پیش بینی ظرفیت باربری محوری شمع با استفاده از شبکه عصبی مصنوعی بر مبنای یادگیری دسته جمعی
Abstract(in Persian; no English abstract is available)
زیرا می توان آن را به عنوان یک مدل شمع در نظر گرفت. مقاومت اندازه گیری شده مخروط نفوذ استاندارد qc و مقاومت اندازه گیری شده غلاف اصطکاکی qs به ترتیب برای محاسبه مقاومت اتکایی و مقاومت جداری شمع به کار می روند. استفاده از شبکه عصبی مصنوعی در مدل سازی رفتار شمع به عنوان یک ابزار مکمل در بررسی نتایج به دست آمده از آزمایشات بارگذاری و با استفاده از نتایج آزمایش cpt در طول دهه گذشته مد نظر محققین ژئوتکنیک قرار گرفته است. مدل های گوناگونی از شبکه عصبی مورد بررسی قرار گرفته و نتایج به دست آمده از آنها با یکدیگر مقایسه گردیده است، اما مدلی که قابلیت افزایش دقت پیش بینی نتایج را تا حد مطلوب با استفاده از داده های آموزشی محدود داشته باشد تا کنون معرفی نگردیده است. مدل سازی با استفاده از شبکه عصبی مصنوعی نیازمند در اختیار داشتن مجموعه داده های مناسب می باشد، از اینرو پنجاه و هشت مطالعه موردی روی شمع های با مشخصات متفاوت، شامل آزمایش بارگذاری استاتیکی شمع و داده های آزمایش نفوذ مخروط روی خاک محیط شمع های مورد بررسی، از نقاط مختلف دنیا گردآوری شده است. شبکه عصبی مصنوعی از نوع انتشار برگشتی برای مدل-سازی ظرفیت باربری کلی شمع با استفاده از سطح مقطع موثر شمع، عمق مدفون شمع، مقاومت اندازه گیری شده مخروط نفوذ استاندارد qc و مقاومت اندازه گیری شده غلاف اصطکاکی qs به عنوان ورودی مورد استفاده قرار گرفته اند. برای مرتفع نمودن مشکلات رایج در شبکه های عصبی نظیر بیش پوشش در مدل سازی توابع مختلف، از تکنیک توقف زود هنگام و تایید چندگانه استفاده گردیده است، ضمنا در جهت رفع مشکل اثرگذاری ابعاد پارامتر های ورودی بر خواص شبکه، تکنیک پیش پردازش و پس پردازش داده های ورودی و خروجی شبکه به کار گرفته شده است. در تحقیق حاضر بررسی توصیه های محققین برای ساخت مدل شبکه عصبی مناسب، انتخاب پارامتر های اولیه در ساخت مدل شبکه عصبی را برای کاربر راحتتر و زمان مورد نیاز سعی و خطا در یافتن شبکه بهینه را کاهش داده است. بدلیل اینکه هدف این تحقیق بررسی توانایی مدل شبکه عصبی بوده است صرفا از ورودی هایی استفاده گردیده که روش های سنتی تعیین ظرفیت باربری نظیر اشمرتمن و نوتینگ هام، دو رویتر و برینگن(روش اروپایی) و روش مستقیم از cpt از این پارامتر ها استفاده کرده اند. مقادیر ضریب همبستگی بین نتایج پیش بینی شده و اندازه گیری شده ظرفیت باربری برای این روش های سنتی به ترتیب 2/81، 3/73، 4/65 می باشد، در حالی که برای مدل شبکه عصبی منفرد برابر 88، در مقابل مقادیر 91 و 95 برای نتایج حاصل از شبکه عصبی با یادگیری دسته جمعی است، در نتیجه این نکته مشخص می گردد که این روش موفق تر از شبکه عصبی مصنوعی منفرد در پیش بینی ظرفیت باربری نهایی شمع ها در شرایط مختلف مجموعه داده های آموزشی، عمل کرده و پیش بینی نتایج را با دقت بالاتری انجام می دهد. در مقایسه کارایی روش یادگیری دسته جمعی در پیش بینی مقادیر ظرفیت باربری کلی شمع ها با روش های سنتی تعیین ظرفیت باربری از نتایج آزمایش cpt مشخص می گردد که پیشرفت قابل توجهی در پیش بینی ظرفیت باربری نهایی شمع با استفاده از روش پیشنهادی به دست آمده است. همچنین، برای بررسی توانایی روش پیشنهادی در شرایطی که مجموعه داده کوچکتری در اختیار می باشد، مدل سازی ظرفیت باربری اتکایی سی و یک سری داده شمع، با استفاده از مقاومت اندازه گیری شده مخروط نفوذ استاندارد qc و سطح مقطع موثر به عنوان ورودی و ظرفیت نهایی باربری اتکایی شمع به عنوان خروجی صورت گرفته است. ضمنا جهت مقایسه توانایی مدلی که مستقیما ظرفیت باربری کل را تعیین می کند، نتایج این مدل با حالتی که ظرفیت باربری اتکایی و اصطکاکی به صورت جداگانه از دو مدل شبکه عصبی تعیین می گردند، برای مجموعه داده ای شامل چهل و دو آزمایش بارگذاری شمع مقایسه شده است که نتایج توانایی مدلی که مستقیما ظرفیت باربری کل را پیش بینی می کند، تایید می نمایند. به علاوه سهولت مدل سازی مستقیم ظرفیت باربری کل انتخاب این روش را ارجح بر مدل های مجزا می سازد.
