پیش بینی و تفسیر نتایج آزمایش پرسیومتری با استفاده از شبکه عصبی مصنوعی

آزمایش پرسیومتری، یکی از مهم ترین آزمایشهای برجای مهندسی ژئوتکنیک است. این آزمایش قادر به تخمین بسیار مناسبی از پارامترهای تغییرشکلی خاک است. در این تحقیق از سه نوع شبکه عصبی مصنوعی (ann) به منظور پیش بینی و تفسیر آزمایش پرسیومتری استفاده شده است. در ابتدا از شبکه عصبی چند لایه پرسپترون ، یکی از پرکاربردترین شبکه های عصبی، استفاده شده است. در ادامه از شبکه نروفازی، ترکیبی از شبکه های عصبی- فازی بهره گرفته شده و در انتها از شبکه عصبی تابع مبنای شعاعی ، شبکه موفقی در مسائل غیر خطی استفاده شده است. مدلهای شبکه عصبی از موفقیت قابل قبولی در پیش بینی و تفسیر آزمایش پرسیومتری برخوردارند. در تمامی این مدلها از خواص فیزیکی و تراکمی خاک استفاده شده است. مدلهایی که برای پیش بینی استفاده شده اند دارای 6 ورودی و 5 ورودی هستند و شبکه هایی که برای تفسیر استفاده شده اند از مدلهای دارای 5 ورودی استفاده می کنند. در هر دو روش از یک خروجی استفاده شده است. خروجی شبکه ها در مرحله پیش بینی تغییر حجم بوده و این در حالی است که خروجی شبکه در مرحله تفسیر ضریب پرسیومتری است. به عنوان بانک اطلاعاتی از مجموعه بزرگی از آزمایشهای پرسیومتری انجام شده برروی محدوده وسیعی از خاکهای ریزدانه و درشت دانه بهره گرفته شده است. در شبکه عصبی پرسپترون از شبکه هایی با معماری مختلف با یک و دو لایه پنهان برای تعیین دقیق ترین شبکه استفاده شده است. بین مدلهای مختلف شبکه عصبی مورد استفاده شبکه چندلایه پرسپترون کارایی بهتری دارد. هرچند سایر شبکه های مورد استفاده نیز موفقیت قابل قبولی از خود نشان داده اند. در نهایت مدلهای مختلف شبکه های عصبی با یکدیگر مقایسه شده و شبکه ای که بهترین عملکرد را داشته در هر دو مرحله مشخص شده است. در مرحله پیش بینی جهت ارزیابی شبکه نمودارهای فشار-تغییرحجم حاصل از شبیه سازی ساختارهای بهینه هر مدل با نتایج حاصل مقایسه شده است. همچنین در مرحله تفسیر جهت ارزیابی قدرت تعمیم مدل، عملکرد شبکه مورد نظر در مقابل داده های تجربه نشده با نتایج تجربی مورد مقایسه قرار گرفت. مدلهای مبتنی بر شبکه های عصبی، برخلاف مدلهای رفتاری مرسوم توضیحی در مورد چگونگی اثر پارامترهای ورودی بر خروجی نمی دهند. در این تحقیق با انجام آنالیز حساسیت برروی ساختار بهینه مدلهای معرفی شده در هر مرحله سعی شده است تا حدودی به این سوال پاسخ داده شود.همچنین استخراج و ارایه روابط حاکم بر یک مدل شبکه عصبی به کاربر اطمینان بیشتری در استفاده از چنین مدلهایی داده، در نتیجه کاربرد چنین مدلهایی را در کارهای مهندسی تسهیل می کند.