مدلسازی نشست ریز شمع ها در برابر بار وارده با استفاده از شبکه های عصبی مصنوعی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 482

فایل این مقاله در 9 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:

SGSI18_184

تاریخ نمایه سازی: 22 مهر 1394

چکیده مقاله:

امروزه روشهای متعددی برای بهبود عملکرد خاک در محلهای احداث سازه ابداع گردیده است از جمله این روشها می توان به استفاده از شمعها و ریزشمعها اشاره کرد که به دلیل مناسبتر بودن عملکرد ریزشمعها نسبت به شمعها و همچنین صرفهی اقتصادی استفاده از ریز شمعها در ارجحیت قرار میگیرد. با توجه به اینکه روابط مختلفی در جهت محاسبهی نشست ریزشمعها و ارتباط میزان نشست ریزشمعها با بار وارده ، وجود دارد هرکدام از این روابط به نوبهی خود مشکلاتی داشته و یک رابطهی جامع که همه ی پارامترهای موثر در نشست ریزشمعها را مورد بررسی قرار دهد در دسترس نمیباشد .بنابراین با توجه به آزمایشهای انجام شده بروی ریزشمعها در سایت های مختلف استفاده از یک مدل مناسب که پارامترهای موثر و قابل اندازه گیری در تست های ریزشمع ها را در بر میگیرد میتواند قدم بزرگی در بهبود روشهای محاسبه و طراحی ریزشمعهای موجود در خاک بردارد .در این تحقیق با توجه به اینکه پارامترهای موثر بر نشست ریزشمعها تعداد بالایی دارند و همچنین پیشبینی عملکرد یک پارامتر با تغییر پارامترهای دیگر غیرممکن می باشد از روش شبکههای عصبی برای مدلسازی استفاده شده است و نهایتا با تطبیق یک مدل بروی دادههای حاصل از آزمایش تاثیر پارامترهای موثر بروی یکدیگر بررسی شد به طوری که با این مدل میتوان نتایج قابل اطمینانتری در زمینه ی طراحی و محاسبهی میزان نشست ریزشمعها بدست آورد

نویسندگان

حامد حاجی علی

دانشجوی کارشناسی ارشد دانشگاه اصفهان

محمود هاشمی اصفهانیان

عضو هیات علمی دانشگاه اصفهان

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 :
  • روشن ضمیر، م. ع.، شکرانی، ح، 1382، مهندسی پی، انتشارات ...
  • Armour.T, Groneck. P , Keeley.J and Sharma. S .2000 Micropile ...
  • Zeghal .M..Khogali. W. 2005. Predicting the Resilient Modulus of Unbound ...
  • Shahin. M.A., Jaksa. M.B., Maier. H.R., 2001. Artificial neural network ...
  • Juang. C.H., Jiang. T., Christopher. R.A. 2001. Three-dimens ional site ...
  • Thirumalaia. K. Deo.M.C, 1998. River stage forecasting using artificial neural ...
  • Adeli. H., 2001. Neural networks in civil engineering. C omputer-Aided ...
  • Goh. A.T.C. 1994. Nonlinear modeling in geotechnical engineering using neural ...
  • Chan. W, Chow. Y.K. , 1995. Neural network: an alternative ...
  • Lee. I.M.Lee. J.H..1996. Prediction of pile bearing capacity using artificial ...
  • Abu-Kiefa.M .A. 1998. General regression neural networks for driven piles ...
  • Tiryaki.B .2008. Predicting intact rock strength for mechanical excavation using ...
  • Ocak.I, Evren Seker .S. 2012 Estimation of rock modulus: for ...
  • Ornek. M., Laman. M., Demir. A., Yildiz. A..2012. Prediction of ...
  • Park. H, Rae Lee.S. 201 1. Evaluation of the compression ...
  • Rumelhart. D.E, Hinton. G.E, Willims. R.J. 1986. Learning internal representation ...
  • Ornek.M, Laman.M, Demir. A, Yildiz. A. 2012. Prediction of bearing ...
  • Hagan. M.T., Menhaj. M.B.. 1994. Training fced forward networks with ...
  • Laman. M., Uncuoglu. E. 2009. Prediction of the moment capacity ...
  • Najar. Y., Basheer. I. 1996. A neural network approach for ...
  • Principe. J., Euliano. N., Lefebvre. W. 1999. Neural and Adaptive ...
  • نمایش کامل مراجع