تحليل شكست قاشقي با استفاده از روش شبكه عصبي و شبيه سازي مونت كارلو

Circular Failure Analysis using Artificial Neural Network and Monte-Carlo simulation

بررسي پايداري شيرواني ها از اهميت ويژه اي برخوردار بوده و اگر به درستي انجام نشود منجر به بروز خسارت هاي جبران ناپذيري خواهد شد. روش هاي معمول در زمينه تحليل پايداري شيرواني ها، به دليل محدوديت ها و فرضيات ساده كننده ايكه در ارتباط با شرايط خاك در نظر مي گيرند، تقريب زيادي در نتايج به وجود مي آورند. به منظور رفع اين نقايص بايد ازروش هاي نوين محاسباتي نظير شبكه هاي عصبي، شبيه سازي و ... كه توانايي بررسي همزمان متغيرهاي موثر را دارند استفاده كرد. در اين تحقيق از دو روش شبكه هاي عصبي مصنوعي و روش شبيه سازي احتمالاتي مونت كارلو براي تعيين ضريب اطمينان پايداري شيب شيرواني استفاده شده است. در روش شبكه عصبي با مقايسه و بررسي شبكه هاي مختلف،شبكه اي چهار لايه با دو لايه پنهان و ساختار 1-15-5-6 به عنوان شبكه بهينه تعيين شد. به منظور شبيه سازي احتمالاتي پايداري شيرواني نيز از نرم افزار Slide استفاده شد. جهت اعتبارسنجي مدل هاي ارائه شده، از داده هاي واقعي بيش از 100شيب خاكي استفاده شد. نتايج تحقيق نشان داد كه استفاده از شبكه عصبي مصنوعي براي پيش بيني مقادير ضريب اطمينان و مشخصات قوس لغزش بحراني در بررسي پايداري شيرواني ها كارآمد بوده و همچنين روش شبيه سازي احتمالاتي در مقايسه با روش قطعي و شبكه عصبي توانايي بررسي اثر ريسك را در پايداري شيرواني دارد. با استفاده از اين روش احتمال ريزش براي مواردي با ضريب اطمينان كمتر از يك برابر 11 درصد محاسبه شد.

Evaluation of the slope stability is very important and if not done properly will cause irreparable damage. For calculating the safety factor in natural slopes and soil dams, the usual slope stability analysis methods use the limit equilibrium methods. Due to some limitations and assumptions these methods may not show the accurate results. In order to fix this problem, the new approaches, such as neural networks, simulation, etc. should be applied, which these methods are able to consider the effective variables, simultaneously. In this research, in order to determination of the safety factor in slope stabilities, the artificial neural networks and Monte Carlo simulation methods were used. With comparison between some networks, finally a four-layer ANN was found to be optimum with architecture of six neurons in input layer, 5 and 15 neurons in first and second hidden layer, respectively, and one neuron in output layer. Slide software was used for simulating the behavior of the slope. In order to validation the presented model, 100 datasets of slope were gathered. The results show that the artificial neural network can predict the values of the specification of the critical arc slip and safety factor and the probabilistic simulation method are more efficient in compare with deterministic methods. Using this method, the probability of the slope failure was 11 percent.