پیش بینی درصد تراکم خاک های ریزدانه در ساختمان سد مخزنی سرابی با استفاده از شبکۀ عصبی مصنوعی

Authors
abstract

تحلیل تراکم حاصل شده از عملیات تراکم در خاک های ریزدانه در تحلیل برگشتی اهمیت به سزایی دارد. روش متداول در محاسبۀ درصد تراکم خاک؛ شیوه های معمول مانند روش مخروط ماسه، روش بالون لاستیکی و روش چگالی سنج هسته ای است. که به عنوان روشی مناسب جای گزین، شبکۀ عصبی آموزش دیده شده بر مبنای الگوهای تحلیل شده است. با روش های مذکور محاسبۀ تراکم، علاوه بر این که به دقت مورد نیاز در روش های مرسوم می رسد، سادگی و سهولت استفاده از آن از سایر روش ها بیش تر بوده و سرعت محاسبۀ آن نیز بیش تر است. در این تحقیق مدلی مبتنی بر شبکۀ عصبی چندلایه پرسپترون برای پیش بینی رفتار تراکمی خاک های ریزدانه در سد مخزنی سرابی در حین اجرا، و متراکم کردن لایه های خاک ارائه شد. متغیرهای ورودی شامل4 پارامتر ژئوتکنیکی رطوبت بهینه، درصد عبوری از الک200، حد روانی و حد خمیری و 4 پارامتر اجرایی تعداد دفعات عبور غلتک، ضخامت لایه، رطوبت خاک در محل و دانسیتۀ حاصل شده در محل، در نظر گرفته شد. ایـن مدل که مبتنی بر شبـکۀ عصبی چنـد لایه با روی کرد پس انتشار خطا ارائه شده، قادر است بدون داشتن حداکثر دانسیتۀ آزمایشگاه که از ملزومات حتمی محاسبۀ درصد تراکم در حالت معمولی است؛ با استفاده از دیگر پارامترهای ژئوتکنیکی و اجرایی (8 مورد اشاره شده) درصد تراکم و بالطبع حداکثر وزن مخصوص آزمایشگاه را با تقریب نزدیک به 100 درصد محاسبه کند.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش بینی درصد تراکم خاک‌های ریزدانه در ساختمان سد مخزنی سرابی با استفاده از شبکۀ عصبی مصنوعی

تحلیل تراکم حاصل شده از عملیات تراکم در خاک‌های ریزدانه در تحلیل برگشتی اهمیت به‌سزایی دارد. روش متداول در محاسبۀ درصد تراکم خاک؛ شیوه‌های معمول مانند روش مخروط ماسه، روش بالون لاستیکی و روش چگالی‌سنج هسته‌ای است. که به‌عنوان روشی مناسب جای‌گزین، شبکۀ عصبی آموزش دیده شده بر مبنای الگوهای تحلیل شده است. با روش‌های مذکور محاسبۀ تراکم، علاوه بر این که به دقت مورد نیاز در روش‌های مرسوم می‌رسد، سادگ...

full text

پیش بینی درصد متان موجود در گاز مراکز دفن زباله با استفاده از شبکه عصبی مصنوعی

Backgrounds and Objectives:A number of different technologies have recently been studied todetermine the best use of biogas, however, to choose optimize technologies of using biogas for energy recovery it is necessary to monitor and predict the methane percentage of biogas. In this study, a method is proposed for predicting the methane fraction in landfill gas originating from Labscalelandfill ...

full text

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...

full text

توسعۀ یک مدل خبره برای پیش بینی تقاضای آب شهری با استفاده از شبکۀ عصبی مصنوعی، نمونه موردی شهر ایلام

مدیریت و تأمین آب شهری، همواره یکی از دغدغه های اصلی مدیران و برنامه ریزان شهری بوده است. شناخت تقاضای آب شهری و عوامل مؤثر بر آن، از مولفه های مهم در مدیریت و کنترل مصرف آب شهری محسوب می شود. در تحقیق حاضر مدلی خبره برای پیش بینی تقاضای آب شهری ایلام با استفاده از شبکۀ عصبی مصنوعی توسعه یافته است. مدل خبره، مبتنی بر عوامل مؤثری است که از درآمد سالانه ( x1)، ناحیه مصرف(x2)...

full text

پیش بینی طرح اختلاط بهینه برای بهسازی خاک رس نرم با استفاده از شبکه های عصبی مصنوعی

استفاده و کاربرد شبیه سازی مصنوعی در پیش بینی رفتار مصالح علی الخصوص هنگامی که نتایج واقعی داشته باشیم از نظر زمان و هزینه از اهمیت ویژه ای برخوردار است. بر این اساس در این پژوهش داده های آزمایش بدست آمده از آزمایش تک محوری روی نمونه های خاک تثبیت شده توسط آهک، پسماند و سیلیکات سدیم با شبکه عصبی (GRNN) و الگوریتم ژنتیک (برنامه ریزی بیان ژن (GEP)) مورد بررسی قرار گرفته است. بنابراین با توجه به ن...

full text

مقایسه عملکرد شبکه های عصبی مصنوعی و شبکه های عصبی موجکی در پیش بینی درصد شکستگی جو در کمباین برداشت

در این تحقیق، نحوه عملکرد شبکه های عصبی موجکی با شبکه ‌های عصبی مصنوعی در پیش بینی درصد شکستگی دانه های جو در کمباین مقایسه شد. شبکه‌های مزبور به صورت تابعی از درجه حرارت هوا، سرعت کوبنده، سرعت پیشروی کمباین، فاصله کوبنده و ضدکوبنده در جلو و عقب واحد کوبنده و درصد رطوبت جو آموزش داده شد. شبکه عصبی موجکی (RASP1) با دقت 2/90 درصد در پیش بینی شکستگی دانه جو به عنوان یک جایگزین مناسب برای شبکه‌های...

full text

My Resources

Save resource for easier access later


Journal title:
زمین شناسی مهندسی

جلد ۴، شماره ۲، صفحات ۹۸۷-۱۰۱۰

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023