این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی عمران مدرس، جلد ۱۷، شماره ۴، صفحات ۲۷۷-۲۸۷
عنوان فارسی تعیین شاخص تراکم خاک‌های رسی با استفاده از سیستم استنتاج فازی-عصبی انطباقی
چکیده فارسی مقاله احداث ساختمان‌ها و سازه‌های مختلف، باعث به هم فشرده شدن ذرات خاک و درنتیجه نشست خاک می‌گردند. یکی از روش‌های محاسبه میزان نشست، استفاده از شاخص تراکم خاک (Cc) حاصل از نتایج آزمایش تحکیم در خاک‌های رسی می‌باشد که انجام این آزمایش نسبتاً زمان‌بر و پرهزینه است. در این خصوص برخی محققان، روابط نیمه تجربی مختلفی ارائه نمودند که این روابط نیز به‌صورت تک پارامتری مقدار Cc را تعیین می‌نمایند. با توجه به اینکه Cc رابطه‌ای غیرخطی با پارامترهای مربوطه دارد و این‌گونه مسائل غیرخطی و مواردی که نیاز به درک دقیق مسئله‌دارند را می‌توان با استفاده از سیستم استنتاج فازی-عصبی انطباقی (ANFIS) پیش‌بینی نمود. در این مقاله به‌منظور پیش‌بینی Cc، دو مدل ANFIS ارائه گردیده است که در ایجاد این دو مدل از خوشه‌بندی کاهشی (SC) و خوشه‌بندی Fuzzy c-means (FCM) استفاده‌شده است. پارامترهای ورودی این مدل‌ها، مشابه با پارامترهایی می‌باشند که در اکثر روابط نیمه تجربی ارائه‌شده برای Cc به‌کاربرده شده است؛ این پارامترها شامل نسبت تخلخل اولیه (e0)، حد روانی (LL) و حد خمیری (PL) می‌باشند که در آزمایشگاه به‌راحتی قابل‌تعیین هستند. نتایج به‌دست‌آمده نشان دادند که هر دو مدل ANFIS دارای قابلیت بالایی برای پیش‌بینی Cc با ورودی‌های انتخابی بوده و همچنین توانسته‌اند پیش‌بینی نسبتاً مناسب و قابل قبولی را ارائه دهند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Determination of clayey soil compression index (Cc) using adaptive neuro-fuzzy inference system
چکیده انگلیسی مقاله Construction of buildings and structures causes to compact of soil particles and soil settlement. Hence, determination and prediction of soil settlement in the stability of structures, resulting from the applied loads, is necessary before construction. As a result of consolidation test that is relatively time-consuming and costly testing, compression index (Cc) is used to get the amount of settlement. In fact, soil settlement can cause extensive damage to a project in some cases. In order To prevent these damages, correct prediction can be useful for safe designing of structures. Cc may be as a function of various parameters such as initial void ratio of soil, moisture of liquid limit, moisture of plastic limit, plasticity index, relative density, and so on. By considering the longtime of consolidation test, researchers have tried to find relationship between these parameters and Cc from the past until now. For this reason they tried to connect Cc to other physical measurable properties of the soil. In the past, some researchers have indirectly tried to measure these parameters. In this regard, several empirical single-parameter approaches are proposed to estimate Cc. Due to non-linear relationship between Cc and relevant parameters, Adaptive Neuro-Fuzzy Inference System (ANFIS) has found as an application to solve such non-linear problems and cases where an accurate understanding of the problem is required. ANFIS is a multilayer feed forward networks that is combination of Fuzzy Inference System (FIS) and Neural Network (NN). NN has ability to learn the input and output data and FIS is also capable for map the input space to the output space. ANFIS is a powerful tool to solve complex and nonlinear problems using the two mentioned features and also language power of FIS and numerical power of adaptive nervous system. In this paper, Compression index (Cc) is modeled by ANFIS. Two ANFIS model were created by subtractive clustering (SC) and Fuzzy c-means clustering (FCM), respectively, and then trained. By data clustering, collection of training data is divided into a number of fuzzy clusters and each cluster representing the system behavior. The data were collected from the Soil Mechanics Laboratory of Mashhad city. ANFIS input parameters are taken according to the same parameters that commonly chosen in most of empirical models for determining Cc that easily determined in the laboratory. These input parameters include initial void ratio (e0), liquid limit (LL) and plastic limit (PL). The number of required iterations for training (Epochs) in two ANFIS model, neighborhood radius (ra) in SC and number of clusters (NC) in FCM are optimized using trial and error method. After the end of solving and optimization of ANFIS models, the SC-FIS model was found in ra = 0.25 and NC =18 and the FCM-FIS model was obtained in NC = 20 with highest accuracy for prediction. Results showed both ANFIS model have a high capacity and appropriate forecasting for Cc prediction with chosen inputs parameters. Compared to the SC-FIS model, FCM-FIS is conducted prediction with higher accuracy. Using presented ANFIS models, can be predict the Cc of soils whose characteristics are within the specifications soils that used in this modeling with high accuracy and do not need to conduct consolidation tests that are very time consuming and costly.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی هاشمی جوکار | hashemi jokar
دانشجو دکترا - دانشگاه صنعتی شیراز
سازمان اصلی تایید شده: دانشگاه صنعتی شیراز (Shiraz university of technology)

سهراب میراثی |
دانشجو دکترا

حسین رهنما |
هیئت علمی دانشگاه صنعتی شیراز
سازمان اصلی تایید شده: دانشگاه صنعتی شیراز (Shiraz university of technology)

نشانی اینترنتی http://mcej.modares.ac.ir/article_17902_b9b6f58177392f55ba2a90117379de72.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1242/article-1242-498231.pdf
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