پيش‌بيني مقاومت برشي خاك‌هاي غيراشباع در حالت كرنش صفحه‌يي با استفاده از روش شبكه‌ي عصبي مصنوعي

PREDICTING SHEAR STRENGTH OF UNSATURATED SOILS USING A NEURAL NETWORK

با توجه به هزينه‌ي زياد و زمان‌بر بودن‌ِ انجام آزمايش‌هاي برش مستقيم يا سه محوري روي خاك‌هاي غيراشباع، معمولاً پارامترهاي مقاومت برشيِ لازم در كاربردهاي عملي، با استفاده از روابط تجربي موجود پيش بيني مي شوند. اما تحقيقات جديد حاكي از آن است كه هيچ‌يك از روش‌هاي تجربي ارايه‌شده در ادبيات مكانيك خاك‌هاي غيراشباع تواناييِ پيش بيني مقاومت برشي همه‌ي انواع خاك‌ها را ندارند. در اين نوشتار، با استفاده از نتايج آزمايش‌هاي برش مستقيمِ موجود در ادبيات مكانيك خاك‌هاي غيراشباع و نيز به‌منظور پيش‌بيني پارامتر مقاومت برشي اين‌گونه خاك‌ها يك شبكه‌ي عصبيِ مصنوعي تربيت مي شود. اين شبكه‌ي عصبي داراي شش نرون ورودي است كه چهار نرون آن شامل پارامترهاي منحني مشخصه‌ي آب‌ـ‌‌خاك است كه با استفاده از رابطه‌ي بروكز و كوري]1[ به دست مي‌آيد. پارامترهاي ديگر ورودي به شبكه، مقادير مكش و فشار قايم خالص اعمالي به نمونه را شامل مي‌شوند. به‌منظور اعتبارسنجي شبكه عصبي مصنوعي تربيت‌شده، پارامتر تنش موثر براي خاك‌هايي كه شبكه در طي آموزش با آنها روبه‌رو نشده بود، با استفاده از اين شبكه محاسبه شد. مقادير محاسبه‌شده با مقادير آزمايشگاهي به‌خوبي هم‌خواني دارند.

Accurate prediction of the shear strength of unsaturated soils is essential for the cost optimized design of earth structures, foundations and natural slopes. Considering the contribution of matric suction to the shear strength of unsaturated soils leads us to determine the effective stress parameter, ?. Besides, shear tests on unsaturated soils are costly and time consuming. Therefore, some attempts have been made to predict the shear strength of unsaturated soils using empirical procedures, in recent years. In this paper, an adaptive learning neural network method is employed to predict the effective stress parameter, ?, required for proper estimation of the shear strength of unsaturated soils. The input variables for the network include matric suction, net vertical stress and Soil Water Characteristic Curve parameters of the soil. A database prepared from direct shear test results available in the literature are used to train and test the network. The results indicate the suitability of the proposed approach for estimating the