پیش بینی طرح اختلاط بهینه برای بهسازی خاک رس نرم با استفاده از شبکه های عصبی مصنوعی
محل انتشار: فصلنامه مدل سازی در مهندسی، دوره: 17، شماره: 57
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 374
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JME-17-57_010
تاریخ نمایه سازی: 21 اسفند 1399
چکیده مقاله:
استفاده و کاربرد شبیه سازی مصنوعی در پیش بینی رفتار مصالح علی الخصوص هنگامی که نتایج واقعی داشته باشیم از نظر زمان و هزینه از اهمیت ویژه ای برخوردار است. بر این اساس در این پژوهش داده های آزمایش بدست آمده از آزمایش تک محوری روی نمونه های خاک تثبیت شده توسط آهک، پسماند و سیلیکات سدیم با شبکه عصبی (GRNN) و الگوریتم ژنتیک (برنامه ریزی بیان ژن (GEP)) مورد بررسی قرار گرفته است. بنابراین با توجه به نتایج مقاومت فشاری محدود نشده برای درصدهای محدودی که آزمایش انجام شده است شبیه سازی مصنوعی انجام و راستی آزمایی صورت گرفته است سپس با توسعه شبکه عصبی و الگوریتم ژنتیک برای حالت ها و درصدهای مختلف اختلاط در بهسازی خاک، درصد اختلاط بهینه تعیین شده است که با توجه به نتایج بدست آمده از مدل الگوریتم ژنتیک، طرح اختلاط بهینه برای این نوع خاک رس در 6 درصد آهک، 6 درصد پسماند صنعتی و 1.5 درصد سیلیکات سدیم می باشد. نتایج شبکه عصبی دارای قدرت پیش بینی مناسب تری نسبت به الگوریتم ژنتیک می باشد به طوری که بهترین پیش بینی برای مدل 90 روزه شبکه عصبی با مقدار R^2 و RMSE به ترتیب برابر با 0.998 و 0.019 وکمترین پیش بینی برای مدل 7 روزه الگوریتم ژنتیک با مقدار R^2 و RMSE به ترتیب برابر با 0.967 و 0.059 می باشد.
کلیدواژه ها:
نویسندگان
حدیث بی باک
گروه مهندسی عمران، دانشکده فنی، دانشگاه رازی، کرمانشاه، ایران
جهانگیر خزائی
گروه مهندسی عمران، دانشکده فنی، دانشگاه رازی، کرمانشاه، ایران
حسین مویدی
گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه صنعتی کرمانشاه، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :