مدل‌سازی ضریب بزرگنمایی خاک‌های ماسه‌ای به دو روش شبکه عصبی و برنامه‌ریزی بیان ژن

Authors

  • عباس مهدویان دانشیار، دانشکده مهندسی عمران- آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران
  • نجمه علیدادی دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران- آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران
Abstract:

زمانی که امواج زمین‌لرزه از لایه‌های آبرفتی می‌گذرند؛ دامنه امواج لرزه‌ای در برخی از دوره‌ها به‌طور قابل‌توجهی افزایش می‌یابد که با عنوان بزرگنمایی سایت شناخته می‌شود. در این صورت می‌توان آن را با یک مدل تحلیلی به‌صورت نسبت طیف پاسخ سطح زمین به طیف پاسخ حرکت ورودی برآورد کرد. این رفتار در ارزیابی عملکرد لرزه‌ای سازه‌ها و شریان‌های حیاتی ضروری است. در این مقاله سعی شده است که این تأثیر در لایه‌های ماسه‌ای با ستبرا‌های متفاوت بررسی شود. برای نمونه، شهرستان ارومیه به عنوان یکی از کلان‌شهرهای شمال ‌باختری ایران و منطقه‌ای زمین‎لرزه‌خیز بررسی شده است. 120 گمانه ژئوتکنیکی حفر و لایه‌های ماسه‌ای با ستبرا‌های متفاوت در بخش مرکزی و خاوری آن دیده شده است. در این تحلیل‌ها از شتاب‌نگاشت‌های مصنوعی شبیه‌سازی‌ شده بر پایه نتایج تحلیل خطر لرزه‌ای به عنوان حرکت ورودی برای تحلیل استفاده شده است. سپس با مقایسه شتاب‌های طیفی در دوره‌های مختلف سطح زمین با مقادیر متناظر روی سنگ‌بستر لرزه‌ای طیف بزرگنمایی شتاب طیفی در دوره‌های مختلف ارائه و به­دنبال آن با استفاده از شبکه عصبی و الگوریتم ژنتیک مدل‌سازی این ضرایب انجام شد. نتایج به دست­ آمده نشان‎دهنده افزایش قابل‌ توجه ضریب بزرگنمایی در برخی از دوره‌ها با افزایش ستبرای لایه‌های ماسه‌ای است. با استفاده از نتایج مدل‌سازی ارائه ‌شده می‌توان ضرایب بزرگنمایی خاک‌های ماسه‌ای شهر ارومیه را با ستبرا‌های متفاوت به ازای دوره‌های متغیر تا 4 ثانیه برآورد کرد. در این مطالعه نتایج به ‌دست ‌آمده از شبکه عصبی مصنوعی با استفاده از معیارهای ضریب همبستگی و جذر میانگین مربعات خطا جواب‌های دقیق‌تری نسبت به برنامه‌ریزی بیان ژن ارائه کرده است. همچنین در این مطالعه با استفاده از الگوریتم تکاملی برنامه‌ریزی بیان ژن رابطه ریاضی به ازای ستبرای لایه ماسه‌ای و دوره‌های متفاوت بیان می‌شود.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

کارایی فرامدل‌های شبیه ساز بیان ژن و شبکه عصبی-فازی در مدلسازی هیدروگراف معرف آبخوان

با توجه به کاهش نزولات جوی و خشکسالی سال‌های اخیر و در نتیجه کمبود آب در پهنه وسیعی از کشور و افزایش میزان تقاضا برای مصارف مختلف، مدیریت منابع آب‌های سطحی و زیرزمینی از اهمیت و حساسیت بسیار زیادی برخوردار است. آب‌های زیرزمینی در بسیاری از کشورها از جمله ایران، یکی از منابع اصلی تأمین آب برای مصارف شرب، صنعت و کشاورزی می‌باشد. استفاده از این منبع همواره به عنوان گزینه‌ای در کنار آب‌های سطحی مطر...

full text

مقایسه عملکرد دو روش برنامه‌ریزی بیان ژن و شبکه عصبی مصنوعی به منظور تخمین ضریب یکنواختی توزیع آب در آبیاری بارانی

یکنواختی توزیع آب (CU) یک پارامتر مهم فنی در طراحی سیستم‌های آبیاری می‌باشد و مقدار آن تاثیر مهمی بر کیفیت و بازده سرمایه‌گذاری در پروژه‌های آبیاری دارد. اندازه‌گیری CU در آبیاری بارانی ثابت از روی نتایج یک آبپاش منفرد با توجه به‌ در نظر گرفتن هم‌پوشانی آبپاش‌های مجاور و در مقادیر مختلف فشار کارکرد آبپاش (P)، ارتفاع پایه آبپاش (Hr)، فاصله آبپاش‌ها روی لوله‌های جانبی (Sl) و فاصله لوله‌های جانبی ...

full text

مدل‌سازی ضرایب بزرگنمایی امواج لرزه‌ای به روش شبکه عصبی (مطالعه: شهر ارومیه)

زمینه و هدف:  اثرات خاک در طیف طراحی اغلب آیین‌نامه‌های طراحی لرزه‌ای، براساس جنس خاک و متوسط سرعت موج برشی در لایه‌های مختلف لحاظ شده است. در این طیف‌های طراحی، برخی اثرات ویژه ساختگاهی مانند اثرات ضخامت و عمق سنگ بستر لرزه‌ای نادیده گرفته شده است. تجربیات زلزله‌های پیشین ثابت کرده، ضخامت لایه‌های خاک بر پاسخ زمین و در نتیجه بر توزیع خسارات سازه‌ای تاثیر مهمی داشته و غیر قابل چشم پوشی است. ایر...

full text

تعیین ضریب بزرگنمایی جوش در اتصالات لوله ای به وسیله شبکه های عصبی مصنوعی

در اتصالات لوله ای جوشی زمانی که عمق ترک خستگی کمتر از 20 درصد ضخامت جدارۀ عضو اصلی است، رشد ترک بیش از هر چیز تحت اثر هندسۀ جوش در اتصال است. از این رو حل اتصال t شکل و ضریب بزرگنمایی جوش (mk) ابزار مناسبی برای محاسبۀ سرعت رشد ترک در این محدوده اند. در این تحقیق توانایی شبکه های عصبی مصنوعی برای تعیین mk در اتصالات t شکل مورد آزمون قرار گرفته است. چهار شبکه از نوع پرسپترون چندلایه (mlp) طراحی ...

full text

مقایسه عملکرد دو روش برنامه ریزی بیان ژن و شبکه عصبی مصنوعی به منظور تخمین ضریب یکنواختی توزیع آب در آبیاری بارانی

یکنواختی توزیع آب (cu) یک پارامتر مهم فنی در طراحی سیستم های آبیاری می باشد و مقدار آن تاثیر مهمی بر کیفیت و بازده سرمایه گذاری در پروژه های آبیاری دارد. اندازه گیری cu در آبیاری بارانی ثابت از روی نتایج یک آبپاش منفرد با توجه به در نظر گرفتن هم پوشانی آبپاش های مجاور و در مقادیر مختلف فشار کارکرد آبپاش (p)، ارتفاع پایه آبپاش (hr)، فاصله آبپاش ها روی لوله های جانبی (sl) و فاصله لوله های جانبی ا...

full text

بررسی تجربی و مدلسازی شبکه عصبی برای پیشبینی ضریب شکست الکلهای خالص و مخلوط دوتایی

در این پژوهش ضریب شکست نمونه های خالص الکلهای نوع اول و مخلوط‌های دوتایی آنها به دو روش تجربی و مدلسازی مورد بررسی قرار گرفت. در روش تجربی از دستگاه رفرکتومتر برای اندازه گیری ضریب شکست استفاده شد و در روش مدلسازی، با به کارگیری شبکه عصبی مصنوعی پرسپترون چندلایه مدلسازی شد. به همین منظور ورودی های شبکه مربوط به مواد خالص، دما، جرم مولکولی و گروه های عاملی CH3، CH2 و OH و برای مخلوط ها کسر مولی،...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 27  issue 107

pages  87- 98

publication date 2018-05-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023