مدل‌‌سازي آزمايش پرسيومتري (فشارسنجي) با استفاده از شبكه‌ي عصبي مصنوعي

MODELLING OF PRESSUREMETER TESTS WITH ARTIFICIAL NEURAL NETWORKS

آزمايش پرسيومتري (فشارسنجي)، يكي از مهم‌ترين آزمايش‌هاي برجاي مهندسي ژيوتكنيك است. اين آزمايش قادر به تخمين بسيار مناسبي از پارامترهاي تغيير شكلي خاك است. در اين تحقيق از سه نوع شبكه‌ي عصبي مصنوعي (ANN) به‌منظور مدل‌سازي آزمايش پرسيومتري (فشارسنجي) استفاده شده است. براي ‌اين منظور ابتدا از پرسپترون چند‌لايه ــ يكي از پركاربردترين شبكه‌هاي عصبي ــ استفاده شد و در ادامه، با استفاده از شبكه‌ي نوروفازي كه تركيبي از شبكه‌هاي عصبي ـ فازي و نيز با بهره‌گيري از شبكه‌ي عصبي تابع مبناي شعاعي كه شبكه‌‌يي موفق در مسايل غير‌خطي است به اين مهم پرداخته شد. در تمامي اين مدل‌ها از خواص فيزيكي و تراكمي خاك استفاده شده است. مدل‌ها از دو ساختار كلي داراي 6 ورودي، و داراي 5 ورودي و يك خروجي تشكيل شده اند. از مجموعه‌ي بزرگي از آزمايش‌هاي پرسيومتريِ انجام شده روي محدوده‌ي وسيعي از خاك‌هاي ريزدانه و درشت دانه، به عنوان بانك اطلاعاتي استفاده شده است. شبكه‌هاي مورد استفاده نيز موفقيت قابل قبولي از خود نشان داده اند. در نهايت مدل‌هاي مختلف شبكه‌هاي عصبي با يكديگر مقايسه، و شبكه‌يي كه بهترين عملكرد را داشته مشخص شده است. براي ارزيابي شبكه‌ نمودارهاي فشار ـ تغييرحجم حاصل از شبيه ‌سازي ساختارهاي بهينه‌ي هر مدل با نتايج تجربي حاصل مقايسه شده است. مدل‌هاي مبتني بر شبكه‌هاي عصبي، برخلاف مدل‌هاي رفتاري مرسوم توضيحي درمورد چگونگي اثر پارامترهاي ورودي بر خروجي نمي‌دهند. در اين تحقيق با انجام تحليل حساسيت روي ساختار بهينه‌ي مدلِ معرفي شده سعي شده است تا حدودي به اين سوال پاسخ داده شود.

In this paper, three types of Artificial Neural Network (ANN) are employed to interpret pressuremeter test results. First, a multi layer perceptron neural network, one of the most applicable neural networks, is used. Then, a neuro-fuzzy network, a combination of neural-fuzzy networks, is employed and, finally, a radial basis function, successful in solving nonlinear problems, is applied. Of all neural network models, the multi layer perceptron neural network proved to be the most effective. Finally, different models have been compared and the network with the most outstanding performance in two stages is determined. For the purpose of assessment, the capability of the model generalization, and the performance of the mentioned network against inexperienced data has been compared with empirical results. Contrary to conventional behavioral models, models based on neural networks are unable to demonstrate the effect of input parameters on output parameters. This research is a response to this need, through conducting a sensitivity analysis on the optimal structure of proposed models. Also, derivation of a governing equation for the neural network model gives more assurance to the user to employ such models, and, consequently, facilitates the application of models in engineering practices.