پایان نامه استفاده از شبکه های عصبی مصنوعی در بررسی پایداری لرزه ای سدهای خاکی نا همگن

پایان نامه استفاده از شبکه های عصبی مصنوعی در بررسی پایداری لرزه ای سدهای خاکی نا همگن

 مقدمه 

 امروزه استفاده از شبکه های عصبی مصنوعی در انواع مسائل مهندسی روندی رو به افزایش داشته است . در این میان می توان کاربرد فراوان آن را در شاخه های مختلف مهندسی عمران نام برد.

مروری بر مقالات و تحقیقاتی که در سالهای اخیر انتشار یافته است گواهی بر این عملکرد موفق در طیف وسیعی از مسائل از جمله مباحث مربوط به پیش بینی خیز سازه ها[١٤]، تحلیل و طراحی و آنالیز دینامیکی آن ها[٢] ،تخمین مدل بارندگی_رواناب [١٨]، برآورد حداکثر عمق آب شستگی حول آب شکنها [١٩] , ارزیابی مقاومت بتن در جا[٢٠]،پیش بینی حجم ترافیک [٢١]، برنامه ریزی حمل و نقل [٢٢]، پیش بینی ظرفیت شمع ها[٣] ،نشست

فونداسیونها[٤]، سازه های حائل خاک [٥]، تزریق پی سدها[٢٣]وتحلیل شیب ها و شیروانی هاا[١٦] و[١٧]می باشد.در صورت اثبات توانایی شبکه عصبی مصنوعی در پیش بینی مقادیر ضریب اطمینان و مشخصات قوس لغزش بحرانی در بررسی پایداری سدهای خاکی ناهمگن می توان از نتایج آن در طراحی اولیه این سدها به عنوان جایگزین سایر روشها استفاده نمود. 

طبقه بندی سدهای نوع خاکی  

سدهای خاکی برحسب کمیت و کیفیت مصالح به کاربرده شده و نیز متناسب با روش ساخت طبقه بندی می شوند . از نظر مصالح مورد استفاده ،سدهای خاکی به سه گروه به شرح زیر

تقسیم می شوند :

 الف )سدهای خاکی همگن

 ب )سدهای خاکی ناهمگن ( منطقه بندی شده )

 ج )سدهای سنگریزه ای با غشای نفوذ ناپذیر یا سدهای خاکی غشایی

در این تحقیق مطالعات بر روی سدهای خاکی ناهمگن متمرکز گردیده است .

پایداری سدهای خاکی

پایداری سدهای خاکی از دو دیدگاه استاتیکی و لرزه ای مورد توجه قرار می گیرد. در بحث پایداری استاتیکی روشهای مختلفی برای تحلیل شیب ها وجود دارد که هر کدام بر پایه فرضیات اولیه ای بنا نهاده شده است .آنالیز لرزه ای سدهای خاکی نیز از دوحیث شبه استاتیکی و دینامیکی بررسی می گردد.

استفاده از شبکه عصبی مصنوعی در بررسی پایداری سدهای خاکی ناهمگن

دراین پایان نامه سعی شده است تا از روش شبکه عصبی مصنوعی به عنوان روشی جایگزین سایر روشها مانند روشهای عددی برای تحلیل پایداری سدهای خاکی ناهمگن استفاده شود.

بدین گونه که ابتدا با استفاده ازروشهای تعادل حدی پایداری شیب و سپس با روش شبه استاتیکی پایداری لرزه ای سد خاکی ناهمگن تحلیل می گردد.آنگاه نتایج حاصله به صورت داده های اولیه در اختیار شبکه عصبی مصنوعی قرار داده میشود. شبکه با استفاده از این نتایج تربیت شده و از این پس میتواند به عنوان جایگزینی برای روشهای فوق باشد . 

فهرست مطالب

عنوان                                                                                          صفحه 

چکیده

مقدمه

فصل اول :

١-١-پیشگفتار.................................................................................١

١-٢-طبقه بندی سدهای نوع خاکی ..........................................................٢

١-٣-پایداری سدهای

خاکی ...........................................................................................٢

١-٣-١-استفاده از شبکه عصبی مصنوعی در بررسی پایداری سدهای خاکی ناهمگن ..٢

١-٤-معرفی شبکه های عصبی مصنوعی ...................................................٣

١-٥-تفاوت شبکه های عصبی با روش های محاسباتی معمول ...........................٤

١-٦-کاربردهای شبکه های عصبی در پایداری شیب و سدهای خاکی ....................٤

١-٧- شرح روش تحقیق .......... ...........................................................٦

فصل دوم : مقدمه ای بر شبکه های عصبی مصنوعی

٢-١- شبکه عصبی

چیست ...........................................................................................٧

٢-٢- مزایای شبکه های عصبی .............................................................٨

٢-٣- مغز انسان ..............................................................................٩

٢-٤ - هوش مصنوعی وشبکه های عصبی ................................................١١

٢-٥- مدلهای یک نرون .....................................................................١٢

٢-٦- اقسام توابع تحریک ....................................................................١٦

٢-٧- معماری های شبکه ....................................................................٢١

٢- ٨ - فرآیند یادگیری ........................................................................٢٦

٢-٨-١- یادگیری همراه با معلم ..............................................................٢٧

٢-٨-٢- یادگیری بدون معلم ................................... ..............................٢٨

٢-٩- پرسپترون چند لایه .....................................................................٢٩

٢-٩-١- پاره ای از مقدمات و پیش فرضها.................................................٣١

٢-٩-٢- الگوریتم پس انتشار ................................................................٣٣

٢-١٠- نرخ یادگیری ..........................................................................٤٢

٢-١١- معیار توقف ..........................................................................٤٣

٢-١٢- تعمیم پذیری ..........................................................................٤٤

٢-١٢-١-توقف زودهنگام ....................................................................٤٦

٢-١٢-٢- نحوه تقسیم بندی داده ها  در روش Cross validation....................٤٨

٢-١٣- الگوریتمهای مختلف یادگیری در پرسپترونهای چند لایه ........................٤٨

٢-١٤- تعداد زوجهای آموزشی ..............................................................٥٠

فصل سوم : ارائه معماری های مختلف برای شبکه و برگزیدن بهترین شبکه

٣-١-پیشگفتار..................................................................................٥٢

٣-٢-معرفی نرم افزار geo-slope.......................................................٥٢

٣-٣-بانک اطلاعاتی ..........................................................................٥٣

٣-٣-١-انتخاب بازه های پارامترهای ورودی .............................................٥٤

٣-٣-١-١-ارتفاع سد ..........................................................................٥٤

٣-٣-١-٢-عرض تاج سد............................................................٥٥

٣-٣-١-٣-شیب بدنه ..................................................................٥٧

 ٣-٣-١-٤-ضریب زلزله ............................................................٥٩

٣-٣-١-٥-عمق آزاد.................................................................٥٩

٣-٣-١-٦-تعیین ابعاد و شکل هسته در مدل .......................................٦١

٣-٣-١-٧-پارامترهای مقاومتی مصالح تشکیل دهنده لایه های سد ناهمگن

 ٦٣.......................................................... ............................

٣-٣-١-٧-١-مصالح هسته .........................................................٦٣

٣-٣-١-٧-٢-مصالح پوسته ........................................................٦٧

٣-٣-١-٧-٣-مصالح زهکش ........................................................٦٧

٣-٤-تقسیم بندی داده ها..............................................................٦٨

٣-٥- معرفی الگوریتم به کار رفته برای آموزش شبکه ها.......................٦٨

٣-٦-شاخصهای ارزیابی مدل ......................... ............................٧٠

٣-٦-١-معیارهای ارزیابی محلی ...................................................٧٠

٣-٦-٢-معیار ارزیابی بر اساس رفتار..............................................٧٣

٣-٧-معرفی مدلها ...................................................................٧٥

٣-٨-تحلیل حساسیت و بررسی نتایج ..............................................٨٥

٣-٨-١-تحلیل حساسیت ..............................................................٨٥

٣-٨-٢-تحلیل براساس بزرگای وزنهای شبکه .....................................٨٦ 

فصل چهارم : نتیجه گیری

٤-١- خلاصه تحقیق .................................. .............................٩٢

٤-٢-نتیجه گیری ............................................. ......................٩٣

پیوست ها

پیوست ١..............................................................................٩٥

پیوست ٢.............................................................................١١٤

منابع و ماخذ

فهرست منابع انگلیسی ...............................................................١٢٩

فهرست منابع

فارسی ................................................................................١٣٠ 

فهرست شکل ها

عنوان                                                                                                     صفحه 

٢-١- شکل :مراحل مختلف سیستم عصبی ......................................................٩

٢-٢- شکل : نمایش یک نرون ..................................................................١١

٢-٣- شکل : نمایشی ازسه عنصر کلیدی هوش مصنوعی ...................................١٢

٢-٤- شکل : مدل غیر خطی نرون .............................................................١٤

٢-٥- شکل : اثر بایاس در نمودار  UK و VK................................................١٥

٢-٦- شکل : ارائه دیگری از مدل غیر خطی نرون ..........................................١٧

٢-٧- شکل : تابع تحریک آستانه ای تکه ای – خطی وسیگموئید............................١٩

٢-٨- شکل : شبکه پیش خور با لایه ساده ای از نرونها......................................٢٢

٢-٩- شکل : شبکه عصبی کاملاً متصل پیش خور ...........................................٢٤

٢-١٠-شکل : شبکه بازگشتی بدون نرونهای لایه پنهان وبدون حافظه حلقه «خود- پس خور

 ٢٥...................................................................................................«

٢-١١-شکل : شبکه بازگشتی با نرونهای پنهان .................................................٢٦

٢-١٢-شکل : دیاگرام مربوط به یادگیری با معلم ...............................................٢٧

٢-١٣-شکل : گراف معماری پرسپترون چند لایه به همراه دو لایه پنهان ....................٣١

٢-١٤-شکل : توصیف جهت های دو جریان سیگنال بنیادی در یک پرسپترون چند لایه ...٣٢

٢-١٥-شکل : گراف سیگنال – جریان با جزئیات نرون خروجی j   .........................٣٥

٢-١٦-شکل : گراف سیگنال _ جریان با تاکید بر جزئیات نرون خروجی k.................٤٠

٢-١٧-شکل : گراف سیگنال جریان بخشی از سیستم متعلق به پس انتشار سیگنالهای خطا..٤١

٢-١٨-شکل : گراف سیگنال جریان که نشان دهنده اثر ثابت مومنتوم α می باشد...........٤٢

٢-١٩-شکل : تعمیم پذیری خوب و تعمیم پذیری ضعیف ........................................٤٦

٢-٢٠-شکل : خطای دو مجموعه آموزشی و ارزیابی بر حسب تعداد اپوک ..................٤٧

٢-٢١-شکل : نمایی از یک شبکه سه لایه ........................................................٥١

٣-١- شکل : سطح لغزش در بالادست ............................................................٥٣

٣-٢- شکل : نمودار عرض تاج بر حسب ارتفاع ................................................٥٦

٣-٣- شکل : حل گرافیکی عمق آزاد.............................................................٦٠

٣-٤- شکل : تغییرات حداقل و حداکثر ضخامت هسته بر اساس توصیه سازمان عمران

آمریکا........ ............................................. ........................................٦٣

٣-٥- شکل : همبستگی بین متغیرها...............................................................٧٢

٣-٦- شکل : پیش بینی رفتار.......................................................................٧٤

 ٣-٧- شکل : نمودار خطا های سه دسته در مدل انتخابی ضریب اطمینان بالادست ..........٧٩

٣-٨- شکل : نمودار خط رگرسیون مجموعه آموزشی شبکه ضریب اطمینان بالادست ......٨٠

٣-٩- شکل : نمودار خط رگرسیون مجموعه آزمایشی شبکه ضریب اطمینان بالادست .......٨١

٣-١٠- شکل : نمودار خط رگرسیون مجموعه ارزیابی شبکه ضریب اطمینان بالادست ......٨١

٣-١١- شکل : نمودار خطا های سه دسته در مدل انتخابی شعاع دایره لغزش بالادست .......٨٢

٣-١٢- شکل : نمودار خطا های سه دسته در مدل انتخابی ضریب اطمینان پایین دست .......٨٤

٣-١٣- شکل : نمودار خطا های سه دسته در مدل انتخابی شعاع دایره لغزش پایین دست .....٨٤

٣-١٤- شکل : روشهای موجود برای تفسیر عملکرد شبکه های عصبی ........................٨٦

٣-١٥- شکل : آنالیز حساسیت پارامتر های ورودی ..............................................٩١