علیرضا مجیدی؛ غلامرضا لشکریپور؛ ضیاءالدین شعاعی
چکیده
پتانسیل تورمی خاکهای ریزدانه از جمله عوامل موثر بر فرسایش و رفتار مکانیکی آنها و همچنین از دادههای ضروری در مراحل مطالعه، طراحی، اجرای و انتخاب مصالح اغلب سازههای مهندسی به خصوص سازههای هیدرولیکی هستند. در این پژوهش بهمنظور پیشبینی پتانسیل تورمی خاکهای ریزدانه مارنی از مدل شبکه عصبی مصنوعی پرسپترون چند لایه و الگوریتم ...
بیشتر
پتانسیل تورمی خاکهای ریزدانه از جمله عوامل موثر بر فرسایش و رفتار مکانیکی آنها و همچنین از دادههای ضروری در مراحل مطالعه، طراحی، اجرای و انتخاب مصالح اغلب سازههای مهندسی به خصوص سازههای هیدرولیکی هستند. در این پژوهش بهمنظور پیشبینی پتانسیل تورمی خاکهای ریزدانه مارنی از مدل شبکه عصبی مصنوعی پرسپترون چند لایه و الگوریتم آموزش لونبرگ-مارکوارت استفاده شده است. بهمنظور مشخص نمودن بهترین مدل پیشبینی پتانسیل تورمی خاکهای مارنی، چند عامل مختلف از جمله ساختار شبکه و ترکیب پارامترهای ورودی، بهطور همزمان و در ارتباط با یکدیگر به روش سعی و خطا مورد بررسی و ارزیابی قرار گرفت. در این تحقیق از نتایج آزمایشهای فیزیکو شیمیایی و مکانیکی انجام شده بر روی 60 نمونه خاک ریزدانه مارنی با سنگ مادری مارنهای نئوژن، سازندهای قم و قرمز بالایی که از حوضه دریاچه نمک و در نواحی تهران، قم و ساوه برداشت شده، استفاده شده است. در این تحقیق از پارامتر شیمیایی قابلیت هدایت الکتریکی اشباع خاک EC، بهعنوان یک پارامتر جدید همراه با پارامترهای شاخص و فیزیکی نظیر، حدود اتربرگ، دانهبندی، عدد فعالیت خاک، درصد پوکی و دانسیته اولیه خاک در پیشبینی پتانسیل تورمی خاک استفاده شد. مقادیر معیارهای ارزیابی R2 ،RMSE و ضریب کارایی مدل MCE مربوط به بهترین مدل با پارامترهای فیزیکی Yd0، C، M، A، PI و LL بهترتیب برابر 0.89، 2.3 و 0.84 و برای بهترین مدل با پارامترهای فیزیکی Yd0، C، M، PI، LL به همراه پارامتر EC بهترتیب برابر 0.92، 1.7 و 0.91 میباشد. به این ترتیب نتایج معیارهای ارزیابی مدلهای شبکه عصبی نشان داد که استفاده از پارامتر هدایت الکتریکی اشباع خاک به همراه دیگر پارامترهای خاک، باعث افزایش دقت و کارایی مدل شبکه عصبی در پیشبینی پتانسیل تورمی خاکهای ریزدانه مارنی میشود.