تخمين ظرفيت باربري شالوده هاي نواري سطحي متكي بر خاكهاي چندلايه دانه اي به كمك شبكه عصبي مصنوعي

Predicting Ultimate Bearing Capacity of Shallow Foundations on Multi-Layered Granular Soils with Artificial Neural Networks

مبناي عمده روش هاي گذشته در تعيين ظرفيت باربري نهايي شالوده هاي سطحي، بر اين فرض استوار است كه ضخامت بستر خاكي تحت شالوده بينهايت و همگن است. پذيرش چنين فرضي در برخي موارد با واقعيت فاصله زيادي دارد. در عمل بسترهاي خاكي غالبا چند لايه اند. معادلات ظرفيت باربري نهايي پيشنهادي توسط محققين در مورد خاك هاي تك لايه، قابل انطباق بر بسترهاي لايه اي نمي باشند. بنابراين رسيدن به روشي مناسب در تخمين ظرفيت باربري نهايي شالوده هاي نواري متكي بر بسترهاي لايه اي ضروري به نظر مي رسد. در اين پژوهش از شبكه هاي عصبي مصنوعي به عنوان ابزاري قدرتمند در مدلسازي فرآيندهاي غير خطي و نامعين، به منظور تخمين ظرفيت باربري نهايي شالوده استفاده شده است. شبكه مورد نظر از نوع پرسپترون چندلايه با الگوريتم پس انتشار خطا و تكنيك يادگيري لونبرگ –ماركوات است. ورودي هاي مدل شبكه عصبي مصنوعي، عرض پي، ضخامت لايه هاي خاك و زاويه اصطكاك متناظر با هر لايه است و خروجي شبكه ظرفيت باربري نهايي شالوده است. با توجه به عدم وجود امكانات جهت ايجاد داده هاي آزمايشگاهي با مقياس واقعي براي آموزش شبكه، از روش المان محدود براي ايجاد بانك اطلاعاتي محاسبه ظرفيت باربري نهايي استفاده مي شود. جهت بررسي اثر پارامترهاي مختلف بر روي ظرفيت باربري نهايي و انجام مدلسازي به ميزان لازم براي آموزش شبكه عصبي مصنوعي، از نرم افزار المان محدود PLAXIS استفاده مي شود. نتايج حاصل از تحقيق حاضر نشان مي دهد كه با كاربرد شبكه هاي عصبي مصنوعي مي توان با دقت بالايي ظرفيت باربري نهايي را در شالوده هاي متكي بر بسترهاي لايه اي پيش بيني كرد.

The last major methods in determining the ultimate bearing capacity of shallow foundation, based on the assumption that the soil under the foundation substrate thickness is infinite and homogeneous. Accept the reality is far from this assumption in some cases. In practice, multi-layer substrates often have dirt. Ultimate bearing capacity equations proposed by researchers on the territory of a single layer, substrate layer not applicable. So the proper way to estimate ultimate bearing capacity of strip foundation based on layered substrates seem necessary. In this study, artificial neural networks as a powerful tool for modeling the nonlinear and uncertain processes, in order to estimate ultimate bearing capacity of the foundation is used. Regardless of the type MLP network with back propagation algorithm and Levenberg -Markvat is learning techniques. Artificial neural network model inputs, foundation width, thickness and angle of friction soil layers corresponding to each layer and output ultimate bearing capacity of the foundation. To study the effect of various parameters on the ultimate bearing capacity and the need for training artificial neural network modeling, finite element software PLAXIS used. The results of this study show that the use of artificial neural networks can be accurately ultimate bearing capacity of footings in the ground layer predicted.