این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
زمین شناسی مهندسی، جلد ۸، شماره ۲، صفحات ۲۰۷۱-۲۰۹۶
عنوان فارسی بررسی رفتار مصالح شن‌دار در بارگذاری زهکشی نشده مونوتونیک با استفاده از شبکه‌های عصبی مصنوعی
چکیده فارسی مقاله این مقاله امکان توسعه و بکارگیری شبکه‌های عصبی مصنوعی در مدل‌سازی نتایج آزمایش‌های مونوتونیک سه‌محوری قطر بزرگ روی انواع مصالح سنگریزه‌ای تیزگوشه، گردگوشه و مصالح شنی با درصدهای مختلف ریزدانه بهکار رفته در بدنه سدهای مهم کشور را ارائه می‌دهد. در ابتدا قابلیت شبکه‌های عصبی مصنوعی(ANNs) در مدل‌سازی منحنی های رفتاری تنش تفاضلی- اضافه فشار آب حفره‌ای - کرنش محوری بررسی شده است که دلالت بر قابلیت نسبتاً مناسب مدل در شبیه‌سازی رفتار مصالح شن‌دار دارد. بانک اطلاعات بکار رفته در شبکه، شامل 52 گزینه مختلف آزمایش سه محوری کرنش-کنترل تحت شرایط زهکشی نشده است. برای مسئله مورد نظر، یک برنامه شبکه‌های عصبی مصنوعی پیشخوراند سه لایه پرسپترون (MLP) در محیط MATLAB7 نوشته شد و شبکه بهینه (تعداد لایه‌های مخفی، تابع تبدیل و نوع آموزش شبکه) به طریق سعی و خطا، و با توجه به شاخص‌های خطا و تطابق با داده‌های آزمایشگاهی انتخاب شد. پارامترهای ورودی شبکه شامل تنش محدود‌کننده، دانسیته و درصد رطوبت بهینه، توزیع اندازه دانه‌ها و نرخ ایجاد کرنش می‌باشد. نتایج نشان می‌دهد که ANNs قابلیت بسیار مناسبی در تخمین منحنی‌های رفتاری یاد‌شده در کلیه موارد بررسی شده دارد. در ادامه قابلیت شبکه‌های عصبی مصنوعی(ANNs) در بدست آوردن حداکثر زاویه اصطکاک داخلی و نتاطی از منحنی‌های رفتاری شامل تنش های تفاضلی حداکثر و پسماند و اضافه فشارهای آب حفره ای در کرنش‌های نظیر بررسی شد. ضمناً از قابلیت تعمیم شبکه عصبی مصنوعی برای بررسی موارد آزمایش نشده مثل اثر تغییرات دانسیته و درصد کوچک‌تر از mm 2/0 هم بهره گرفته‌شد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Assessment Behaviors of Gravelly Materials in Undrained Monotonic Loading using Artificial Neural Networks
چکیده انگلیسی مقاله This paper presented the feasibility of developing and using artificial neural networks (ANNs) for modeling the monotonic large scale triaxial tests over angular, rounded rockfill and materials contained various percentages of fines as a construction material in some dams in Iran. The deviator stress/excess pore water pressure versus axial strain behaviors were firstly simulated by employing the ANNs. Reasonable agreements between the simulation results and the tests results were observed, indicating that the ANN is capable of capturing the behavior of gravely materials. The database used for development of the models comprises a series of 52 rows of pattern of strain-controlled triaxial tests for different conditions. A feed forward model using multi-layer perceptron (MLP), for predicting undrained behavior of gravely soils was developed in MATLAB environment and the optimal ANN architecture (hidden nodes, transfer functions and training) is obtained by a trial-and-error approach in accordance to error indexes and real data. The results indicate that the ANNs models are able to accurately predict the behavior of gravely soil in CU monotonic condition. Then, the ability of ANNs to prediction of the maximum internal friction angle, maximum and residual deviator stresses and the excess pore water pressures at the corresponding strain level were investigated. Meanwhile, the artificial neural network generalization capability was also used to check the effects of items not tested, such as density and percentage smaller of 0.2 mm.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله عطا آقایی آرایی | ata aghaeearaee
مرکز تحقیقات راه، مسکن و شهرسازی
سازمان اصلی تایید شده: مرکز تحقیقات راه مسکن و شهرسازی

نشانی اینترنتی http://jeg.khu.ac.ir/browse.php?a_code=A-10-106-2&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده زمین شناسی مهندسی
نوع مقاله منتشر شده علمی پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات