مطالعه مروری پیش بینی ظرفیت باربری شمع ها با بهره گیری از هوش مصنوعی

سال انتشار: 1405
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 7

فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CUCONF16_046

تاریخ نمایه سازی: 19 مهر 1405

چکیده مقاله:

هدف اصلی این پایان نامه، پیش بینی ظرفیت باربری نهایی استاتیکی شمع های کوبیده شده با انتهای بسته، با استفاده از شبکه های عصبی مصنوعی است. همان طور که می دانیم، بهره گیری از شبکه های عصبی در پیش بینی های ژئوتکنیکی معمولا زمانی امکان پذیر است که داده های آزمایشگاهی کافی در دسترس باشد. در این پژوهش، داده های مورد استفاده از دو نوع آزمایش به دست آمده اند: آزمایش نفوذ مخروط (CPT) و آزمایش بارگذاری استاتیکی شمع. در واقع، در محل هایی که شمع ها اجرا و آزمایش شده اند، آزمایش CPT یا CPTu نیز در همان نقطه یا در نزدیکی آن انجام گرفته است. بر این اساس، تصمیم گرفته شد نتایج این دو آزمایش از طریق شبکه عصبی با یکدیگر مرتبط شوند. در گذشته، پژوهشگران متعددی با بهره گیری از روش های تحلیلی، ریاضی و آماری تلاش کرده اند همین ارتباط را برقرار کنند و در بسیاری موارد نیز به نتایج موفقی دست یافته اند. به طوری که امروزه در بخش های مختلف دنیا، این روش ها به عنوان روش های مرجع برای پیش بینی ظرفیت باربری شمع ها مورد استفاده قرار می گیرند. با این حال، پرسش این است که چرا در این پژوهش بار دیگر تلاش شده ظرفیت باربری نهایی شمع با روشی متفاوت برآورد شود؟ تا کنون حدود پنج روش مختلف بر پایه داده های مستقیم آزمایش CPT و یک روش مبتنی بر داده های آزمایش CPTu برای پیش بینی ظرفیت باربری نهایی شمع ارائه شده است. آخرین روش که در سال ۱۹۹۵ توسط Eslami و Fellenius توسعه یافته، عملکرد بسیار بهتری نسبت به سایر روش ها در پیش بینی ظرفیت باربری نهایی شمع ها داشته است. با وجود این، تحقیقات انجام شده در سایر حوزه های ژئوتکنیک نشان داده اند که هرگاه بانک اطلاعاتی مناسبی فراهم بوده، شبکه های عصبی عملکرد دقیق تر و کارآمدتری نسبت به روش های متداول داشته اند. بنابراین، انگیزه اصلی انتخاب این موضوع برای پایان نامه کارشناسی ارشد، بررسی توانایی شبکه عصبی در پیش بینی ظرفیت باربری نهایی شمع بر اساس داده های آزمایشگاهی موجود بوده است. از سوی دیگر، شبکه های عصبی این مزیت را دارند که با اضافه شدن داده های جدید، به سرعت قابل آموزش مجدد و به روزرسانی هستند. نتایج تحقیق حاضر نیز نشان می دهد که شبکه عصبی طراحی شده، در محدوده اعتبار خود، از نظر سرعت استفاده، دقت پیش بینی و قابلیت به روزرسانی، برتری قابل توجهی نسبت به سایر روش های موجود دارد.

نویسندگان

زهرا شعبانیان

دانشگاه آزاد اسلامی واحد شمال