پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 628 |
| تعداد مقالات | 9,179 |
| تعداد مشاهده مقاله | 67,527,040 |
| تعداد دریافت فایل اصل مقاله | 8,061,769 |
استفاده از شبکه‌های عصبی مصنوعی در تخمین ظرفیت باربری شالوده های سطحی واقع بر بسترهای چند لایه چسبنده | ||
| مدل سازی در مهندسی | ||
| مقاله 6، دوره 9، شماره 24، اردیبهشت 1390، صفحه 65-82 اصل مقاله (774.66 K) | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2017.1582 | ||
| نویسندگان | ||
| مرضیه حسن‌آبادی* ؛ عبدالحسین حداد؛ عبدالحسین حداد؛ حسین نادرپور | ||
| تاریخ دریافت: 09 بهمن 1395، تاریخ بازنگری: 19 اردیبهشت 1404، تاریخ پذیرش: 09 بهمن 1395 | ||
| چکیده | ||
| تخمین ظرفیت باربری شالوده‌های سطحی، موضوع بسیاری از تحقیقات در حوزه مکانیک خاک و پی بوده است. روش‌های متعددی به منظور دستیابی به این هدف توسط برخی محققین برجسته پیشنهاد شده که اغلب در مورد بسترهای همگن و یا دو لایه بوده است؛ در حالی که به طور کلی خاک یک محیط همگن و ایده‌آل نیست و در بسیاری موارد مدل سازی بستر خاکی به صورت یک بستر چند لایه، منجر به دستیابی به نتایج بهتری خواهد شد. متداول‌ترین روش در تخمین ظرفیت باربری شالوده‌های واقع بر بسترهای چندلایه، روش‌های عددی المان محدود و تفاضل محدود است. در این میان، تکنیک شبکه‌های عصبی مصنوعی نیز که در آن از بانک داده‌های حاصل از مدل سازی‌های فیزیکی و عددی استفاده شده باشد، می‌تواند جهت دستیابی به این هدف مورد استفاده قرار گیرد. یکی از برتری‌های این روش نسبت به روش‌های دیگر، سرعت و سادگی استفاده از آن است. در این مقاله، مدلی بر پایه شبکه‌های عصبی مصنوعی پرسپترون چند لایه و بر حسب پارامترهای چسبندگی و زاویه اصطکاک داخلی خاک و نیز شرایط هندسی مسئله شامل ضخامت لایه‌های خاک .و عرض شالوده ارائه شده که قادر است ظرفیت باربری شالوده‌های واقع بر بسترهای لایه‌ای را تخمین بزند. در ادامه، روش رگرسیون چند متغیره که قادر است با برازش از میان نتایج حاصل از مدل سازی عددی، رابطه‌ای کاربردی بین پارامترهای ورودی و ظرفیت باربری نهایی برقرار نماید، معرفی شده است. نتایج ظرفیت باربری حاصل از شبکه عصبی و روش رگرسیون چند متغیره نشانگر عملکرد مناسب آنها در تخمین ظرفیت باربری شالوده‌های سطحی روی بسترهای چند لایه است که می تواند منجر به ارائه روابطی کاربردی جهت تخمین ظرفیت باربری شالوده‌های سطحی شود. | ||
| کلیدواژه‌ها | ||
| شالوده سطحی؛ ظرفیت باربری نهایی؛ بستر خاکی چند لایه؛ شبکه عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| BEARING CAPACITY PREDICTION OF SHALLOW STRIP FOUNDATIONS BASED ON COHESIVE LAYERED SUBSOIL USING ARTIFICIAL NEURAL NETWORKS | ||
| نویسندگان [English] | ||
| Hasanabadi؛ Hadad؛ Hadad؛ Naderpour | ||
| چکیده [English] | ||
| Bearing capacity prediction of shallow strip foundations is one of the most important issues in geotechnical engineering. There are some bearing capacity equations and design charts proposed by researchers for this purpose. Most of the methods are for homogeneous and up to two layered subsoil. Recently, predicting bearing capacity of shallow foundations on multi layered soils have been interested. In this study, an artificial neural network is developed for bearing capacity prediction of shallow strip foundation based on cohesive multi layered subsoil. Training process of ANN needs a wide range of input data. In this study, a FEM is used for generating data for ANN. ANN has been trained for both kind of layered subsoil. Finally a multiple regression analysis which can generate a relationship between input parameters and target data is defined. Validation of neural network shows that an AAN can predict the ultimate bearing capacity of shallow strip foundation on cohesive layered subsoil with an acceptable accuracy. Effect of each parameter on ultimate bearing capacity of foundation using ANN is investigated. The results are compared with FEM and indicate that an ANN can evaluate the effect of input parameters with an acceptable accuracy. Validation of equations proposed for predicting bearing capacity of shallow foundations using multiple regression analysis indicates that this method can fit our purposes. | ||
| کلیدواژه‌ها [English] | ||
| Shallow foundation, Ultimate Bearing Capacity, Multi Layered Subsoil, Artificial Neural Network | ||
|
آمار تعداد مشاهده مقاله: 1,140 تعداد دریافت فایل اصل مقاله: 446 |
||