پایان نامه مدل پیش بینی مکانی ظرفیت باربری خاک با استفاده از شبکه های عصبی مصنوعی ، مطالعه موردی: شهرآذرشهر

پایان نامه برای دریافت درجه ی کارشناسی ارشد «M.Sc»

گرایش : خاک و پی

بهمن 1393

چکیده :

ظرفیت باربری مجاز یا ظرفیت باربری مطمئن عبارت از یک فشار مجازی است که محدوده اطمینانی را در برابر فروریختگی ناشی از گسیختگی برشی تأمین می کند و معمولاً ظرفیت باربری مجاز کسری از ظرفیت باربری نهایی خالص می باشد که باربری نهایی خالص نیز حداکثر تنش فشاری است که خاک می تواند تحمل کند. با این توصیف، مبنای اصلی احداث هر بنای، تعیین دقیق ظرفیت باربری خاک بوده و باید بطور دقیق مشخص گردد. با عنایت به زمان بر و پرهزینه بودن روش های مرسوم(در جا و آزمایشگاهی) برای تعیین ظرفیت باربری خاک، در این تحقیق نشان خواهیم داد که به کمک شبکه های عصبی مصنوعی می توان ظرفیت باربری خاک را در حد قابل قبول و مورد اطمینان، پیش بینی کرد. برای رسیدن به بهترین جواب سه مدل شبکه عصبی مصنوعی پس انتشار1، لایه برگشتی2 و همبستگی آبشاری3 مورد تجزیه و تحلیل قرار داده ایم. بر اساس نتایج بدست آمده بهترین شبکه، یعنی مدل شبکه عصبی مصنوعی همبستگی آبشاری برای پیش بینی مکانی ظرفیت باربری خاک در محدوده مورد مطالعه انتخاب و پیشنهاد می گردد.

کلمات کلیدی : ظرفیت باربری خاک، شبکه عصبی مصنوعی، همبستگی آبشاری

فصل اول

کلیات

1-1مقدمه

خاک از قدیمی ترین و پیچیده ترین مصالح مهندسی است. نیاکان ما خاک را به عنوان مصالح ساختمانی جهت ساخت مقبره ها، محافظت از سیل و پناهگاه ها بکار می بردند. در تمدن غرب ، از رومی ها  به عنوان تشخیص دهنده اهمیت خاک ها در پایداری سازه ها نام برده اند. مهندسان رومی، به ویژه ویتروویوس (Vitruvius) که در یک قرن قبل از میلاد خدمت می کرد، به انواع خاک ها (ماسه، شن و غیره ...) و طراحی و ساختمان پی های صلب توجه زیادی نمود. آن موقع هیچ مبنای تئوریک برای طراحی وجود نداشت و به تجربه حاصل از آزمون و خطا اکتفا می شد.[1]

کولمب (1773) به عنوان اولین کسی شناخته شده است که جهت حل مسائل خاک از علم مکانیک استفاده کرده است. از اوایل قرن بیستم، با رشد سریع شهرها، صنعت و تجارت، ظهور سیستم های ساختمانی مختلف نظیر آسمان خراش ها، ساختمان های عمومی بزرگ، سدها برای تولید برق و مخازن برای تهیه آب و آبیاری، تونل ها، جاده ها و خطوط آهن، تجهیزات بندری، پل ها، فرودگاه ها و باندها، معادن، بیمارستان ها، سیستم های بهداشتی، سیستم های زهکشی و برج ها برای سیستم های ارتباطاتی ضروری می گردد.

2

این سیستم ها به پی های پایدار و اقتصادی نیاز دارند، اکنون سوالات جدیدی درباره خاک ها مطرح گردید. به عنوان مثال وضعیت تنش در یک توده خاک چگونه است؟ چگونه می توان یک پی مطمئن و اقتصادی طراحی نمود؟ یک ساختمان چقدر نشست خواهد کرد؟ و پایداری سازه های ساخته شده بر روی یک خاک یا در درون آن چگونه است؟ برای پاسخ دادن به این سوالات روشهای خاصی نیاز بود و نتیجتاً مکانیک خاک متولد شد. کارل ترزاقی(1963-1883) پدر غیر قابل انکار مکانیک خاک می باشد. انتشار کتاب ایشان بنام " Erdbaumechanik" در سال 1925 پایه مکانیک خاک را پی ریزی نمود و اهمیت خاک را در فعالیت های مهندسی آشکار کرد. مکانیک خاک که به نام ژئوتکنیک یا ژئومکانیک نیز نامیده می شود، کاربرد مکانیک مهندسی در حل مسائلی که با خاک به عنوان بستر پی و مصالح ساختمانی سروکار دارد می باشد. مکانیک مهندسی برای فهم و تفسیر خواص، رفتار و عملکرد خاک ها به کار می رود. [1]

مکانیک خاک زیر مجموعه مهندسی ژئوتکنیک است و شامل کاربرد مکانیک خاک،زمین شناسی و هیدرولیک برای تحلیل و طراحی سیستم های ژئوتکنیکی نظیر سدها، خاک ریزها، تونل ها، کانال ها، آبراه ها، پی پل ها، جاده ها، ساختمان ها و سیستم های دفن مواد زائد جامد می باشد. در هر کاربرد مکانیک خاک به علت تغییر خاک ها تغییر لایه های آنها، ترکیبات آنها و خواص مهندسی، عدم اطمینان وجود دارد. لذا مکانیک مهندسی می تواند فقط بخشی از جواب ها را برای مسائل خاک بدهد. تجربه و محاسبات تقریبی برای کاربرد موفق مکانیک خاک در مسائل عملی بسیار اساسی می باشد. [1]

پایداری و اقتصاد دو باور اساسی طراحی مهندسی هستند. در مهندسی ژئوتکنیک، عدم اطمینان از رفتار خاک ها، عدم اطمینان از بارهای وارده و موارد غیر معمول در نیروهای طبیعی، ما را به طرف انتخاب از بین تحلیل های پیچیده به تحلیل های ساده یا روش های تقریبی سوق می دهد. [1]

3

بارهای ناشی از یک ساختمان از طریق پی، به خاک منتقل می گردد. خود پی سازه ای است که اغلب از بتن، فولاد یا چوب ساخته می شود. پی باید دو شرط زیر را برای پایداری داشته باشد:

پی نباید فرو بریزد یا زیر هر بارگذاری قابل تصور ناپایدار شود.

نشت سازه باید در داخل محدوده مجاز باشد.

معمولاً از روش تعادل حدی برای یافتن جواب انواع مسائل از جمله ظرفیت باربری پی ها، پایداری دیوارهای حایل و شیب ها استفاده می کنند. [1]

1-2بیان مسأله

             یکی از مسائل مهم در مهندسی ژئوتکنیک تعیین ظرفیت باربری پی ها برای شرایط مختلف لایه های زیر پی می باشد.  ظرفیت باربری خاک مقدار تنش تماسی میانگین بین خاک و شالوده است که به گسیختگی برشی خاک منجر می شود. تنش باربری مجاز مقدار ظرفیت باربری است که به وسیله ضریب اطمینان کاسته شده است. بعضی مواقع در محل‌هایی با خاک نرم، خاک زیر شالوده می‌تواند نشست‌های زیاد بدون گسیختگی برشی حقیقی داشته باشد. در بعضی موارد، تنش باربری مجاز با توجه به حداکثر نشست مجاز محاسبه می‌شود. [1]

            تعیین ظرفیت باربری خاک زیر پی ها از دیر باز مورد توجه پژوهشگران و طراحان حوزه ژئوتکنیک قرار داشته است و به همین علت طرح آن به عنوان یک مسئله جدید تلقی نمی شود اما کاربرد روشهای جدید محاسباتی و آزمایش مدلهای پیشنهادی برای خاک و پیشرفت رایانه ها، دیدگاههای جدیدی را در حوزه این موضوع مطرح می سازد که تلاش های جدید را در این زمینه توجیه می نماید.

4

            ظرفیت باربری نهایی پی تابع مقاومت برشی خاک می باشد که توسط ترزاقی، مایرهوف، وسیک و دیگران با استفاده از روش های مختلف تخمین زده شده است. اخیراً، برای جلوگیری از صرف زمان و هزینه بسیار زیاد و انجام آزمایشات متعدد، گرایش به سمت ابزارهای کامپیوتری که مشابه با سیستم بیولوژیکی (شبه بیولوژیکی) باشند افزایش یافته است.

            یکی از اساسی‌ترین مسائل مکانیک خاک حساب‌کردن ضریب اطمینان در مقابل گسیختگی نهایی یک توده ی خاک می‌باشد که در مهندسی پی منجر به تعیین ظرفیت باربری نهایی پی می‌شود. براساس قضایای حالات حدی جواب دقیق هنگامی به دست می‌آید که جواب حد بالا و حد پایین یکسان باشند. برای پایدارکردن حد پایین، یک میدان تنش صحیح که در هیچ نقطه از محدوده ی مسئله معیار تسلیم را نقض ننماید در نظر گرفته می‌شود و براساس آن ظرفیت نهایی محاسبه می‌گردد. حال آنکه، برای پیداکردن حد بالا مکانیزمی قابل قبول برای گسیختگی فرض گردیده و جواب مربوطه با استفاده از تساوی کار نیروهای داخلی و خارجی تعیین می‌گردد.[4]

1-3 ضرورت و اهمیت موضوع

              ظرفیت باربری مجاز یا ظرفیت باربری مطمئن عبارت از فشاری مجازی است که محدوده اطمینانی را در برابر فروریختگی ناشی از گسیختگی برشی برای ساختمان تأمین می کند و معمولاً ظرفیت باربری مجاز کسری ازظرفیت باربری نهایی خالص می باشدکه باربری نهایی خالص نیزحداکثر فشاری است که خاک می تواند علاوه بر فشار حاصل از لایه های فوقانی تحمل کند.[1] با این توصیف، مبنای اصلی احداث بنا، تعیین دقیق

5

ظرفیت باربری خاک بوده و باید بطور دقیق مشخص گردد که نوع و میزان مصالح و همچنین نحوه ادامه کار و... برای احداث بنا مشخص گردد.

1-4 هدف تحقیق

              با توجه به اهمیتی که ظرفیت باربری خاک در احداث هر سازه ایی دارد، تعیین دقیق آن امری اجتناب ناپذیر می باشد و هدف اصلی تحقیق فوق، پیش بینی مکانی ظرفیت باربری خاک به کمک شبکه های عصبی مصنوعی می باشد. و هدف از استفاده از شبکه های عصبی مصنوعی برای تعیین ظرفیت باربری می تواند، کاهش هزینه ها و کاهش مدت زمان تعیین دقیق ظرفیت باربری و ... باشد .

1-5 سوال اصلی

آیا با استفاده از شبکه های عصبی مصنوعی می توان در موقعیت مکانی مشخص ظرفیت باربری خاک را تعیین نمود؟

تا چه اندازه می توان به جوابهای حاصل از شبکه های عصبی مصنوعی در تعیین ظرفیت باربری خاک اطمینان نمود؟

1-6 فرضیات پژوهش

پیش بینی مکانی ظرفیت باربری خاک به کمک شبکه های عصبی مصنوعی با دقت بسیار بالایی امکان پذیر می باشد.

با افزایش داده های ورودی (نتایج آزمایشات ژئوتکنیک صورت گرفته) می توان درجه اطمینان به شبکه عصبی طراحی شده را بالاتر برد.

1-7 متغیرها

              متغیرهای مستقل این مدل سازی شامل مختصات جغرافیایی وعرض پی می باشند. که از بانک اطلاعاتی سازمان نظام مهندسی ساختمان شهرآذرشهر تهیه گردیده است.

متغییر وابسته ظرفیت باربری مجاز بر حسب کیلوگرم بر سانتی متر مربع است که توسط مدل های شبکه عصبی مصنوعی که در نرم افزار Matlab  طراحی خواهند شد، برآورد می گردد.

شکل 1-1 محدوده شهری شهرآذرشهر و شکل 1-2 موقعیت قرار گیری شهرستان آذرشهر را نمایش می دهد.

(تصاویر در فایل اصلی قابل مشاهده است)

1-8 روش تحقیق

             در مدل های آماری و دینامیکی سعی بر آن است که با ایجاد یک رابطه ریاضی، ارتباط بین اطلاعات مفروض به نام ورودی و اطلاعات دیگر یعنی خروجی، بیان شود. در این روابط صریح ریاضی،  محدودیتی وجود دارد که یک مدل دینامیکی صریح، اگر بخواهد از دقت بالایی برخوردار باشد، باید پارامترهای ورودی آن زیاد باشد و یا برد زمانی پیش بینی آن کم گردد. اما در شبکه عصبی مصنوعی با پردازش غیرخطی اطلاعات به روش خودسازماندهی در عملیاتی موازی در تعداد زیادی از سلول های عصبی ارتباط بین اطلاعات ورودی و خروجی در سطح بالایی شبیه سازی می شود و بدون ساختن و یا ایجاد رابطه صریح می تواند با آموزشی که دیده است رفتار سیستم را پیش بینی کند. شبکه عصبی مصنوعی به عنوان ابزار بسیار قوی برای پیش بینی یا مسائلی که آنالیز آنها زمان بر و پیچیده است مورد استفاده قرار می گیرد.

             در این مطالعه ابتدا شبیه سازی به روش شبکه عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری به کمک نرم افزار Matlab  ارائه شده و نتایج حاصل با نتایج آزمایشات موجود مورد ارزیابی قرار گرفته است.

Abstract

The capacity of acceptable bear or the capacity of confident bear is an acceptable pressure that provides confidance surrounding against collapse resulting from cutting intruption. The capacity of acceptable bear is usually the fraction of final, and pure capacity. Besides, final and pure bear are the maximum pressure tension that soil can bear. With this description, the main base of construction of each factor is the assignment of exact capacity of soil. According to time consuming and cost of the traditional methods for assigning the capacity of soil bear, in in this study we will show that the capacity of soil bear can be predicted in reliable and acceptable way be using the best answer, we have studied three artificial neural network(ANN) : Feed-forward backpropagation, Layer recurrent, Cascade-forward backpropagation. Based on gained results, the best artificial neural network for prediction of the place of the capacity of soil bear, under this study is, cascade-forward backpropagation model.

Keywords: soil capacity bear, artificial neural network,Cascade-forward backpropagation  

5-4 منابع

منابع فارسی

کتاب :

بودهو، میونی. (1385). مکانیک خاک و پی. ترجمه میکائیل، یوسف زاده فرد. ( 1389چاپ دوم) . تبریز: دانشگاه تبریز.

کیا، سید مصطفی. (1393). محاسبات نرم در MATLAB  ، چاپ سوم. تهران: نشر دانشگاهی کیان.      

مقاله :

عسگری، محمد رضا. (1384). بکار گیری شبکه های عصبی در پیش بینی مشخصات خاک با در دست داشتن اطلاعات گمانه های مجاور. اولین همایش بین المللی زلزله و سبک سازی ساختمان .

پایان نامه :

سوکیازیان، پاتریک. (1375). ظرفیت باربری نهایی و خصوصیات گسیختگی پی‌های نواری روی خاک‌های الاستوپلاستیک سخت‌شونده. پایان نامه کارشناسی ارشد عمران، دانشگاه شیراز.

اکبری، م(1382). کاربرد شبکه های عصبی در شناخت الگو، تشخیص اعداد چاپی و دست نویس فارسی. پایان نامه کارشناسی ارشد مهندسی الکترونیک، دانشکده مهندسی برق، دانشگاه صنعتی شریف.

حسن آبادی، مرضیه. (1390). تخمین ظرفیت باربری نهایی شالوده‌های سطحی نواری متکی بر بسترهای خاکی چند لایه با استفاده از شبکه‌های عصبی مصنوعی. پایان نامه کارشناسی ارشد مهندسی عمران ، خاک و پی، دانشگاه سمنان.

بزمی، محمد. (1381). پیش بینی نشست در شالوده های سطحی روی خاک های غیرچسبنده با استفاده از روش شبکه های عصبی مصنوعی. پایان نامه کارشناسی ارشد مهندسی عمران، دانشگاه شیراز.

منابع لاتین 

کتاب :

Minsky M.L. and Papert S.A. (1969). Preceptrons. Cambridge, MA: MIT Press.

مقاله :

Rosenblatt, Frank. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the brain, Cornell Aeronautical Laboratory, Psychological Review, v65, No. 6, pp, 386-408.

Rao, S et al. (2000). Artificial Neural Networks in Hydrology: I:Preliminare Concepts. J. Hydrol. Eng. 2000.5, pp, 115-123.

M. A. Abu kiefa. (1998). General Regression Neural Networks for Driven Piles in Cohesionless Soils. Geotechnical and Geoenvironmental Engineering, Vol. 124, No. 12, December 1998, pp. 1177-1185.

A. Soleimanbeigi &  N. Hataf. (2005). Predicting ultimate bearing capacity of shallow foundations on reinforced cohesionless soils using artificial neural networks. Geosynthetics International,Volume 12, Issue 6, 01 November 2005, pp 321–332.

Harnedi Maizir & Khairul Anuar Kassim, Member, IAENG. (2013). Neural Network Application in Prediction of Axial Bearing Capacity of Driven Piles. Proceedings of the International MultiConference of Engineers and Computer Scientists 2013 Vol I, IMECS 2013, March 13 - 15, 2013, Hong Kong.

Mohamed A. Shahin & Holger R. Maier & Mark B. Jaksa. (2002). Predicting Settlement of Shallow Foundations uing Neural Networks. Geotechnical and Geoenvironmental Engineering, Vol. 128, No. 9, September 2002, pp. 785-793.

Teh, C & Wong, K & Goh, A & Jaritngam, S. (1997). Prediction of Pile Capacity Using Neural Networks. J. Comput. Civ. Eng. 11(2), 129–138.

منبع اینترنتی:

Minsky M.L. and Papert S.A. (1969). Preceptrons. Retrieved October 01,2014 from http://en.wikipedia.org/wiki/Perceptron.

Rosenblatt, Frank. (1958). Perceptron. Retrieved October 01,2014 from http://en.wikipedia.org/wiki/Perceptron.