدین صورت به دست می آید:
1268732149348

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

)9(Output = pureline(w2(tansig(w1*TestDataIn)+b1)+b2) w1 و w2 ماتریس های وزن بهترتیب برای نرون های مخفی لایۀ میانی و خروجای،b1 و b2 ماتریس های وزن به ترتیب برای لایۀ مخفی میانی و توارش)Bias( لایۀ خروجی است.
باید ذکر شود که فرمول بالا تابعی تقریب برای محاسبۀ مقادیر منحنی های تنش تفاضلی- فشار آب حفره ای- کرنش محوری در نقاط بررسی شده است.

نتايج تحلیل حساسیت
چنان که ذکر شد با وجود عمل کرد مناسب روی داده های موجود، مدل هاای شابکۀ عصابیمصنوعی هیچ گونه اطلاعاتی راجع به نحوۀ اثر ورودی ها بر روی خروجی ها ارائه نمی دهناد . از این رو آن ها را به عنوان مدل های دسته جعبه سیاه نام می برناد . باه هماین سابب، بارای تأییادعمل کرد چنین مدل هایی به علاوه دقت اندازه گیری مدل شبکۀ عصبی براساس داده های موجود ،حساسیت ورودی بر مبنای مشتق جزئی مرتبۀ اول بین متغییر خروجی شبکۀ عصابی مصانوعیو پارامترهای ورودی با عبارت ریاضی )مشابه تحلیال رگرسایون( تعریاف مای شاود ]3[، ]4[، ]99[. به همین سبب ،در تحلیلی حساسیت میزان درستی قابلیت تخماین مادل شابکۀ عصابیمصنوعی برای استخراج قوانین حاکم از مدل پیشنهادی برای تأیید دانش ذخیاره شاده امتحاان1702
می شود. با توجه به اثرات چشمگیر دانسایته و درصاد داناه کوچاک تار از mm2/0 بار رفتاار مصالح و عدم بررسی آزمایشگاهی آن ها، این دو پارامتر در ادامه بررسی می شود.
اثر تغییرات دانسیته
با توجه به محدوده داده های موجود، تحلیل حساسیت روی نتایج آزمایش هاایCU روی مصالح با درصدهای مختلف ریزدانه و تنش های محدود کنناده مختلاف از جملاهBAA1 در تنش محدود کننده 900،300 و kPa 400 صاورت گرفتاه اسات . در شاکل 8 نتاایج تحلیالحساسیت اثر دانسیته بر زاویا ۀ اصاطکاک داخلای حاداکثر، تانش تفاضالی-اضاافه فشاار آبحفره ای در کرنش محوری نظیر تنش تفاضلی حداکثر و مقاومات پساماند و هام چناین زاویاۀ اصطکاک داخلی حداکثر و مقایسۀ آن ها با نتایج آزمایش ها نشان داده شاده اسات . ایان نتاایجنشان می دهد که مدل شبکۀ عصبی مصانوعی در تخماین نتاایج قابلیات مناسابی دارد. راساتآزمایی این نتایج، نیاز به انجام آزمایش و داده های بیش تر دارد.
1268732149348

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

در شکل 1 به صورت نمونه روند کلی تغییرات تانش تفاضالی انادازه گیاری شاده در کارنش مح وری نظی ر ت نش تفاض لی ح داکثر و مقاوم ت پس ماند در براب ر دانس یته در ت نش ه ای محدودکننده مختلف برای همۀ مصالح بررسی شده ارائه شده است. به طورکلی روناد تغییاراتتخمین زده شده تنش تفاضلی با دانسیته )شکل 1( با روند تغییارات انادازه گیاری شاده آن هاابه وسیلۀ شبکه های عصبی )شکل 8( هم خوانی دارد.

اثر تغییرات درصد کوچک تر از mm 1/7
با توجه به محدودۀ داده های موجود، تحلیل حساسیت روی نتایج آزمایش هاایCU روی مص الح BAA1 در ت نش مح دود کنن ده 900 و kPa 400 ب ا تمرک ز ب ر تغیی رات درص د کوچک تر از mm 2/0 صورت گرفته است که در شکل 90 نتایج تحلیل حساسیت اثار درصادکوچک تر از mm 2/0 بر تنش تفاضلی-اضافه فشاار آب حفاره ای در کارنش محاوری نظیارتنش تفاضلی حداکثر و مقاومت پسماند و هم چنین زاویۀ اصطکاک داخلی حاداکثر و مقایساهآن ها با نتایج آزمایش ها نشان داده شده است. علت محدود کاردن درصاد کوچاک تار ازmm 2/0 به 34 درصد رعایت نظم حاکم بر دانه بندی است. زیارا حاداکثر درصاد گذشاته از الاک
1727
بزرگ تر از آن یعنی mm 45/4 برابر با 34 درصد است. این نتایج نشان می دهد که مدل شابکهعصبی مصنوعی قابلیت مناسبی در تخمین نتایج دارد.
در شکل 99 روند کلی تنش تفاضلی اناداز ه گیاری شاده در کارنش محاوری نظیار تانشتفاضلی حداکثر و مقاومت پسماند در برابر درصد کوچاک تار ازmm 2/0 در تانش محادودکننده مختلف برای مصالح مورد بررسی ارائه شده است. به طورکلی با افزایش درصد گذشته از اندازۀ mm 2/0 روند کلی تغییرات تنش تفاضلی کاهشای اسات. روناد تغییارات پارامترهاایتخمین زده شده به وسیلۀ شبکه های عصابی بارای پارامترهاای مختلاف )شاکل 90( باا رونادتغییرات اندازه گیری شده آن ها )شکل 99( هم خوانی دارد.
شکل 92 نتایج تحلیال حساسایت اثار درصاد کوچاک تار ازmm 2/0 اضاافه فشاار آبحفره ای در کرنش محوری نظیر تنش تفاضلی حداکثر مصالح BAA1 در تنش محدود کنناده900 و kPa 400 و مقایسۀ آن ها با نتایج آزمایش ها در تانش هاای محدودکننادۀ 200- 900 و kPa 400-600 مصالح مختلف را نشان می دهد.
1268732149348

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

Downloaded from jeg.khu.ac.ir at 11:36 IRST on Saturday October 28th 2017

به نظر می رسد روند اضافه فشار آب حفره ای اندازه گیری شده تا حدی از درصد کوچک تاراز mm 2/0 کاهشی و سپس افزایشی است. از این رو، برای بررسی تغییرات اضافه فشاار آبحفره ای به دانسیتۀ نمونه هم باید توجه داشت.

جمع بندی و نتیجه گیری
بررسی ادبیات فنی نشان می دهد که نتایج موجود در ماورد رفتاار زه کشای نشاده مصاالحشن دار با توجه به تغییرات درصد ریزدانه و میزان تراکم، بسیار اندک اسات . مهام تارین نتاایج مدل سازی آزمایش های CU با استفاده شبکه های عصبی مصنوعی بدین شرح است:
مدل شبکۀ عصبی مصنوعی پیش خوراند سه لایه پرسپترون با توابع تحریک تانژانت زیگموئید برای لایه میانی و خطی برای لایۀ خروجی با تعدادی مناسبی نرون در لایۀ مخفی برای تخمین مقادیر تنش تفاضلی- اضافه فشار حفره ای-کرنش محوری نظیر مصالح شن دار مناسب است.
براساس نتایج ارائه شده، روش ANNs در شبیه سازی و تخمین منحنی های تنش تفاضلی-اضافه فشار آب حفره ای-کرنش محوری مصالح قابلیت مناسبی دارد. هم چنین
نقاط مهم این منحنی ها شامل تنش تفاضلی حداکثر و پسماند و اضافه فشارهای آب حفرهای در کرنش نظیر مورد دارد.
مطابق نتایج مدل سازی با ANN روند مقادیر تنش تفاضلی حداکثر و اضافه فشار آب حفره ای با افزایش دانسیته در مصالح مختلف متفاوت است. مثلاً در مصالح با درصد ریزدانه کم، افزایش دانسیته سبب افزایش تنش تفاضلی حداکثر و کاهش اضافه فشار آب حفره ای میشود که با نتایج آزمایشهای موجود در این پژوهش همخوانی دارد.
براساس نتایج تحلیل حساسیت با ANN، اثر افزایش درصد



قیمت: تومان

دسته بندی : زمین شناسی

دیدگاهتان را بنویسید