The Using of Artificial Neural Networks for analysis of geotechnical problems

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 712

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CIVILED01_156

تاریخ نمایه سازی: 20 دی 1394

چکیده مقاله:

The paper presents a discussion of some applications of Artificial Neural Networks (ANNs) in geo- engineering using the analysis of the following six geotechnical problems, related mainly to prediction and classification purposes: 1) prediction of Over consolidation Ratio (OCR), 2) determination of potential soil liquefaction, 3) prediction of foundation settlement, 4) evaluation of piles bearing capacity, 5) prediction of compaction parameters for cohesive soils, 6) compaction control of embankments built of cohesion less soils. The problems presented are based on the applications of the Multi-Layered Perceptron (MLP) neural networks.

کلیدواژه ها:

geotechnical problems ، artificial neural networks (ANNs) ، Multi-Layer Perceptron (MLP) ، Over consolidation Ratio (OCR)

نویسندگان

Nematallah ferdous

MSC candidate in geotechnical engineering, Islamic Azad university branch of yasouj

Khosrow shafie motlagh

lecture, Islamic Azad university branch of Dehdasht

Zoleykha Kazemi

MSC in tectonic, Islamic Azad university branch of shiraz

Seyed sajad mousavi amjad

MSC in structural engineering, university of sistan and balouchestan,

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 :
  • J.B. Burland. Shaft friction of piles in clay - A ...
  • B.S.-Y. Chen, P.W. Mayne. Profiling the OCR of Clays by ...
  • Institute of Technology, Atlanta, 1994. ...
  • A.T.C. Goh. Empirical design in geotechnics using Neural Networks. _ ...
  • A.T.C Goh. A back propagation approach for predicting seismic liquefaction ...
  • K. Kadziotka, Z. Waszczyszyn, M.J. Sulewska. Determi nation of dynamic ...
  • P.U. Kurup, N.K. Dudani. Neural Networks for profiling stress history ...
  • Geotechnical and Geoenviron mental Engineering, 128: 569-579, 2002. ...
  • P.W. Mayne. Determ ination of OCR in clays by PCPT ...
  • Foundations, 31: 65-76, 1991. ...
  • G.G. Meyerhof. Shallow foundations. Journal of the Soil Mechanics and ...
  • diagrams. Journal of Geotech- nical Engineering, 104: 1131-1135, 1978. [11] ...
  • _ bservations for sand. In: Proc. Of the 8-th _ ...
  • Journal of Geotechnical and Geoenvi ronmenta I Engineering, 128: 110-120, ...
  • compaction parameters. Committee Civil Engineering of the Polish Academy of ...
  • PhD Research, Faculty of Civil and Envi ronmental Engineering, Bialystok ...
  • Computers and Geotechnics, 18: 167-187, 1996. ...
  • J.H. Sch mertmann, J.P. Hartman, P.B. Brown. ...
  • Engineering, 19: 11-17, 1986. [13] M.A. Shahin, H.R. Maier, settlement ...
  • M.J. Sulewska. Artificial neural networks in the evaluation of no ...
  • J.P. Sully, R.G. Campanella, P.K. penetration pore pressures. ...
  • Journal of Geotechnical Engineering Division, 114: 209-216, 1988. ...
  • M.T. Tumay, P.U. Kurup, G.Z. ...
  • penetration tests. In: Proc. of the International Symposium on Cone ...
  • S. Haykin. Neural Networks _ Com prehensible Foundations, 2nd edition. ...
  • Computer Assisted Mech. Eng. Sci., 18(4): 265-273, 2011. ...
  • نمایش کامل مراجع