تخمین باربری شمع های کوبیده شده با استفاده از شبکه ی عصبی و الگوریتم ژنتیک
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه تبریز
- author فاروق رحیم زاده
- adviser توحید اخلاقی محمد حسین امین فر
- Number of pages: First 15 pages
- publication year 1390
abstract
به دلیل پیچیدگی رفتار خاک و اندرکنش خاک و سازه، تعیین ظرفیت باربری و طراحی شمع ها امری چالش برانگیز به شمار می رود. روش های متعددی توسط محققین مختلف جهت تخمین ظرفیت باربری شمع ها ارائه شده است. در بعضی از این روش ها –مانند روش تحلیل استاتیکی- به دلیل ساده سازی های صورت گرفته، انتخاب ضریب اطمینان های بزرگ امری اجتناب ناپذیر می باشد، که باعث دقت پایین و اتلاف در منابع می گردد. در بعضی دیگر از روش ها –مانند روش بارگذاری شمع ها- با وجود درصد بالای اطمینان، هزینه های بالای اجرا، استفاده از این روش ها را غیر اقتصادی می سازد. آزمون نفوذ مخروط (cpt) یکی از آزمون های درجای خاک می باشد که به دلیل سادگی، سرعت بالای انجام، هزینه نسبتاً کم، دارا بودن خروجی پیوسته در عمق خاک و نیز به دلیل شباهت های موجود بین مخروط نفوذ سنج و شمع، تخمین ظرفیت باربری شمع ها یکی از اولین کاربردهای آن به شمار می رود. دو رویکرد برای استفاده از نتایج cpt در طراحی شمع ها وجود دارد. رویکرد مستقیم که ظرفیت باربری شمع را مستقیماً بر اساس نتایج cpt محاسبه می کند و رویکرد غیر مستقیم که با استفاده از مشخصات خاک که از نتایج cpt بدست آمده اند، ظرفیت باربری شمع را تخمین می زند. به کار گیری شبکه ی عصبی مصنوعی در تخمین ظرفیت باربری شمع ها بر اساس نتایج cpt، در زمره ی رویکردهای مستقیم قرار می گیرد. عملکرد مناسب این روش توسط محققین مختلف در زمینه های متعدد مهندسی عمران، گزارش شده است. در تحقیق حاضر شبکه ی عصبی مصنوعی نوع gmdh به عنوان ابزار استحصال رابطه ی بین نتایج cpt و ظرفیت باربری شمع ها مورد استفاده قرار گرفته است. داده های مورد استفاده در این تحقیق که مربوط به 40 شمع بتنی پیش-ساخته ی کوبشی می باشند، از مقالات چاپ شده جمع آوری شده است. در تحقیق حاضر برای تعیین معماری شبکه ی عصبی، از الگوریتم تکاملی ژنتیک، با تغییراتی مبتکرانه در عملگرهای آن، استفاده شده است. روش پیشنهادی این تحقیق در نرم افزار matlab پیاده شده و نتایج به روش های آماری با نتایج 8 روش cpt و یک روش تحلیل استاتیکی مورد بررسی و ارزیابی قرار گرفته و برای محاسبه ی ظرفیت باربری شمع ها، مقایسه شده است. تحلیل های آماری و رده بندی روش ها بر اساس معیارهای مختلف آماری، عملکرد بهتر روش پیشنهادی را نسبت به روش های دیگر بررسی شده در این تحقیق، نشان می دهد.
similar resources
تعیین ظرفیت باربری شمع های کوبیده شده در خاک های غیرچسبنده با رویکرد شبکه ی عصبی موجکی
تعیین ظرفیت باربری شمع های کوبیده شده در خاک های غیرچسبنده با وجود منابع علمی زیاد، کماکان توأم با پیچیدگی است. یک شبکه ی عصبی موجک، توابع موجک را به منزله ی توابع فعال ساز نرون های لایه ی پنهان از شبکه ی عصبی پیشخورد به کار می گیرد. در این شبکه ها هر دو پارامتر انتقال و مقیاس موجک ها در کنار وزن هایشان بهینه می شوند. در رویکردی خاص از ساخت این نوع شبکه ها، با عنوان ویونت، پارامترهای انتقال و م...
full textتخمین نسبت باربری کالیفرنیا خاک های مردابی بهسازی شده با استفاده از شبکه عصبی مصنوعی
امروزه استفاده از روش اختلاط عمیق برای بهبود روسازی جاده ها گسترش یافته است. یکی از مهمترین اهداف این روش ، افزایش ضریب باربری کالیفرنیا و کاهش نشست روسازی می باشد. در سال های اخیر، مدلسازی به وسیله هوش محاسباتی، جایگاه ویژه ای در مهندسی عمران پیدا کرده است وتخمین رفتار و فرایند مقاوم سازی که با پیچیدگی های فراوانی روبه رو بوده، تا حدودی به کمک این روش ها میسر شده است. هدف اصلی این تحقیق، ساخت ...
full textبهینه‌سازی ظرفیت باربری و نشست تفاضلی گروه شمع قائم با استفاده از الگوریتم ژنتیک
طول شمع‌ها در اغلب گروه‌های شمع، بصورت مساوی انتخاب و اجرا می‌شوند در حالیکه اندرکنش بین شمع‌ها نشان می‌دهد که این روش و شکل اجرا، همواره بهینه‌ترین و بهترین گزینه ممکن جهت دستیابی به ظرفیت باربری مناسب با کمترین نشست و جابجایی نمی‌باشد. در این مقاله بهینه‌سازی ظرفیت باربری، سختی محوری و نشست تفاضلی کلاهک در یک گروه شمع، با هندسه و طول متفاوت مورد ارزیابی قرار می‌گیرد. روش بهینه‌سازی مورد استف...
full textتخمین ظرفیت باربری نوک شمع بر مبنای اطلاعات CPT با استفاده از شبکه‌های عصبی GMDH
آزمایش نفوذ مخروط (CPT) یک مدل کوچک‌مقیاس شمع است که برای تعیین ظرفیت باربری شمع‌های واقعی مورد استفاده قرار می‌گیرد. روش گروهی داده گردانی)GMDH(پانویس{group method of data handling (GMDH)} یک نوع شبکه‌ی عصبی است که ساختار آن توسط الگوریتم ژنتیک بهینه‌سازی شده است. در این تحقیق داده‌های ۲۹ آزمایش بارگذاری استاتیکی و دینامیکی شمع و اطلاعات CPT مجاور آن‌ها جمع‌آوری ...
full textاستفاده از شبکه عصبی مرکب (Committee Machine) نظارت شده جهت بهبود الگوریتم شبکه های عصبی در تخمین تراوایی مخازن نفتی
Reservoir permeability is a critical parameter for the evaluation of hydrocarbon reservoirs. There are a lot of well log data related with this parameter. In this study, permeability is predicted using them and a supervised committee machine neural network (SCMNN) which is combined of 30 estimators. All of data were divided in two low and high permeability populations using statistical study. E...
full textMy Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه تبریز
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023