بررسي رفتار مصالح شن‌دار در بارگذاري زه‌كشي نشده مونوتونيك با استفاده از شبكه‌هاي عصبي مصنوعي

Investigation on the Behavior of Gravelly Materials in Undrained Monotonic Loading Using Artificial Neural Networks

امكان توسعه و به‌كارگيري شبكه‌هاي عصبي مصنوعي در مدل‌سازي نتايج آزمايش‌هاي مونوتونيك سه‌محوري قطر بزرگ روي انواع مصالح سنگ‌ريزه‌اي تيزگوشه، گردگوشه و مصالح شني با درصدهاي مختلف ريزدانه بهكار رفته در بدنه سدهاي مهم كشور در اين مقاله ارايه مي‌شود. در ابتدا قابليت شبكه‌هاي عصبي مصنوعي (ANNs) در مدل‌سازي منحني‌هاي رفتاري تنش تفاضلي- اضافه فشار آب حفره‌اي- كرنش محوري بررسي شده است كه دلالت بر قابليت نسبتاً مناسب مدل در شبيه‌سازي رفتار مصالح شن‌دار دارد. بانك اطلاعات به‌كار رفته در شبكه، شامل 52 گزينه مختلف آزمايش سه‌محوري كرنش-كنترل تحت شرايط زه‌كشي نشده است. براي مسيله مذكور، يك برنامه شبكه‌هاي عصبي مصنوعي پيش‌خوراند سه‌لايه پرسپترون (MLP) در محيط MATLAB7 نوشته شد و شبكه بهينه (تعداد لايه‌هاي مخفي، تابع تبديل و نوع آموزش شبكه) به روش سعي و خطا، و با توجه به شاخص‌هاي خطا و تطابق با داده‌هاي آزمايشگاهي انتخاب شد. پارامترهاي ورودي شبكه شامل تنش محدود‌كننده، دانسيته و درصد رطوبت بهينه، توزيع اندازه دانه‌ها و نرخ ايجاد كرنش است. نتايج نشان مي‌دهد كه ANNs قابليت بسيار مناسبي در تخمين منحني‌هاي رفتاري ياد‌شده در همه موارد بررسي شده دارد. در ادامه قابليت شبكه‌هاي عصبي مصنوعي(ANNs) در به‌دست آوردن حداكثر زاويه اصطكاك داخلي و نتاطي از منحني‌هاي رفتاري شامل تنش‌هاي تفاضلي‌ حداكثر و پسماند و اضافه فشارهاي آب حفره‌اي در كرنش‌هاي نظير بررسي شد. ضمناً از قابليت تعميم شبكه عصبي مصنوعي براي بررسي موارد آزمايش نشده مثل اثر تغييرات دانسيته و درصد كوچك‌تر از mm 2/0 هم بهره گرفته ‌شد

This paper presented the feasibility of developing and using artificial neural networks (ANNs) for modeling the monotonic large scale triaxial tests over angular, rounded rockfill and materials contained various percentages of fines as a construction material in some dams in Iran. The deviator stress/excess pore water pressure versus axial strain behaviors were firstly simulated by employing the ANNs. Reasonable agreements between the simulation results and the tests results were observed, indicating that the ANN is capable of capturing the behavior of gravely materials. The database used for development of the models comprises a series of 52 rows of pattern of strain-controlled triaxial tests for different conditions. A feed forward model using multi-layer perceptron (MLP), for predicting undrained behavior of gravely soils was developed in MATLAB environment and the optimal ANN architecture (hidden nodes, transfer functions and training) is obtained by a trial-and-error approach in accordance to error indexes and real data. The results indicate that the ANNs models are able to accurately predict the behavior of gravely soil in CU monotonic condition. Then, the ability of ANNs to prediction of the maximum internal friction angle, maximum and residual deviator stresses and the excess pore water pressures at the corresponding strain level were investigated. Meanwhile, the artificial neural network generalization capability was also used to check the effects of items not tested, such as density and percentage smaller of 0.2 mm.