تخمين ضريب فشار جانبي ماسه ها با استفاده از آزمايش نفوذ مخروط در محفظه كاليبراسيون و شبكه عصبي مصنوعي

Determination of Coefficient of Lateral Earth Pressure at Rest for Sandy Soil Using Cone Penetration Test and Artificial Neural Network

تعيين دقيق و مناسب پارامترهاي خاك همواره در طراحي‌ هاي ژئوتكنيكي مورد توجه بوده است. پيش بيني دقيق پارامترهاي تاثيرگذار ماسه از آزمايشات برجا نظير (CPT)، يكي از چالشي‌ ترين مسايل در مهندسي ژئوتكنيك است. در اين تحقيق با استفاده از نتايج آزمايش كاليبراسيون نفوذ مخروط كه در دانشگاه‌ ها و موسسات معتبر انجام شده‌ اند و همچنين سيستمي متشكل از سه نوع شبكه عصبي مصنوعي، پارامتر ضريب فشار جانبي ماسه در حالت سكون (K0) براي انواع مختلف ماسه‌ هاي موجود در پايگاه داده جمع‌ آوري شده، به طور نسبتا دقيقي پيش بيني شده است. در اين سيستم مجموعه‌ اي از شبكه‌ هاي عصبي به طور سري وظايفي انجام مي‌ دهند و در نهايت با تركيب مناسب اين شبكه‌ ها، سيستم قادر خواهد بود كه پارامتر (K0) را با دقت مناسب براي خاك‌ هاي ماسه‌ اي مورد بررسي در پايگاه داده، پيش‌ بيني نمايد. در اين روش از شبكه عصبي خودسازمانده (SOM) براي خوشه‌ بندي مناسب داده‌ ها، از شبكه عصبي احتمالاتي (PNN) براي كلاسه‌ بندي ماسه و در نهايت از شبكه عصبي چندلايه با الگوريتم پس انتشار (BP) براي مدل نهايي، استفاده مي‌ گردد. جزييات ايجاد و به كارگيري چنين سيستمي در مقاله شرح داده شده و همچنين در پايان، نتايج بدست آمده از اين سيستم با نتايج ساير محققين مقايسه گرديده است.

The estimation of soil parameters in geotechnical practice is always an important step. Accurate prediction of sands parameters from insitu tests such as CPT is one of the most challenging problems in geotechnical engineering. In this study, using a series of reliable CPT calibration chamber test data and a system consisting of three types of neural networks, the coefficient of lateral pressure of sandy soil at rest (K0) is predicted while it has good agreement with measured data gathered in database. In this system, a series of neural networks perform some tasks and finally by strategically combining of networks, the system will be able to predict parameter (K0) with reasonable accuracy. The proposed system uses Self Organizing Map (SOM) for clustering data into training, testing and validating sets and probabilistic neural networks for classifying of sands and back propagation neural networks for conclusive function approximation. Details on the development of such a system are described in the present paper and finally results obtained by this system are compared to the available relations suggested by other researchers.