طراحی سیستم میخکوبی برای حفاظت از دیواره گودبرداری با استفاده از شبکه عصبی مصنوعی

پایدارسازی دیواره گودبرداری های عمیق و نیمه عمیق در محیط شهری یکی از زمینه های مطالعاتی است که با توجه به کمبود فضای شهری و نیاز به گودبرداری جهت ایجاد محل توقف اتومبیل یا ایجاد فضای مناسب جهت کاربری انبار در مراکز تجاری از اهمیت ویژه ای برخوردار می باشد. روش های گوناگونی جهت پایدارسازی دیواره گود ابداع شده است که با توجه به خصوصیات پروژه، نوع خاک، مشخصات سازه-های اطراف گود و درجه اهمیت آنها و همچنین اقتصادی بودن روش پایدارسازی و سایر پارامتر های دخیل در پروژه، یک نوع سیستم خاص را در خصوص هر پروژه لازم الاجرا می گرداند. با توجه به تجارب گذشته در سطح دنیا و همچنین ویژگی های منحصر به فرد سیستم میخکوبی، یکی از پرکاربردترین و مناسب ترین روش پایدارسازی دیواره گودبرداری عمیق و نیمه عمیق شهری می باشد. با بررسی های انجام شده بر روی پروژه های بزرگ اجرا شده در شهر تهران، مشخص گردید که عموماً طراحی و تحلیل سیستم میخکوبی، زمانبر و پرهزینه می باشد و تا حدودی نتایج این تحلیل ها به شدت به پارامتر های ژئوتکنیکی وابسته است و همچنین مقادیر و مشخصات اندازه گیری شده از محل پروژه با مقادیر پیش بینی شده در تحلیل ها و نرم-افزارها تفاوت داشته و عموماً تحلیل ها مقادیر بیشتری (در جهت اطمینان) نشان می دهند. از اینرو نیاز به انتخاب روش تحلیلی مناسب به گونه ای که مستقل از مدلهای رفتاری و روش مدلسازی باشد وجود دارد. بنابراین شبکه عصبی مصنوعی که توانایی ایجاد روابط غیر خطی در بین ورودیها و عدم لحاظ هرگونه فرض ساده کننده را دارا می باشد به عنوان یک راهکار، مورد بررسی قرار گرفته و زمینه انجام این تحقیق گردیده است. برای نیل به این هدف، بانک اطلاعاتی وسیعی نیز از پروژه های اجرا شده و یا در حال اتمام در شهر تهران (نظیر مجتمع تجاری- اداری نرگس، باران، مدنی، ارم مهستان و یاس جهت انجام این تحقیق گردآوری شده است. در این تحقیق دو نوع شبکه عصبی متفاوت چندلایه پرسپترون، نروفازی استفاده شده است. در تمامی مدلها سعی شده است که از پارامترهایی به عنوان پارامتر ورودی استفاده شود که اولاً بیشترین تاثیر را بر روی پارامتر خروجی شبکه داشته باشند و ثانیاً تعیین این پارامتر ها مستلزم انجام آزمایشات سنگین و یا صرف هزینه و زمان زیاد نباشد. در نهایت در تمامی آنها از 4 پارامتر ورودی و 1 پارامتر خروجی بهره گرفته شده است. شبکه های چند لایه پرسپترون از ساختار های متفاوت یک، دو و سه لایه پنهان با تعداد متناوب نورون شکل گرفته اند که در نهایت با مقایسه شاخص های خطا مناسبترین ساختار شبکه عصبی معرفی شده است. شبکه های نروفازی نیز در دو نوع مختلف تابع عضویت مثلثی و گاوسی در تعداد متفاوت استفاده شده و موفق ترین مدل ها نیز به همراه نتایج تحلیلی ارایه شده است. در انتها ساختار بهینه mlp و مدل شبکه نروفازی منتخب، در برابر داده های تجربه نشده قرار گرفت و موفقیت قابل قبولی در تعمیم و شبیه سازی از خود نشان داده است. مطابق آنچه که در این تحقیق نتیجه گردیده است مشخص می شود که شبکه های چند لایه پرسپترون قابلیت بیشتری نسبت شبکه های نروفازی داشته و شبکه پایدارتری می باشند.