سال انتشار: ۱۳۸۹

محل انتشار: پنجمین همایش ملی زمین شناسی و محیط زیست

تعداد صفحات: ۹

نویسنده(ها):

ناصر مدنی اصفهانی – کارشناسی ارشد مهندسی معدن- شرکت مهندسین مشاور طاها
بهزاد حیدری – کارشناس ارشد مهندسی معدن

چکیده:

امروزه از روشهای هوش مصنوعی در علوم مختلف به فراوانی استفاده می شود. از این میان شبکه عصبی به دلیل قابلیت و انعطاف در روش استفاده از مقبولیت بیشتری برخوردار است. امروزه عمده کاربرد شبکه عصبی در مهندسی معدن در زمینه های اکتشاف، تخمین ذخیره، مکانیک سنگ و ژئوتکنیک و کنترل فرآیند در کارخانه های فرآوری می باشد که در این مقاله می توان کاربرد آن در مبحث ژئوتکنیک را مشاهده نمود. مونوریل کرمانشاه در استان کرمانشاه و در غرب ایران بین °00:´34 تا °30:´34 عرض شمالی و °00:´47 تا °30:´47 طول خاوری قرار دارد که بر اساس طرح پیشنهادی در طولی بیش از 12 کیلومتر می بایستی اجرا گردد. در این پروژه به منظور مطالعات ژئوتکنیکی 18 گمانه جهت شناسایی لایه های تحت الارضی و نمونه برداری حفر شده است. از طرفی نمونه گیری از خاکها که دارای رفتار یکسان می باشند ، حتی اگر نمونه ها از یک لایه تهیه شده باشند کار بسیار مشکلی است. از طرفی دیگر چسبندگی و زاویه اصطکاک داخلی خاکها یکی از مهمترین پارامترهای مکانیکی در خاکها می باشد. لازمه تعیین این دو پارامتر، تهیه نمونه های مناسب دست نخورده و انجام آزمایش های مقاومتی است. در صورتیکه بتوان از طریق پارامترهای فیزیکی خاک و همچنین آزمایشهای صحرایی معمول، مقدار چسبندگی و زاویه اصطکاک داخلی خاکها را تعیین نمود، می توان مقدار قابل توجهی در زمان و هزینه صرفه جویی نمود. در این مقاله تعداد 40 نمونه خاک در آزمایشگاه طبق استاندارد ASTM مورد آزمایش قرار گرفت و پنج پارامتر چسبندگی (C) ، زاویه اصطکاک داخلی (Ф) ، دانسیته (γ) و شاخص پلاستیسیته (PI) و درصد رطوبت (w) برای 40 نمونه خاک رسی دربرگیرنده مسیر پیشنهادی مورد اندازه گیری قرار گرفت. سپس با توجه به ضریب همبستگی بین داده ها و هدف مطالعه؛ سه پارامتر شاخص پلاستیسیته، دانسیته و درصد رطوبت به عنوان داده های ورودی انتخاب شدند تا بتوان از روی آنها دو پارامتر مهم چسبندگی و زاویه اصطکاک داخلی را تخمین زد. بنابراین جهت تعیین داده های آموزشی و آزمایشی، مجموعه داده ها جهت استفاده در مدل سازی شبکه عصبی به دو قسمت به صورت اتفاقی تقسیم بندی شدند به طوریکه 80% داده ها به عنوان داده آموزشی و 20% آنها به عنوان داده آزمایشی انتخاب شدند. پس از آموزش شبکه و آزمایش آن مشخص شد که با توجه به مقادیر ضریب همبستگی و میانگین مربع خطای بین داده تخمین زده شده و اندازه گیری شده دو پارامتر چسبندگی و زاویه اصطکاک داخلی R2 = 92.65%) , MSE=3.08 (، مدل دارای تخمین قابل قبولی بوده و با توجه به داشتن R2 بالای 85% می توان از آن در کاربردهای مهندسی از قبیل طراحی پی استفاده نمود.