پیوندهای مفید
آمار
| تعداد نشریات | 8 |
| تعداد شمارهها | 437 |
| تعداد مقالات | 5,647 |
| تعداد مشاهده مقاله | 7,643,644 |
| تعداد دریافت فایل اصل مقاله | 6,319,549 |
بررسی طبقهبندی نوع خاک با استفاده از منطق فازی بر اساس استاندارد 2800 | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 20، دوره 54، شماره 10، دی 1401، صفحه 4035-4052 اصل مقاله (2.17 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2022.20281.7389 | ||
| نویسندگان | ||
| هاله مشگین قلم؛ مهرداد امامی تبریزی* ؛ محمدرضا چناقلو | ||
| دانشکده مهندسی عمران و مرکز تحقیقات زلزله دانشگاه صنعتی سهند، تبریز، ایران | ||
| چکیده | ||
| طبقهبندی نوع زمین ساختگاه به منظور طراحی ساختمانها در برابر زلزله تابعی از وضعیت لایههای خاکی و سنگی زمین منطقه است که مطابق آییننامههای معتبر مربوطه، خود تابعی از پارامترهای مکانیکی و دینامیکی خاک میباشد. به طوری که این پارامترها بر اساس متوسط سرعت موج برشی، متوسط عدد نفوذ استاندارد و متوسط مقاومت برشی زهکشی نشده در خاکهای چسبنده در لایههای مختلف خاک تا عمق 30 متری از تراز پایه تعیین میگردند. با توجه به عدم قطعیتهای موجود در پارامترهای مذکور و نیز در نظر گرفتن این مسئله که مقادیر این پارامترها در تودهی واقعی با مقادیر حاصل از آزمایشهای آزمایشگاهی به دلیل خطاهای موجود متفاوت است، لذا تعیین دقیق پارامترهای مذکور مستلزم به کارگیری روشهای آماری و احتمالاتی میباشد. با توجه به پیچیدگیهای محاسباتی روشهای آماری و احتمالاتی، در این تحقیق از سیستم استنتاج فازی جهت تصمیمگیری در انتخاب نوع زمین، استفاده گردیده است که قادر به در نظرگیری عدم قطعیتها بدون نیاز به محاسبات پیچیدهی ریاضی میباشد. بدین منظور، پس از تعیین پارامترهای موثر در تعیین نوع خاک، توابع عضویت مثلثی برای آنها انتخاب و در نهایت سیستم استنتاج فازی طراحی میشود. با توجه به نتایج، ملاحظه میشود که مدل پیشنهادی در مرزهای بین دو نوع طبقه متوالی خاک، پاسخ دقیقتری نسبت به استاندارد ارائه میدهد. همچنین زمانی که مقادیر پارامترهای موثر در انتخاب نوع زمین به دور از مرزهای بین طبقات متوالی خاک قرار میگیرند، سیستم استنتاج فازی و استاندارد 2800 جوابهای یکسانی ارائه میدهند. | ||
| کلیدواژهها | ||
| طبقهبندی نوع زمین؛ استاندارد 2800؛ عدم قطعیت؛ روشهای احتمالاتی؛ سیستم استنتاج فازی (FIS) | ||
| موضوعات | ||
| مکانیک خاک و پی | ||
| عنوان مقاله [English] | ||
| Fuzzy classification of soils based on Iranian standard of 2800 | ||
| نویسندگان [English] | ||
| Haleh Meshginghalam؛ Mehrdad EMAMI Tabrizi؛ Mohammad Reza Chenaghlou | ||
| Ph.D. Candidate, Civil Engineering Faculty, Sahand University of Technology (SUT), Tabriz | ||
| چکیده [English] | ||
| Soil classification is a function of a region’s geological conditions, which according to the Iranian earthquake standard of 2800, it is consequently a function of average shear wave velocity, as well as average SPT blow count, and average undrained shear strength of cohesive soils in different layers for up to 30 meters depth. Boundaries of these geotechnical parameters are often defined as different crisp values in the earthquake design codes. Because of the uncertainties in the mentioned parameters and also the difference between values of these parameters in the real material and values obtained from the experimental tests for the determination of these parameters, statistical and probabilistic methods is needed. Due to the computational complexity of statistical and probabilistic methods, in this research, a fuzzy inference system has been used for the decision of the classification of soil type, which can consider uncertainties without the need for complex mathematical calculations. For this purpose, after defining the effective parameters for determining the soil type, triangular membership functions were selected for them, and finally, a fuzzy inference system was designed. According to the results, the proposed model provides more accuracy than the standard in the boundaries between two successive soil classes. Also, when the values of the parameters are far from the boundaries between successive soil classes, the fuzzy inference system and the standard provide the same answers. | ||
| کلیدواژهها [English] | ||
| Soil classification, Iranian Standard of 2800, Uncertainty, Statistical and Probabilistic methods, Fuzzy Inference System | ||
| مراجع | ||
|
[1] Iranian Code of Practice for Seismic Resistant Design of Buildings, Standard no. 2800, Fourth edition. [2] U.B. Code, International building code, International Code Council, USA, (1997). [3] P. Bisch, E. Carvalho, H. Degee, P. Fajfar, M. Fardis, P. Franchin, M. Kreslin, A. Pecker, P. Pinto, A. Plumier, Eurocode 8: seismic design of buildings worked examples, Luxembourg: Publications Office of the European Union, (2012). [4] S. Qasim, I. Harahap, Geotechnical uncertainties and reliability theory applications, Int. J. Eng. Res. Technol, 1(6) (2012) 1-8. [5] W. Gong, L. Wang, S. Khoshnevisan, C.H. Juang, H. Huang, J. Zhang, Robust geotechnical design of earth slopes using fuzzy sets, Journal of Geotechnical and Geoenvironmental Engineering, 141(1) (2015) 04014084. [6] S. Miro, M. König, D. Hartmann, T. Schanz, A probabilistic analysis of subsoil parameters uncertainty impacts on tunnel-induced ground movements with a back-analysis study, Computers and Geotechnics, 68 (2015) 38-53. [7] Y. Honjo, Challenges in geotechnical reliability based design, Geotechnical Safety and Risk. ISGSR 2011, (2011) 11-28. [8] J.T. Christian, C.C. Ladd, G.B. Baecher, Reliability applied to slope stability analysis, Journal of Geotechnical Engineering, 120(12) (1994) 2180-2207. [9] M. Oberguggenberger, W. Fellin, The fuzziness and sensitivity of failure probabilities, in: Analyzing uncertainty in civil engineering, Springer, 2005, pp. 33-49. [10] T.J. Ross, Fuzzy logic with engineering applications, Wiley Online Library, 2004. [11] T. Fetz, M. Oberguggenberger, J. Jager, D. Koll, G. Krenn, H. Lessmann, R.F. Stark, Fuzzy models in geotechnical engineering and construction management, Computer‐Aided Civil and Infrastructure Engineering, 14(2) (1999) 93-106. [12] M.A. Grima, P. Bruines, P. Verhoef, Modeling tunnel boring machine performance by neuro-fuzzy methods, Tunnelling and underground space technology, 15(3) (2000) 259-269. [13] M. Rahman, J. Wang, Fuzzy neural network models for liquefaction prediction, Soil dynamics and earthquake engineering, 22(8) (2002) 685-694. [14] P. Provenzano, S. Ferlisi, A. Musso, Interpretation of a model footing response through an adaptive neural fuzzy inference system, Computers and Geotechnics, 31(3) (2004) 251-266. [15] M. Meydani, G. Habibaghai, S. Katebi, An aggregated fuzzy reliability index for slope stability analysis, (2004). [16] C. Kayadelen, O. Günaydın, M. Fener, A. Demir, A. Özvan, Modeling of the angle of shearing resistance of soils using soft computing systems, Expert Systems with Applications, 36(9) (2009) 11814-11826. [17] J.K. Hamidi, K. Shahriar, B. Rezai, H. Bejari, Application of fuzzy set theory to rock engineering classification systems: an illustration of the rock mass excavability index, Rock mechanics and rock engineering, 43(3) (2010) 335-350. [18] P. Bhargavi, S. Jyothi, Soil classification by generating fuzzy rules, International Journal on Computer Science and Engineering, 2(08) (2010) 2571-2576. [19] U. MAJTS, S. Dinesh, Fuzzy modeling for contaminated soil parameters, Int J Fuzzy Syst Adv Appl, 1 (2014) 66-73. [20] M.H. Jokar, S. Mirasi, Using adaptive neuro-fuzzy inference system for modeling unsaturated soils shear strength, Soft Computing, 22(13) (2018) 4493-4510. [21] M.M. Hasheminejad, N. Sohankar, A. Hajiannia, Predicting the collapsibility potential of unsaturated soils using adaptive neural fuzzy inference system and particle swarm optimization, Scientia Iranica, 25(6) (2018) 2980-2996. [22] D. Toksoz, I. Yilmaz, A fuzzy prediction approach for swell potential of soils, Arabian Journal of Geosciences, 12(23) (2019) 1-10. [23] A. Sujatha, L. Govindaraju, N. Shivakumar, V. Devaraj, Fuzzy Expert System for Engineering Classification of Soils, in: Geotechnical Characterization and Modelling, Springer, 2020, pp. 85-101. [24] Y. Liu, H.H. Zhang, Y. Wu, Hard or soft classification? large-margin unified machines, Journal of the American Statistical Association, 106(493) (2011) 166-177. [25] J. Clive, M.A. Woodbury, I.C. Siegler, Fuzzy and crisp set-theoretic-based classification of health and disease, Journal of Medical Systems, 7(4) (1983) 317-332. [26] G. Metternicht, Categorical fuzziness: a comparison between crisp and fuzzy class boundary modelling for mapping salt-affected soils using Landsat TM data and a classification based on anion ratios, Ecological Modelling, 168(3) (2003) 371-389. [27] J. Jara, R. Acevedo-Crespo, Crisp classifiers vs. fuzzy classifiers: A statistical study, in: International Conference on Adaptive and Natural Computing Algorithms, Springer, 2009, pp. 440-447. [28] E. Onieva, P. Lopez-Garcia, A. Masegosa, E. Osaba, A. Perallos, A comparative study on the performance of evolutionary fuzzy and crisp rule based classification methods in congestion prediction, Transportation Research Procedia, 14 (2016) 4458-4467. [29] M.R. Chenaghlou, A.A. Hamed, 03.30: Connection classification for a space structure jointing system, ce/papers, 1(2-3) (2017) 746-755. [30] E. Muchai, L. Odongo, J. Kahiri, Comparison of Crisp and Fuzzy Classification Trees Using Chi-Squared ImpurityMeasure on Simulated Data. [31] G. Klir, B. Yuan, Fuzzy sets and fuzzy logic, Prentice hall New Jersey, 1995. [32] K. Ishihara, A.M. Ansal, Dynamic behaviour of soils soil amplification and soil structure interaction. Final report, (1982). [33] N. Hasancebi, R. Ulusay, Empirical correlations between shear wave velocity and penetration resistance for ground shaking assessments, Bulletin of Engineering Geology and the Environment, 66(2) (2007) 203-213. [34] Ü. Dikmen, Statistical correlations of shear wave velocity and penetration resistance for soils, Journal of Geophysics and Engineering, 6(1) (2009) 61-72. | ||
|
آمار تعداد مشاهده مقاله: 847 تعداد دریافت فایل اصل مقاله: 1,267 |
||