این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی عمران مدرس، جلد ۱۴، شماره ۵، صفحات ۲۷-۳۶
عنوان فارسی تعیین ظرفیت باربری شمع‌های کوبشی در خاک‌های ماسه‌ای با استفاده از شبکه‌های عصبی مصنوعی
چکیده فارسی مقاله اثر عواملی نظیر ناهمسانی محیط خاک در برگیرنده یک شمع، اجرای شمع، جنس شمع و شکل آن، تخمین صحیح ظرفیت باربری یک شمع را با مشکل همراه می­سازد. با آن که آزمایش بارگذاری شمع می­تواند با وجود دقت بالا، به عنوان یک روش قابل اعتماد در مراحل مختلف تحلیل و طراحی به کار رود، هزینه های زیاد و زمان انجام طولانی را برای پروژه­های عمرانی تحمیل می­کند و همین مساله باعث ایجاد محدودیت­هایی در انجام این آزمایش می­شود. در این میان مدل‌سازی با استفاده از شبکه­های عصبی مصنوعی روشی است که بر اساس داده­ها و اطلاعات قبلی بوده و نیازی به ساده‌سازی و استفاده از ضرایب اطمینان بالا ندارد. در این مقاله، شبکه­های عصبی مصنوعی برای پیش­بینی ظرفیت باربری شمع­های فلزی ته باز کوبیده شده در خاک­های ماسه­ای، به کار گرفته شده­اند. از 4 پارامتر طول شمع، قطر شمع، مدول الاستیسیته خاک و زاویه اصطکاک داخلی آن به عنوان ورودی و از ظرفیت باربری شمع به عنوان خروجی استفاده شده است. چگونگی طراحی شبکه و عوامل موثر بر رفتار آن در مسئله مربوطه به صورت خلاصه بررسی شده است. در پایان با آنالیز حساسیت بر روی ساختار بهینه مدل‌های معرفی شده، در خصوص چگونگی اثر 4 پارامتر ورودی بر خروجی شبکه بحث شده است. .
کلیدواژه‌های فارسی مقاله آزمایش بارگذاری شمع،دستگاه تعیین ظرفیت باربری،شبکه‌های عصبی مصنوعی،چند لایه پرسپترون،آنالیز حساسیت،
عنوان انگلیسی Determination of Bearing Capacity for Driven Piles in Sandy Soils by Using Artificial Neural Network Method
چکیده انگلیسی مقاله Determining the bearing capacity of piles is an important issue that always Geotechnical engineers focus on. Effect of factors such as environmental dissonance of soil which contains a pile, pile implementation, pile gender and its shape make correct estimation of bearing capacity difficult. Pile load testing as a reliable method could be used in various stages of analysis, design and implementation of piles to determine theaxial bearing capacity of piles. On the other hand, pile load testing, despite high accuracy, imposes high cost and long duration for development projects and it causes limitations in this experiment. Thus acceptance of numerical analysis at geotechnical studies is increasing. The modeling using artificial neural networks is the method that is based on previous data and don’t need to simplify and improve the high reliability coefficient. In this study serious models of multi-layer perceptron neural network, one of the most commonly used neural networks, was used. Network design and factors influencing its behavior in this issue has been studied as a summary. In this study, artificial neural networks are used for prediction of bearing capacity of driven steel piles in sandy soil, in all models four parameters are used as input data which are length and diameter of the pile, the coefficient of elasticity and internal friction angle of soil and the bearing capacity of piles is used as output data. Models have reasonable success in predicting the bearing capacity of piles. In order to evaluation of networks, the different indices such as RMSE, MAE, MAXAE and SDAE were used. To increase the accuracy of predicting bearing capacity, for the network training stage the real tests that has been done at the geotechnical studies of dry dock area hormozgan by POR Consulting Engineers were used.Acording to (Because we) need of more data for training and testing network, several tests on pile bearing capacity, in smaller dimensions were performed in the laboratory. The sixty tests have been performed on piles with various length (35, 40, 45 and 50 cm), various diameters (20, 25 and 32 mm) and different relative compacted sandy beds (50, 60, 70, 75 and 80%). To perform these tests the device of pile bearing capacity, made in university of TarbiatModarres, was used. Models based on neural networks, unlike traditional models of behavior don’t explain effect of input parameters on output parameters. In this study, by the sensitivity analysis on the optimal structure of introduced models in each stage it has been somewhat trying to response this question. .
کلیدواژه‌های انگلیسی مقاله آزمایش بارگذاری شمع,دستگاه تعیین ظرفیت باربری,شبکه‌های عصبی مصنوعی,چند لایه پرسپترون,آنالیز حساسیت
نویسندگان مقاله علی اکبر گلشنی |
دانشگاه تربیت مدرس

علی اکبر گلشنی |
دانشگاه تربیت مدرس

مظاهر برنتی |
دانشگاه تربیت مدرس

سید شهاب الدین یثربی |
دانشگاه تربیت مدرس

نشانی اینترنتی https://mcej.modares.ac.ir/article_11720_b5cf694ecd56e9330a3886fd44c99a97.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات