پیش بینی رفتار تنش-کرنش خاک غیر اشباع با استفاده از شبکه عصبی مصنوعی با حافظه کوتاه مدت بلند (LSTM)

پیش بینی منحنی رفتار مکانیکی خاک با استفاده از تکنیک های هوش مصنوعی امروزه به عنوان یک راهکار مناسب برای کاهش هزینه و زمان در انجام آزمونهای آزمایشگاهی وسیع و بررسی تاثیرات عوامل مختلف بر این منحنیها مورد توجه قرار گرفته است. در تحقیق حاضر با استفاده از شبکه عصبی مصنوعی با حافظه کوتاه مدت بلند (LSTM) به پیش بینی رفتار خاک غیر اشباع پرداخته شده است. برای آموزش شبکه LSTM از نتایج آزمایشهای سه محوری تحکیم یافته زهکشی شده (CD) و سه محوری با مقدار آب ثابت (CW) بر روی خاک رس غیر اشباع استفاده گردید. حدود ۷۰٪ از آزمایشها برای آموزش و %۳۰ آن برای صحت سنجی استفاده شد. منحنی های تغییر تنش انحرافی، تغییر حجم کل نمونه و تغییر حجم آب نمونه بر حسب کرنش محوری مورد بررسی قرار گرفتند. در این تحقیق تعداد واحد پنهان بهینه ۳۰ و طول توالی بهینه ۳۵ تعیین گردید. نتایج این تحقیق نشان میدهد که منحنیهای رفتار مکانیکی پیش بینی شده با استفاده از شبکه LSTM تطابق خوبی با منحنیهای آزمایشگاهی داشته و لذا این روش میتواند برای پیشبینی رفتار مکانیکی خاکهای غیر اشباع مورد استفاده قرار گیرد.

کلیدواژه ها:

خاک غیر اشباع ، مدلهای رفتاری ، شبکه عصبی مصنوعی ، حافظه کوتاه مدت بلند (LSTM)