آمار
| تعداد نشریات | 4 |
| تعداد شماره‌ها | 75 |
| تعداد مقالات | 991 |
| تعداد مشاهده مقاله | 894,682 |
| تعداد دریافت فایل اصل مقاله | 689,769 |
تخمین ضریب فشار جانبی ماسه ها با استفاده از آزمایش نفوذ مخروط در محفظه کالیبراسیون و شبکه عصبی مصنوعی | |||||||||||
| نشریه مهندسی عمران امیرکبیر | |||||||||||
| مقاله 7، دوره 49، شماره 1، بهار 1396، صفحه 61-70 | |||||||||||
| نوع مقاله: مقاله پژوهشی | |||||||||||
| شناسه دیجیتال (DOI): 10.22060/ceej.2016.8601.4417 | |||||||||||
| نویسندگان | |||||||||||
محمدمهدی احمدی  1؛ نوید بشارت2
| |||||||||||
| 1Azadi Ave, Dept of Civil Eng | |||||||||||
| 2Narmak | |||||||||||
| چکیده | |||||||||||
| تعیین دقیق و مناسب پارامترهای خاک همواره در طراحی‌های ژئوتکنیکی مورد توجه بوده است. پیش بینی دقیق پارامترهای تاثیرگذار ماسه از آزمایشات برجا نظیر (CPT)، یکی از چالشی‌ترین مسایل در مهندسی ژئوتکنیک است. در این تحقیق با استفاده از نتایج آزمایش کالیبراسیون نفوذ مخروط که در دانشگاه‌ها و موسسات معتبر انجام شده‌اند و همچنین سیستمی متشکل از سه نوع شبکه عصبی مصنوعی، پارامتر ضریب فشار جانبی ماسه در حالت سکون(K0) برای انواع مختلف ماسه‌های موجود در پایگاه داده جمع‌آوری شده، به طور نسبتا دقیقی پیش بینی شده است. در این سیستم مجموعه‌ای از شبکه‌های عصبی به طور سری وظایفی انجام می‌دهند و در نهایت با ترکیب مناسب این شبکه‌ها، سیستم قادر خواهد بود که پارامتر(K0) را با دقت مناسب برای خاک‌های ماسه‌ای مورد بررسی در پایگاه داده، پیش‌بینی نماید. در این روش از شبکه عصبی خودسازمانده (SOM) برای خوشه‌بندی مناسب داده‌ها، از شبکه عصبی احتمالاتی (PNN) برای کلاسه‌بندی ماسه و در نهایت از شبکه عصبی چندلایه با الگوریتم پس انتشار(BP) برای مدل نهایی، استفاده می‌گردد. جزییات ایجاد و به کارگیری چنین سیستمی در مقاله شرح داده شده و همچنین در پایان، نتایج بدست آمده از این سیستم با نتایج سایر محققین مقایسه گردیده است. | |||||||||||
| کلیدواژه ها | |||||||||||
| ضریب فشار جانبی ماسه در حالت سکون(K0)"؛ "آزمایش نفوذ مخروط؛ محفظه کالیبراسیون"؛ " شبکه عصبی خودسازمانده"؛ "شبکه عصبی احتمالاتی" | |||||||||||
| موضوعات | |||||||||||
| کاربرد شبکه عصبی در ژئو تکنیک | |||||||||||
| عنوان مقاله [English] | |||||||||||
| Determination of coefficient of lateral pressure of sandy soil at rest using results of calibration of cone penetration test and artificial neural network | |||||||||||
| نویسندگان [English] | |||||||||||
| Mohammad Mehdi Ahmadi, Navid Besharat | |||||||||||
| چکیده [English] | |||||||||||
| The estimation of soil parameters in geotechnical practice is always an important step. Accurate prediction of sands parameters from insitu tests such as CPT is one of the most challenging problems in geotechnical engineering. In this study, using a series of reliable CPT calibration chamber test data and a system consisting of three types of neural networks, the coefficient of lateral pressure of sandy soil at rest (K0) is predicted while it has good agreement with measured data gathered in database. In this system, a series of neural networks perform some tasks and finally by strategically combining of networks, the system will be able to predict parameter (K0) with reasonable accuracy. The proposed system uses Self Organizing Map (SOM) for clustering data into training, testing and validating sets and probabilistic neural networks for classifying of sands and back propagation neural networks for conclusive function approximation. Details on the development of such a system are described in the present paper and finally results obtained by this system are compared to the available relations suggested by other researchers. | |||||||||||
| کلیدواژه ها [English] | |||||||||||
| "Coefficient of lateral pressure of sandy soil at rest", "Cone Penetration Test", "Calibration Chamber", "Self-Organizing Map (SOM)", "Probabilistic Neural Network (PNN)" | |||||||||||
| مراجع | |||||||||||
|
| |||||||||||
|
آمار تعداد مشاهده مقاله: 227 |
|||||||||||
