ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Prediction of Tunnelling-Induced Surface Settlement with Artificial Neural Networks, Case Study: Mashhad Subway Tunnel

سال انتشار: 1397
کد COI مقاله: JR_JEG-12-5_005
زبان مقاله: انگلیسیمشاهد این مقاله: 52
فایل این مقاله در 24 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 24 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Prediction of Tunnelling-Induced Surface Settlement with Artificial Neural Networks, Case Study: Mashhad Subway Tunnel

H. Mehrnahad - Assistant Professor, Dept. of civil Engineering, Yazd University, Iran
M. Kholgh Zekrabad - MSc. Of Geotechnical Engineering, Dept. of civil Engineering, Yazd University, Iran.

چکیده مقاله:

In urban areas, it is essential to protect the existing adjacent structures and underground facilities from the damage due to tunneling. In order to minimize the risk, a tunnel engineer needs to be able to make reliable prediction of ground deformations induced by tunneling. Numerous investigations have been conducted in recent years to predict the settlement associated with tunneling; the selection of appropriate method depends on the complexity of the problems. This research intends to develop a method based on Artificial Neural Network (ANN) for the prediction of tunnelling-induced surface settlement. Surface settlements above a tunnel due to tunnel construction are predicted with the help of input variables that have direct physical significance. The data used in running the network models have been obtained from line ۲ of Mashhad subway tunnel project. In order to predict the tunnelling-induced surface settlement, a Multi-Layer Perceptron (MLP) analysis is used. A three-layer, feed-forward, backpropagation neural network, with a topology of ۷-۲۴-۱ was found to be optimum. For optimum ANN architecture, the correlation factor and the minimum of Mean Squared Error are ۰.۹۶۳ and ۲.۴۱E-۰۴, respectively. The results showed that an appropriately trained neural network could reliably predict tunnelling-induced surface settlement.

کلیدواژه ها:

Surface Settlement, Artificial Neural Network, Mashhad Subway Tunnel, Prediction of Settlement.

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1135416/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Mehrnahad, H. و Kholgh Zekrabad, M.,1397,Prediction of Tunnelling-Induced Surface Settlement with Artificial Neural Networks, Case Study: Mashhad Subway Tunnel,,,,,https://civilica.com/doc/1135416

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1397, Mehrnahad, H.؛ M. Kholgh Zekrabad)
برای بار دوم به بعد: (1397, Mehrnahad؛ Kholgh Zekrabad)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 11,811
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی