استفاده از نتايج آزمون ديناميكي PDA در تعيين باربري شمع تكي در سازه‌هاي دريايي به روش شبكه‌هاي عصبي مصنوعي

Use of PDA Dynamic Test Results in Determining the Bearing Capacity of Single Pile in Marine Structures by Artificial Neural Networks

در اين تحقيق با استفاده از نتايج 100 آزمون بارگذاري ديناميكي PDA انجام يافته در پروژه‌هاي مختلف، از سه نوع شبكه عصبي مصنوعي (ANN) به منظور تخمين باربري استفاده شده است. در ابتدا شبكه عصبي چند لايه پرسپترون به عنوان يكي از پركاربردترين شبكه‌هاي عصبي و در ادامه از شبكه نوروفازي تركيبي (عصبي- فازي) و در نهايت از شبكه عصبي تابع مبناي شعاعي كه شبكه موفق در مسائل غيرخطي بوده استفاده شده است. مدل هاي مبتني بر شبكه‌هاي عصبي، برخلاف مدل‌هاي رفتاري مرسوم توضيحي در مورد چگونگي اثر پارامترهاي ورودي بر خروجي نمي‌دهند. در اين تحقيق آناليز حساسيت بر روي ساختار بهينه مدل‌هاي معرفي شده در هر مرحله نيز انجام شده است. استخراج و ارايه روابط حاكم بر يك مدل شبكه عصبي به كاربر اطمينان بيشتري در تحليل و طراحي داده و در نتيجه كاربرد آن را در كارهاي مهندسي تسهيل مي‌كند.

In this study, using the results of 100 PDA dynamic loading tests obtained from different projects and using three types of artificial neural networks (ANN), the loading capacity of a single pile is evaluated. Initially, the Perstron multilayer neural network was used as one of the most widely used neural networks. In the following, a combination of neural-fuzzy networks is used from the nephrophysical network, and at the end, the neural network is used as a function of the radial basis of the successful network in nonlinear problems. Unlike conventional behavioral models, neural network-based models do not explain how input parameters affect output. In this research, by performing sensitivity analysis on the optimal structure of the models introduced in each stage, an attempt has been made to examine this ambiguity to some extent. Also, introducing the relationships governing a neural network model can give engineers more confidence in using them to facilitate analysis and design.