آناليز برگشتي در آزمايش SASW با استفاده از شبكه‌هاي عصبي مصنوعي

Backcalculation Analysis of SASW Test Using Artificial Neural Networks

آزمايش آناليز طيفي امواج سطحي ‌ SASW روش صحرايي غير مخرب براي شناسايي و تعيين پروفيل سختي لايه‌هاي خاك و سيستم‌هاي چند لايه‌اي مشابه مي‌باشد. نتايج حاصل از انجام آزمايش SASW در قالب محني پراكندگي تجربي قابل ارايه مي‌باشد. منحني پراكندگي بدست آمده از آزمايش به وسيله روش‌هاي برگردان براي تعيين پروفيل خاك در محل بكار برده مي‌شود.در اين مقاله از مدل‌هاي شبكه عصبي براي تخمين و تعيين پروفيل خاك استفاده شده است. شبكه‌هاي عصبي چند لايه با الگوريتم يادگيري انتشار برگشتي گزينه‌هاي مناسبي جهت انجام فرآيند معكوس‌سازي آزمايش ‌ SASW مي‌باشند. تعدادي منحني پراكندگي تيوريكي كه با استفاده از روش ماتريس سختي ديناميكي دقيق بدست آمده‌اند براي آموزش شبكه عصبي بكار برده شده‌اند. به عبارت ديگر اين منحني‌هاي پراكندگي به همراه پروفيل‌هاي خاك مربوطه به عنوان داده‌هاي آموزشي ورودي به شبكه در نظر گرفته شده‌اند. اين داده‌هاي ورودي با سه الگوريتم يادگيري شامل پس انتشار خطاي بيشترين شيب، گراديان مزدوج و ماركوآرت- لونبرگ به شبكه آموزش داده مي‌شوند. مقايسه نتايج حاصل از اين مطالعات با آزمايشهاي انجام يافته بوسيله روش SASW نشان مي‌دهد كه اين شبكه ‌ها جواب‌هاي مناسبي جهت تعيين پروفيل خاك در محل ارايه مي‌دهند.

Spectral analysis of surface wave method is an in- situ nondestructive testing technique for site exploration and determination of soil layers stiffness profile and similar systems. The results of SASW measuremants are presented in the form of experimental dispersion curve. This curve is used for determining the soil profile by means of one of the available backcalculation procedures.In this paper, artificial neural networks have been used for estimation and determination of soil profile. Multi layer neural networks along with back propagation training procedure are suitable choices to carry out the required inversion process. A number of theoretical dispersion curves, which have been obtained using the exact dynamic stiffness matrix method, are used for training the networks. In other words, these curves along with the relevant soil profiles are used as input data for training the networks by means of three training algorithms. These algorithms are the Steepest Descent Gradient Algorithm, Conjugate Gradient Algorithm and Levenbereg Marquardt Algorthim. The comparisons made between the results obtained from this study and those resulted from other backcalculation procedures show very good match indicating that the method employed in this study can be effectively used for determination of soil site profiles.