انتخاب صفحه

مقدمه:

در چند سال اخیر، استغاده از شبکههای عصبی مصنوعی در خیلی از زمینه های مهندسی افزایش یافته است. مخصوصا اینکه شبکههای عصبی مصنوعی در بسیاری از مسائل مهندسی که بکار گرفته شدهاند تقریبا موفقیت چشمگیری را نشان دادند. مروری بر مقالات و تحقیقاتی که در سالهای اخیر انتشار یافته گواهی بر کاربرد این علم در طیف وسیعی از مسائل است. شبکههای عصبی مصنوعی در زمینه های پیش بینی نفوذپذیری و ضریب آبگذری خاک، تراکم، تورم و طبقه بندی خاکها، ظرفیت شمعها، نشست فونداسیونها، مدلسازی رفتار خاک، سازههای نگهدارنده خاکی، نشست سازهها، خیز سازهها، پایداری شیبها، تخمین مدل بارندگی-رواناب، برآورد حداکثر عمق آب شستگی حول آب شکنها، ارزیابی مقاومت بتن درجا، پیش بینی حجم ترافیک، برنامهریزی حمل و نقل، تزریق پی سدها، طراحی تونلها و بازشوهای زیرزمینی و روانگرایی با موفقیت استفاده شده است.کاربردهای بسیار موفق ثابت شده، پیشبینی ظرفیت شمع کوبها، روانگرایی و پیش بینی رفتار و خواص خاک است. در سایر کاربردهای دیگر (نشست سازه ها) لازم است با احتیاط رفتار شود تا تحقیقات بیشتری انجام گردد. چندین زمینه وجود دارد که امکان پذیری شبکههای عصبی مصنوعی را تاکنون آزمایش کرده است، از قبیل پیشبینی ظرفیت باربری فونداسیونهای کم عمق، ظرفیت شمع در جا، طراحی دیوارهای سپر فولادی برای سازههای آبی (Sheet Pille) و سایر موارد.براساس بررسی نتایج مطالعات، پیداست که شبکههای عصبی مصنوعی کارآیی بهتری دارند و یا بخوبی روشهای مرسوم بعنوان مبنا برای مقایسه بسیاری از حالتها استغاده شده است. در بسیاری از حالتهای  مهندسی ژئوتکنیک، امکان دارد با برخی از مسائلی برخورد شود که بسیار پیچیده هستند و درک آنها خوب نیست. برای اکثر مدلهای ریاضی که سعی در حل این قبیل مسائل را دارند، کمبود مفاهیم فیزیکی معمولا توسط سادهسازی مسئله یا یکی کردن چندین فرضیه در مدل تکمیل می گردد. مدلهای ریاضی نیز با استناد به فرضی ساختار مدل پیشرفته ممکن است زیر مجموعه ای بهینه شوند. در نتیجه، بسیاری مدلهای ریاضی رد می شوند تا رفتار پیچیده اکثر مسائل مهندسی ژئوتکنیک را شبیه سازی نمایند. در مقایسه، شبکههای عصبی مصنوعی، اساسی برای دادههای تک است تا اینکه مدل بتواند روی جفت دادههای ورودی-خروجی آموزش داده شود تا ساختار و پارامترهای مدل تعیین گردد. در این مورد، لازم به ساده سازی مساله و ترکیب هیچ یک از فرضیات نمیباشد. علاوه براین، شبکههای عصبی مصنوعی می توانند همیشه به روز شوند تا اینکه نتایج بهتری توسط ارایه مثالهای آموزشی جدید بعنوان دادههای جدید موجود بدست آورند.

با وجود اینکه آنها در بسیاری از حالتها عملکرد خوبی دارند، شبکههای عصبی مصنوعی تعدادی کمبود قابل ملاحظه دارند، فقدان تئوری برای کمک به پیشرفت آن، در واقع موفقیت در پیدا کردن یک راه حل خوب، همیشه تامین نمی شود و توانایی محدود آنها راهی را تشریح می کند که آنها برای رسیدن به یک راه حل از اطلاعات موجود استغاده کنند. در نتیجه، لازم است که برخی خطوط راهنمایی ایجاد شود که بتواند در طرح مراحل شبکههای عصبی مصنوعی کمک نماید. با وجود محدودیتهای شبکههای عصبی مصنوعی، آنها تعدادی مزایای مهمی دارند که باعث توانمندی و ابزاری کاربردی برای حل بسیاری مسائل در حوزه مهندسی ژئوتکنیک می شود در پروژههایی که تراکم مصالح مطرح است، جهت تعیین و اندازه گیری پارامترهای تراکم معمولا روشهای آزمایش مخروط ماسه، روش بالون لاستیکی و یا استفاده از چگالی سنج هستهای بکار میرود، کسب نتیجه مطلوب متناسب با مشخصات فنی پروژه در شرایط مختلف کاری و تغییر در خواص مصالح نقش بسزایی در صرفه جویی زمان و هزینه اجرای کار خواهد داشت. در این پایان نامه سعی بر ان است با استفاده از روش شبکههای عصبی مصنوعی گام موثری در راستای تخمین پارامترهای موثر در تراکم برداریم و این روش را بتوان بعنوان روشی کمکی و یا جایگزین برای روشهای مرسوم اندازهگیری مشخصات تراکم در عملیات اجرایی پروژه ها، مخصوصا اجرای سدهای خاکی که تراکم مصالح با خواص گوناگون در لایه های مختلف از اهمیت بالایی برخوردارند و در حال حاضر برای بدست آوردن نتایج مطلوب قبل از اجرای بدنه اصلی، خاکریز ازمایشی احداث و نتایج ان در اجرای بدنه اصلی سد بکار میرود استفاده نمود. بدین منظور در این تحقیق ابتدا با جمع آوری اطلاعات آزمایشهای مختلف انجام شده روی مصالح سد خاکی و انتخاب شبکه عصبی مصنوعی مناسب، آموزشهای لازم به شبکه داده می شود و در نهایت پس از ایجاد شبکه عصبی مصنوعی مناسب جهت کنترل، اطلاعاتی را به شبکه وارد نموده و خروجی های انرا با نتایج بدست آمده از روشهای آزمایشگاهی مقایسه نموده و در صورت حصول نتیجه مطلوب و یا داشتن خطای قابل قبول می توان در کارهای مشابه از ان استفاده نمود.

فهرست مطالب

چکیده 1

مقدمه 2

فصول پایان نامه 4

فصل اول

۱-۱-۱- تعریف

خاک مخلوطی منفصل از کانیها و سنگدانه ها و بقایای مواد آلی گیاهی – جانوری است که فضاهای خالی آن توسط آب و هوا پر شده است و معمولا قسمت سطحی زمین را می پوشاند و معادل لاتین آن Soil میباشد. فرض کنیم که یک توده سنگی، مثلا گرانیت روی سطح زمین قرار گرفته است. این توده سنگی در اثر عوامل فیزیکی و شیمیایی مثل تاثیر دما، آبهای جوی، باد و … هوازده شده و به قسمت های کوچک و بزرگ خرد می شود و بعد از تاثیر دیگر فرآیندها و سپری شدن زمان زیاد، به خاک تبدیل می شود. نرخ تولید خاک به صورت طبیعی خیلی کم بوده و در حدود ۱ سانتیمتر در هر ۱۰۰ سال است. خاک دارای سه فاز (حالت) است . ۱-جامد (ذرات خاک) ۲- مایع (آب) ۳- گاز (هوا)

1-1-چشم اندازی برپیدایش وتئوری علم مکانیک خاک 6

1-1-1-تعریف 6

1-1-2-تاریخچه 6

1-2-کلایت علم مکانیک خاک 7

1-3-خواص فیزیکی،شیمیایی وکانی شناسی خاک ها 8

1-4-خواص ماکنیکی خاکها 9

1-5-اصول کلی تراکم 9

1-6-تراکم خاک 10

1-7-آزمایش تراکم 11

1-8-تاریخچه شبکه های عصبی 12

1-9-معرفی شبکه های عصبی مصنوعی 13

1-9-1-شبکه عصبی چیست؟  13

1-9-2-تفاوت شبکه های عصبی باروشهای محاسباتی معمول 14

1-9-3-چشم اندازی برکاربردهای شبکه های عصبی مصنوعی 14

1-10-مروری برپیشینه تحقیقات درزمینه تراکم 18

1-11-نتیجه گیری وروش تحقیق 24

آموزش مدل شبکه عصبی منتخب

آموزش مدل شبکه عصبی منتخب

فصل دوم

۱-۱-۲- شبکه عصبی چیست؟

با کشف این حقیقت که مغز انسان محاسبات را با روشی کاملا متفاوت از کامپیوترهای دیجیتال متداول انجام می دهد مطالعات بر روی شبکه های عصبی مصنوعی که معمولا شبکه های عصبی نامیده می شوند آغاز شد. مغز در حقیقت یک کامپیوتر بسیار پیچیده، غیر خطی و با ساختار موازی می باشد. به دلیل توانائی در سازماندهی عناصر بنیادی یعنی نرونها، مغز توانائی انجام بسیاری از محاسبات (مانند تشخیص الگو، ادراک و… ) را با سرعتی بسیار بالاتر از سریعترین کامپیوترهای دیجیتال امروزی دارا میباشد.در حالت کلی یک شبکه عصبی سیستمی است که برای مدل کردن عملکرد مغز در یک فعالیت مشخص طراحی می شود. شبکههای عصبی معمولاً به صورت یک نرم افزار در کامپیوترهای دیجیتالی به کار میروند. همچنین این شبکه ها برای عملکرد بهتر، نیاز به حجم وسیعی از اتصالات در بین “نرونها ” یا همان “واحد های پردازش ” دارند.با توجه به توضیحات فوق می توان تعریف زیر را برای شبکههای عصبی ارائه کرد:

یک شبکه عصبی پردازشگر بسیار موازی و پراکنده ای میباشد که از واحدهای پردازشگر کوچک تشکیل شده و تمایل ذاتی برای ذخیره اطلاعات تجربی و آماده سازی آن برای استفاده را دارا می باشد. شبکه عصبی از دو حیث کلی به مغز شباهت دارد:

۱. اطلاعات همانند مغز در طی یک فرآیند یادگیری از محیط کسب میشوند.

۲. وزنهای سیناپتیکی برای ذخیره اطلاعات بکار می روند.

مراحلی که در طی آن یادگیری انجام می شود، الگوریتم یادگیری نامیده می شود که در طی این یادگیری وزنهای سیناپتیکی تا رسیدن به یک جواب مطلوب اصلاح می شوند.

2-1-مقدمه ای برشبکه های عصبی مصنوعی 26

2-1-1-شبکه عصبی چیست؟ 26

2-1-2-مزایای شبکه عصبی 26

2-1-3-هوش مصنوعی وشبکه های عصبی 27

2-1-4-مدلهای یک نرون 27

2-1-5-معماری های شبکه 29

2-1-6-فرآِند یادگیری 32

2-1-6-1-یادگیری همراه بامعلم 32

2-1-6-2-یادگیری بدون معلم 33

2-1-7-پرسپترون چندلایه 33

2-1-8-الگوریتم پس انتشار 35

2-1-9-نرخ یادگیری 37

2-1-10-معیار توقف 37

2-1-11-تعمیم پذیری 38

2-1-11-1-توقف زودهنگام 40

2-1-11-2-نحوه تقسیم بندی داده های درروش Cross validationا 40

2-1-12-الگوریتم های مختلف یادگیری درپرسپترونهای چندلایه 41

2-2-متدولوژی شبکه های عصبی 42

2-2-1-معماری شبکه  42

2-2-2-ساختار داده ها 43

2-2-3-شیوه های آموزش 44

2-2-4-خلاصه 44

2-2-5-قوانین یادگیری 45

2-2-6-آموزش 46

2-2-7-شبکه های خطی 46

2-2-8-شبکه های پس انتشار 47

2-3-اصول بنیادی 47

2-3-1-معماری(ساختار) 48

2-3-2-شبکه های پیش رونده 48

2-3-3-ساخت شبکه 49

2-3-4-شبیه سازی 49

2-3-5-اموزش 49

2-3-6-الگوریتمBPا 50

2-3-7-کاهش گرادیان بامومنتومtraingdmا     50

2-3-8-آموزش سریع تر 51

2-3-9-نرخ یادگیری متغیر 52

2-3-10-BP عکس العملی 52

2-3-11-الگوریتم های نیوتن-قواسی 53

2-3-11-1-الگوریتم trainbfg BFGSاا       53

2-3-11-2-الگوریتم سکانت یک گام trainossا 53

2-3-11-3-trainlm Marquardt Levenbergا 53

2-3-12-مقایسه حافظه وسرعت 54

2-3-13-خلاصه 55

2-3-14-بهبود توان تعمیم شبکه 55

2-3-15-توقف زودهنگام 56

2-3-16-پیش پردازش وپس پردازش 62

ذرات تشکیل دهنده خاک

ذرات تشکیل دهنده خاک

فصل سوم

۱-۳ – پیشگفتار

در فصول گذشته مختصری درباره دانش شبکههای عصبی مصنوعی ارائه گردید. در این فصل قصد بر این است تا با تکیه بر این دانش مدلهایی که بتوانند با ضریب اطمینان مناسبی مقدار پارامتراهای تراکم را پیشبینی کنند ارائه نماید.در این فصل ابتدا تعریفی کلی از پروژه انتخاب شده که سد خاکی است و تراکم در آن بررسی می شود مطرح شده و در ادامه سد مورد مطالعه که از اطلاعات ان در این تحقیق استفاده گردیده معرفی خواهد شد، سپس نتایج حاصل از آزمایشهای تراکم انجام شده در لایه های مختلفی که هنگام اجرای بدنه سد تحت بررسی و ارزیابی قرار گرفته و بمنظور آنالیز مورد نظر در این تحقیق مورد استفاده قرار خواهد گرفت. پس از آن الگوریتم به کار رفته در تربیت شبکه و همچنین شاخصهای ارزیابی مدل ارائه و پس از آن مدلهای متفاوت ارزیابی و براساس شاخصهای خطا به مقایسه این مدل ها پرداخته می شود. در نهایت مدلهایی که بالاترین توانایی را برای پیش بینی پارامترهای مورد نظر در آزمایش تراکم را دارا باشند برگزیده خواهند شد.

3-ارائه معماری های مختلف برای شبکه وبرگزیدن بهترین مدل شبکه جهت تخمین نتایج 64

3-1-پیشگفتار 64

3-2-معرفی پروژه مورد مطالعه 64

3-2-1-سدهای خاکی 64

3-2-2-معرفی سد نمرود 65

3-3-بانک اطلاعاتی 65

3-4-تقسیم بندی داده ها 70

3-5-معرفی الگوریتم به کاررفته برای آموزش شبکه ها 70

3-6-شاخص های ارزیابی مدل 71

3-6-1-معیارهای ارزیابی محلی 71

3-7-معرفی مدلها 73

3-8-تحلیل حساسیت وبررسی نتایج 92

3-8-1-تحلیل حساسیت 93

3-8-2-تحلیل براساس بزرگای وزنهای شبکه 93

3-8-3-بررسی تاثیر پارامترهای ورودی (آنالیز حساسیت) برروی مصالح رس 95

3-8-4-بررسی تاثیر پارامترهای ورودی(آنالیز حساسیت) برروی مصالح 2Aا 97

محل وقوع مخزن سد

محل وقوع مخزن سد

فصل چهارم:نتیجه گیری

4-1-خلاصه تحقیق 100

4-2-نتیجه گیری 100

4-3-پیشنهادات 101

پیوست  92

همبستگی خروجی مدل شبکه عصبی با نتایج آزمایشگاهی داده های مورد استفاده در آموزش شبکه

همبستگی خروجی مدل شبکه عصبی با نتایج آزمایشگاهی داده های مورد استفاده در آموزش شبکه

فهرست جداول

1-1-روشهای تراکم خاک های درشت دانه 11

1-2-ساختار شبکه عصبی مصنوعی 23

2-1-الگوریتم های آزمایش شده شبکه های عصبی مصنوعی وعلائم اختصاری آن 54

3-1-داده های مورد استفاده جهت مدل سازی شبکه عصبی مصنوعی-مصالح رس 65

3-2-مدلهای شبکه عصبی بایک لایه مخفی و2نرو-تابع انتقال Tansigا 76

3-3-مقایسه نتایج حاصل از آزمایش ومدل شبکه عصبی-تابع انتقالTansigا 76

3-4-مدلهای شبکه عصبی بایک لایه مخفی ودونرون-تابع انتقالlogsigا 77

3-5-مقایسه نتایج حاصل از آزمایش ومدل شبکه عصبی-تابع انتقال logsigا 78

3-6-مقایسه نتایج حاصل از آزمایش ومدل شبکه عصبی-تابع انتقال Tansig وتغییر درتعدادلایه ها 79

3-7-مقایسه نتایج حاصل از آزمایش ومدل شبکه عصبی-تابع انتقال Tansig وتغییر درتعداد نرونها 80

3-8-مقایسه نتایج حاصل از آزمایش ومدل شبکه عصبی-تابع انتقال Logsig وتغییر در تعداد لایه ها     80

3-9- مقایسه نتایج حاصل از آزمایش ومدل شبکه عصبی-تابع انتقال Logsig وتغییر در تعداد نرون ها     81

3-10-مقایسه نتایج حاصل از آزمایشهای آزمایشگاهی ومدل شبکه عصبی برای داده هایی که شبکه بعداز آموزش اولین بار با آنها مواجه میگردد برای مصالح رس 87

3-11-داده های آزمایش مربوط به مصالح 2Aا 88

3-12-نتایج حاصل از آزمایش ومدل شبکه عصبی روی داده های حاصل ازنتایج برروی مصالح2Aا   90

3-13-مقایسه نتایج حاصل از آزمایشگاهی ومدل شبکه عصبی برای داده هایی که شبکه بعداز آموزش اولین بار با آنها مواجه یمگردد  90

3-14-وزنهای سیناپتیکی پارامترهای ورودی وخروجی درمدل-مصالح رس 95

3-15-حاصل ضرب وزنهای ورودی دروزنهای خروجی-مصالح رس 95

3-16-حاصل تقسیم برمجموع وزنها-مصالح رس 96

3-17-میزان اثرگذاری متغیرهای ورودی برروی متغیر خروجی-مصالح رس 96

3-18-وزنهای سیناپتیکی پارامترهای ورودی وخروجی درمدل-مصالح2Aا    97

3-19-حاصل ضرب وزنهای ورودی دروزنهای خروجی-مصالح2Aا 97

3-20-حاصل تقسیم برمجموع وزنها-مصالح2Aا 97

3-21-میزان اثرگذاری متغیرهای ورودی برروی متغیر خروجی-مصالح2Aا 98

فهرست شکلها

1-1-ذرات تشیکل دهنده خاک 10

1-2-طرح ساختاری شبکه های عصبی پس انتشار 22

2-1-نمایشی از سه عنصر کلیدی هوش مصنوعی 27

2-2-مدل غیرخطی نرون 28

2-3-شبکه پیش خور بالایه ساده ای از نرونها 29

2-4-شبکه عصبی کاملا متصل پیش خور همراه بایک لایه پنهان ویک لایه خروجی 30

2-5-شبکه بازگشتی بدون نرونهای لایه پنهان وبدون حافظه حلقه «خود-پس خور» 31

2-6-شبکه بازگشتی بانرونهای پنهان 32

2-7-دیاگرام مربوط به یادگیری بامعلم 32

2-8-گراف سیگنال –جریان که دران جزئیات نرون خروجی j نمایش داده شده است 36

2-9-گراف سیگنال جریان که نشان دهوده اثرثابت مومنتومa میباشد 37

2 -10-تعمیم پذیری خوب وتعمیم پذیری ضعیف 39

2-11-خطای دومجموعه آموزشی وارزیابی برحسب تعداد اپوک 40

2-12-شبکه یک لایه باچند نرون 42

2-13-شبکه چندلایه 42

2-14-مدل شبکه 43

2-15-ساختار شبکه عصبی مصنوعی 47

2-16-توابع انتقال 48

2-17-شبکه تک لایه با R ورودی و S نرون 48

2-18-پاسخ شبکه عصبی 1-20-1 برای تخمین یک تابع سینوسی 56

2-19-پاسخ شبکه آموزش یافته    57

3-1-الف-همبستگی ضعیف بین متغیرها 72

3-1-ب-همبستگی قویبین متغیرها 73

3-2-روشهای موجود برای تفسیر عملکرد شبکه های عصبی 93

فهرست نمودارها

3-1-مقایسه همبستگی نتایج توابع آموزش مختلف باتابع انتقال tansigا   77

3-2-مقایسه همبستگی نتایج توابع آموزش مختلف باتابع انتقال logsigا 78

3-3-مدل شبکه عصبی تابع انتقال Tansig باتغییر درتعداد لایه ها      82

3-4- مدل شبکه عصبی تابع انتقال Tansigباتغییر در تعداد نرونها    83

3-5- مدل شبکه عصبی تابع انتقال Logsig باتغییر درتعداد لایه ها

3-6- مدل شبکه عصبی تابع انتقال Logsig باتغییر در تعداد نرونها    85

3-7-آموزش مدل شبکه عصبی منتخب 86

3-8-همبستگی بین خروجی مدل شبکه عصبی بانتایج آزمایشگاهی داده های جدید 86

3-9-آموزش مدل شبکه عصبی منتخب  91

3-10-همبستگی خروجی مدل شبکه عصبی بانتایج آزمایشگاهی داده های مورد استفاده درآموزش شبکه 91

3-11-همبستگی خروجی مدل شبکه عصبی بانتایج آزمایشگاهی داده های جدید 91

3-12-آنالیز حساسیت پارامترهای ورودی 96

3-13-آنالیز حساسیت پارامترهای ورودی 98


ABSTRACT

The compaction of constitutive material of the body earth dams which is one of the most important parameters necessary for carried out these dams which depends on many criteria such as: specific gravity, grading, moisture content, layer thickness and etc. Because determining the quantities of these parameters practically can’t estimate relatively accurate for density percentage, this will be important to use a method that can reasonably predict of compaction percent or effective amounts on compaction beyond the common mathematic formula. In recent years artificial neural networks has been used successfully for modeling the most aspects of engineering concerns and This networks has been inspired from the behavior of brain and neural neuron and the use of it in problems which are unknown and impossible to be solved is being increased. The presented research represents the applications of neutral network methods for estimating compaction parameters specially density percent (moisture content, minimum and maximum dry density, layer thickness) according to the soil classification. This research also attempt to use the results of the experimental testing applied on the place in which the earth dam (Namrood) was constructed for training of network and at the end a comparison between network outputs with experimental testing results will be performed.


مقطع : کارشناسی ارشد

بلافاصله بعد از پرداخت به ایمیلی که در مرحله بعد وارد میکنید ارسال میشود.


فایل pdf غیر قابل ویرایش

خرید فایل pdf وسفارش word

قبل از خرید فایل می توانید با پشتبانی سایت مشورت کنید