جلد 16، شماره 3 - ( پائیز 1401 )
جلد 16 شماره 3 صفحات 41-16 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Fathollahy M, Rahimi menbar H, shoaei G. Prediction of shear strength parameters of Bandar Abbas soils using artificial neural network. Journal of Engineering Geology 2022; 16 (3) :16-41
URL: http://jeg.khu.ac.ir/article-1-3093-fa.html
URL: http://jeg.khu.ac.ir/article-1-3093-fa.html
فتح اللهی محمد، رحیمی منبر حبیب، شعاعی غلامرضا. پیش‌بینی پارامترهای مقاومت برشی خاک‌های بندرعباس با استفاده از شبکه عصبی مصنوعی. نشریه زمین شناسی مهندسی. 1401; 16 (3) :16-41
1- دانشگاه کردستان ، m.fathollahy@uok.ac.ir
2- دانشگاه تربیت مدرس
2- دانشگاه تربیت مدرس
چکیده: (1351 مشاهده)
پارامترهای مقاومت برشی، پارامترهای مهمی برای ارزیابی پایداری سازه‌های مهندسی هستند که محاسبه آن‌ها با روش‌های مرسوم نیازمند هزینه و زمان زیادی می‌باشد. در این پژوهش با استفاده از آزمایش‌های اولیه ژئوتکنیک مانند دانه‌بندی، حدود آتربرگ و آزمایش تک‌محوره و به کارگیری هوش مصنوعی، بدون انجام تست‌های پیچیده‌تر، زاویه اصطکاک داخلی و چسبندگی خاک محاسبه شد. به این منظور از نمونه‌های دست‌نخورده از ۱۴ گمانه در بندرعباس که بر روی آن‌ها آزمایش‌های اولیه‌ی ژئوتکنیک و برش مستقیم انجام گرفته بود، انتخاب و برای آموزش شبکه‌ی عصبی استفاده شدند. در این پژوهش تعداد ۱۹۵ شبکه در حالت‌های مختلف آموزش داده شد. به منظور دستیابی به بهترین عملکرد، شبکه‌های عصبی پیش‌خور ابتدا در حالت تک لایه و دو لایه با تعداد نورون‌های لایه میانی پایین آموزش داده شدند و تابع TRAIN BR به دلیل بالا بودن نسبت R (R=0/97) انتخاب و سپس با افزودن لایه‌های میانی به ۳، ۴ و ۵ لایه با تعداد نورون‌های لایه میانی (۵۰، ۴۰، ۳۰، ۲۰ و ۱۰) نورون شبکه‌های عصبی آموزش داده شدند. نتایج نشان داد شبکه‌ی MLP چهار لایه بهترین نتایج را نشان می‌دهد، برای این حالت R آموزش ۱، R تست 0/90 و R کل 0/98 می‌باشد. در نهایت به منظور صحت‌سنجی شبکه‌ی عصبی، تعداد ۱۵ نمونه انتخاب و پارامترهای ورودی شبکه در حالات بهینه ۲، ۳ و ۴ لایه آموزش داده و خروجی شبکه ارزیابی شد. برای پیش‌بینی چسبندگی، شبکه عصبی در حالت 4 لایه (0/99 =R2) و برای زاویه اصطکاک، شبکه‌های ۲، ۳ و ۴ لایه (0/99 =R2) بهترین خروجی را داشتند.
نوع مطالعه: مقاله پژوهشی |
موضوع مقاله:
زمین شناسی مهندسی
دریافت: 1401/7/18 | پذیرش: 1401/9/20 | انتشار: 1401/9/27
دریافت: 1401/7/18 | پذیرش: 1401/9/20 | انتشار: 1401/9/27
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
