بررسی پایداری دیواره های رودخانه با استفاده از شبکه های عصبی مصنوعی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس
- نویسنده کاظم احمدی پیشکوهی
- استاد راهنما شهاب الدین یثربی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1377
چکیده
یکی از مسائل مهمی که در مهندسی ژئوتکنیک به آن پرداخته می شود، مسئله مربوط به بررسی پایداری شیبهای طبیعی و ساخته شده می باشد. روشهای مختلفی برای بررسی پایداری شیبها موجود بوده که از مهمترین آنها می توان روشهای تعادل حدی و روشهای عددی را نام برد. یکی از روشهای دیگری که می توان از آن در بررسی پایداری شیبها بهره گرفت ، کاربرد روشهای مختلف هوش مصنوعی است . در این تحقیق از یک مدل شبکه عصبی مصنوعی به عنوان یک مدل رگرسیون غیرخطی که یکی از روشهای هوش مصنوعی به حساب می آید، برای بدست آوردن ضریب اطمینان حداقل روی دایره بحرانی استفاده شده است . مدل شبکه عصبی مصنوعی (anns) برای دیواره های رودخانه که در آن سطح آب به صورت افقی در نظر گرفته شده ارائه می گردد. h ارتفاع شیب ، m کتانژانت زاویه شیب ، hl ارتفاع سطح آب از کف رودخانه t وزن مخصوص مرطوب خاک بالای سطح آب sat وزن مخصوص اشباع خاک زیر سطح آب برحسب درجه به عنوان ورودی به شبکه اعمال می شوند و مقادیر شعاع دایره بحرانی و مختصات مرکز دایره بحرانی و ضریب اطمینان حداقل روی دایره بحرانی به عنوان خروجی های شبکه می باشند. اطلاعات لازم جهت بدست آوردن مدل بهینه از برنامه ca2 استخراج شده است . در بدست آورد این اطلاعات محدوده تغییرات پارامترهای ورودی به صورت زیر در نظر گرفته شده اند: h از 4 الی 13 متر، m از 0.3 الی 1.5، hl از صفر الی 1 متر پائین تر از بالای شیب ، t از 1500 الی 1800 کلیوگرم بر مترمکعب و sat از 1700 الی 2000 کیلوگرم بر مترمکعب و c از 500 الی 2500 کیلوگرم بر مترمربع و از 10 الی 24 درجه. در ابتدا نتایج حاصل از برنامه های ca2 و stable با هم مقایسه شده است ، بطوریکه ضریب اطمینان بدست آمده از برنامه stable حدودا 10 درصد کمتر از ضریب اطمینان حاصل از برنامه ca2 بدست آمده است . همچنین نتایج حاصل از مدل شبکه عصبی (anns) با نتایج حاصل از دو برنامه دیگر مقایسه گردید، بطوریکه در اکثر موارد سطوح لغزش نزدیک به یکدیگر بوده و در بعضی از موارد دیگر سطوح لغزش حاصل از مدل شبکه عصبی بزرگتر از سطح لغزش حاصل از دو برنامه دیگر بدست آمده است . همچنین ضریب اطمینان حاصل از مدل شبکه عصبی حدود 10 درصد - 8 درصد بیشتر از برنامه ca2 و 18 درصد - 15 درصد بیشتر از برنامه stable می باشد.
منابع مشابه
بررسی کارایی شبکه عصبی مصنوعی در برآورد بار معلق رودخانه با استفاده از داده های دستهبندیشده
بار رسوب جریان، شاخص مفیدی در پیشبینی فرسایش خاک در حوزههای آبخیز است؛ بنابراین تدوین مدلی برای برآورد بار رسوب میتواند در مدیریت و اجرای پروژههای آبخیزداری و مهندسی رودخانه مفید باشد. در این پژوهش روش دستهبندی دادهها بهعنوان راهکاری برای افزایش دقت شبکه عصبی مصنوعی در تدوین مدل برآورد رسوب معلق بررسی شد. بدین منظور، میزان آورد رسوبات معلق رودخانههای خلیفهترخان و چهلگزی در حوضۀ قشلاق...
متن کاملپیش¬بینی جریان روزانه با استفاده از شبکه¬های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای)
پیشبینی دقیق جریان در رودخانهها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه جهت اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالیها است. به دلیل اهمیت پیشبینی جریان رودخانه، در این تحقیق جریان روزانه رودخانهی باراندوزچای در دو ایستگاه بیبکران و دیزج طی یک دورهی آماری 20 ساله با استفاده از مدل عصبی- موجکی (WNN) که تلفیق آنالیز موجک و شبکه عصبی مصنوعی (ANN) میباشد، پیشبینی گرد...
متن کاملتولید مصنوعی جریان رودخانه با استفاده از شبکه های عصبی مصنوعی
در این مطالعه قابلیت مدلهای شبکه عصبی مصنوعی در زمینه تولید مصنوعی جریان ارزیابی می شود. مدلی که برای تولید مصنوعی بکار رفته با ترکیب مدل شبکه عصبی و یک مؤلفه تصادفی با توزیع نرمال ایجاد شده است. در توسعه مدل از شبکه عصبی چند لایه تغذیه پیشرفتی با الگوریتم آموزشی انتشار برگشتی خطا استفاده شده است. بر این اساس مدل، سری های بلند مدت و تا 300 سال جریان مصنوعی روزانه در رودخانه خرسان را تنها با اس...
متن کاملتولید مصنوعی جریان رودخانه با استفاده از شبکههای عصبی مصنوعی
در این مطالعه قابلیت مدلهای شبکه عصبی مصنوعی در زمینه تولید مصنوعی جریان ارزیابی میشود. مدلی که برای تولید مصنوعی بکار رفته با ترکیب مدل شبکه عصبی و یک مؤلفه تصادفی با توزیع نرمال ایجاد شده است. در توسعه مدل از شبکه عصبی چند لایه تغذیه پیشرفتی با الگوریتم آموزشی انتشار برگشتی خطا استفاده شده است. بر این اساس مدل، سریهای بلند مدت و تا 300 سال جریان مصنوعی روزانه در رودخانه خرسان را تنها با ...
متن کاملتشخیص آنامولی های TEC قبل از وقوع زلزله های بزرگ با استفاده از شبکه عصبی مصنوعی
وقوع زلزله علاوه بر تغییر در هندسه و فیزیک پوسته زمین تأثیرات دیگری را نیز به همراه دارد. از آن جمله، تأثیر بر لایه یونسفر می‍باشد که خود را بهصورت تغییر در میزان الکترون، چگالی یونها، میدانهای الکتریکی و مغناطیسی این لایه نشان میدهد. هر پارامتر ژئوفیزیکی و ژئوشیمیایی در لایههای لیتوسفر، اتمسفر و یونسفر زمین که قبل از وقوع زلزله تغییراتی در آن پدید آید بهعنوان پیشنشانگر شناخته میشود...
متن کاملکاربرد شبکه عصبی مصنوعی دربرآورد پروفیل پرش هیدرولیکی درحوضچه آرامش با دیواره¬های همگرا
در این تحقیق، از یک شبکه عصبی مصنوعی در برآورد پروفیل پرش هیدرولیکی در حوضچه آرامش همراه با دیواره همگرا که از حالتهای خاص و پیچیده پرش هیدرولیکی میباشد، استفاده شده است. تعداد 1500 داده آزمایشگاهی اعماق پرش هیدرولیکی مربوط به مقاطع مستطیلی، برای همگرایی %7/2، %4 و %3/5 مورد استفاده قرار گرفته است. در توسعه مدل شبکه عصبی مصنوعی، 10 ساختار پرسپترون، با تعداد لایههای پنهان و نرونهای مختلف،...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023