پیش بینی رفتار تنش_کرنش مصالح شنی با استفاده از شبکه های عصبی مصنوعی

در این پژوهش رفتار مکانیکی مصالح درشت دانه شنی با استفاده از شبکه عصبی چند لایه پرسپترون، که از پرکاربردترین شبکه های عصبی مصنوعی در مسائل ژئوتکنیکی است، شبیه سازی شده است. ابتدا اطلاعات دقیقی از آزمون های منابع مختلف در سراسر کشور تهیه و عوامل موثر بر مقاومت برشی خاک های درشت دانه بررسی شده است. پس از حذف اطلاعات نادرست، روند یادگیری، آزمایش و پیش بینی شبکه طی شده است. در آموزش شبکه از الگوریتم یادگیری پس انتشار خطا استفاده شده است . پارامترهای استفاده شده در آموزش شبکه شامل خصوصیات دانه بندی، چگالی خشک، چگالی نسبی، درصد سایش لس آنجلس، فشار همه جانبه، کرنش و تنش انحرافی است. برای تعیین چگونگی و مقدار تاثیر ورودی ها بر خروجی مدل، تحلیل حساسیت روی آن ها انجام شده و نتایج به دست آمده با قوانین مکانیک خاک مقایسه شده است. بررسی مدل گویای این واقعیت است که شبکه ارائه شده، توانایی لازم برای پیش بینی رفتار تنش_کرنش خاک های درشت دانه را دارد.

کلیدواژه ها:

Gravelly soil ، stress-strain curve ، artificial neural network ، Multi-layer perceptron ، Sensitivity Analysis ، شبکه عصبی مصنوعی ، خاک های شنی ، منحنی تنش- کرنش ، پرسپترون چندلایه ، تحلیل حساسیت