پیش بینی پاسخ لرزه ای خاک ریزها و سدهای خاکی با شبکه عصبی مصنوعی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 214

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_BESE-7-4_003

تاریخ نمایه سازی: 5 آبان 1400

چکیده مقاله:

مهندسی ژئوتکنیک لرزه ای غالبا به عنوان یک شاخه علمی غیردقیق به حساب می آید، زیرا در طی مراحل طراحی سازه های ژئوتکنیکی با عدم قطعیت های اجتناب ناپذیر و ساده سازی هایی مواجه هستیم که ناچاریم آنها را بپذیریم. بنابراین پیش بینی های نسبتا دقیق با استفاده از تکنیک های محاسبات نرم (SC) پیشرفته می تواند دشواری های کار در روش های حل متعارف را هموار کند. شبکه های عصبی مصنوعی (ANN) یکی از مشهورترین تکنیک های محاسبات نرم است که در زمینه های مختلف علمی و فناوری استفاده می شود. کاربرد این تکنیک در زمینه های کاربردی مهندسی زلزله در سازه ها نیز هم زمان با توسعه آن در سایر زمینه های علمی افزایش یافته است. این مقاله روی کاربرد شبکه عصبی مصنوعی بر روی شبیه سازی پاسخ لرزه ای خاک ریزها و سدهای خاکی متمرکز شده است. پاسخ دینامیکی خاک ریزها و سدهای خاکی با استفاده از روش اجزای محدود و با استفاده از مدل معادل خطی ارزیابی شده است. در پژوهش حاضر، این فرآیند نسبتا زمان بر با پیش بینی های سریع شبکه های عصبی مصنوعی که به طور صحیح آموزش دیده است جایگزین شده است. در اینجا ورودی های مدل شبکه عصبی مصنوعی پارامترهای لرزه ای تحریک های زلزله وارد بر خاک ریز یا سد خاکی بوده و خروجی آن در این پژوهش شتاب افقی حداکثر تاج سد است. بررسی های انجام شده در این پژوهش نشان داد که مدل شبکه عصبی مصنوعی کلی ارائه شده جهت پیش بینی پاسخ لرزه ای خاک ریزها و سدهای خاکی می تواند نسبت به مدل جزئی پیشنهاد شده در پژوهش های پیشین کاربردی تر باشد.

نویسندگان

امین رضایان

دانشکده عمران، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران

محمد داودی

پژوهشکده مهندسی ژئوتکنیک، پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله، تهران، ایران

محمد کاظم جعفری

پژوهشکده مدیریت خطرپذیری و بحران، پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Tsompanakis, Y., Lagros, N., Psarropoulos, P., and Georgopoulos, E. (۲۰۰۹) ...
  • Lagaros, N.D. and Tsompanakis, Y. (eds.) (۲۰۰۶) Intelligent Computational Paradigms ...
  • Papadrakakis, M., Lagaros, N.D., and Tsompanakis, Y. (۱۹۹۸) Structural optimization ...
  • Tsompanakis, Y., Lagaros, N.D., and Stavroulakis, G.E. (۲۰۰۸) Soft computing ...
  • Stavroulakis, G.E., Foutsitzi, G., Hadjigeorgiou, E., Marinova, D., and Baniotopoulos, ...
  • Gonzlez, M.P. and Zapico, J.L. (۲۰۰۸) Seismic damage identification in ...
  • Fang, X. and Luo, H., and Tang, J. (۲۰۰۵) Structural ...
  • Kao, C.Y. and Shih-Lin, H. (۲۰۰۳) Detection of structural damage ...
  • Kallassy, A. (۲۰۰۳) A new neural network for response estimation. ...
  • Chen, Q., Chan, Y.W., and Worden, K. (۲۰۰۳) Structural fault ...
  • Kuz´niar, K. and Waszczyszyn, Z. (۲۰۰۳) Neural simulation of dynamic ...
  • Cardoso, J.B., Almeida, J.R., Dias, J.M., and Coelho, P.G. (۲۰۰۸) ...
  • Chau, K.W. (۲۰۰۷) Reliability and performance-based design by artificial neural ...
  • Chau, K.W. (۲۰۰۷) Application of a PSO-based neural network in ...
  • Wu, C.L. and Chau, K.W. (۲۰۰۶) A flood forecasting neural ...
  • Chouicha, M.A., Siller, T.J., and Charlie, W.A. (۱۹۹۴) An expert-system ...
  • Goh, A.T.C. (۱۹۹۴) Seismic liquefaction potential assessed by neural networks. ...
  • Wang, J. and Rahman, M.S. (۱۹۹۹) A neural network model ...
  • Baziar, M.H. and Nilipour, N. (۲۰۰۳) Evaluation of liquefaction potential ...
  • Hurtado, J.E., Londono, J.M., and Meza, M.A. (۲۰۰۱) On the ...
  • Garcia, S.R., Romo, M.P., and Sarmiento, N. (۲۰۰۲) Modeling ground ...
  • Paolucci, R., Colli, P., and Giacinto, G. (۲۰۰۲) Assessment of ...
  • Garcia, S.R. and Romo, M.P. (۲۰۰۴) Dynamic soil properties identification ...
  • Kerh, T. and Ting, S.B. (۲۰۰۵) Neural network estimation of ...
  • Lin, C.C.J. and Ghaboussi, J. (۲۰۰۱) Generating multiple spectrum compatible ...
  • Seung, C.L. and Sang, W.H. (۲۰۰۲) Neural-network-based models for generating ...
  • Rajasekaran, S. and David, V.K. (۲۰۰۷) MicroARTMAP for pattern recognition ...
  • Ziemianski, L. (۲۰۰۳) Hybrid neural network/ finite-element modelling of wave ...
  • Kerh, T. and Chu, D. (۲۰۰۲) Neural networks approach and ...
  • Ozerdem, M.S., Ustundag, B., and Demirer, R.M. (۲۰۰۶) Self-organized maps ...
  • Psarropoulos, P.N., Tsompanakis, Y., and Karabatsos, Y. (۲۰۰۷) Effects of ...
  • Newmark, N.M. (۱۹۶۵) Effects of earthquakes on dams and embankments. ...
  • Makdisi, F.I. and Seed, H.B. (۱۹۷۸) Simplified procedure for estimating ...
  • EN ۱۹۹۸-۱:۲۰۰۳ (۲۰۰۳) Eurocode ۸: Design of Structures for Earthquake ...
  • EAK ۲۰۰۰ (۲۰۰۰) Greek Seismic Design Code. Greek Ministry of ...
  • Kramer, S.L. (۱۹۹۶) Geotechnical Earthquake Engineering. New Jersey, Prentice Hall ...
  • Dynamic Modelling with QUAKE/W ۲۰۰۷ (۲۰۰۷) User Manual Fourth Edition. ...
  • Haykin, S. (۱۹۹۹) Neural Networks. Prentice Hall, New Jersey, USA ...
  • MacKay, D.J.C. (۱۹۹۲) A practical Bayesian framework for back prop ...
  • Schiffmann, W., Joost, M., and Werner, R. (۱۹۹۳) Optimization of ...
  • Riedmiller, M. and Braun, H. (۱۹۹۳) A direct adaptive method ...
  • Riedmiller, M. (۱۹۹۴) Advanced supervised learning in multi-layer perceptions – ...
  • نمایش کامل مراجع