پیشبینی نتایج تست نفوذ استاندارد (SPT) با استفاده از نتایج تست نفوذ مخروط (cpt) و استفاده از شبکه عصبی مصنوعی

تست نفوذ استاندارد (SPT) و تست نفوذ مخروط (CPT) جزو پرکاربردترین تست های میدانی برای برآورد پارامترهای خاک برای تجزیه و تحلیل و طراحی ژئوتکنیکی هستند. پارامترهای متعدد خاک مربوط به مقدار N SPT برای بررسی سایت و طراحی ژئوتکنیکی در مقابل، CPT محبوب تر می شود. همبستگی داده های CPT با مقدار N SPT بسیار سودمند است زیرا بیشتر پارامترهای فیلد مرتبط به مقادیر N SPT هستند. در این مقاله از یک مدل شبکه عصبی مصنوعی پس انتشار (ANN) برای پیش بینی توسعه داده شد N۶۰ - مقدار از داده های CPT استفاده شده است. داده های مورد استفاده در این مطالعه شامل ۱۰۹ جفت CPT-SPT برای ماسه، سیلت شنی و خاک های شنی سیلتی متغیرهای ورودی مدل ANN عبارتند از: مقاومت نوک (CPT (qc ،تنش عمودی موثر ، و اصطکاک آستین (CPT (fs .مجموعه متفاوتی از داده های SPT-CPT برای بررسی قابلیت اطمینان استفاده شد. در مدل ANN توسعه یافته نشان داده شد است که مدل ANN یا مقدار N۶۰ را به میزان ۷-۱۶% کمتر پیش بینی کرده است یا بیش از حد آن را ۷-۲۰% پیش بینی کرد. پس می توان نتیجه گیری کرد که شبکه های عصبی پس انتشار ابزار خوبی برای پیشبینی مقدار N۶۰ را از داده های CPT با دقت قابل قبولی هستند.

کلیدواژه ها:

تست نفوذ استاندارد ، شبکه عصبی مصنوعی ، CPT ، spt