پيش بيني درصد تراكم خاك‌هاي ريزدانه در ساختمان سد مخزني سرابي با استفاده از شبكه عصبي مصنوعي

Prediction of Compaction Efforts of Fine-Grained Soils of Sarabi Dam Using Atrificial Neural Networks

تحليل تراكم حاصل شده از عمليات تراكم در خاك‌هاي ريزدانه در تحليل برگشتي اهميت به‌سزايي دارد. روش متداول در محاسبه درصد تراكم خاك؛ شيوه‌هاي معمول مانند روش مخروط ماسه، روش بالون لاستيكي و روش چگالي‌سنج هسته‌اي است. كه به‌عنوان روشي مناسب جاي‌گزين، شبكه عصبي آموزش ديده شده بر مبناي الگوهاي تحليل شده است. با روش‌هاي مذكور محاسبه تراكم، علاوه بر اين كه به دقت مورد نياز در روش‌هاي مرسوم مي‌رسد، سادگي و سهولت استفاده از آن از ساير روش‌ها بيش‌تر بوده و سرعت محاسبه آن نيز بيش‌تر است. در اين تحقيق مدلي مبتني بر شبكه عصبي چندلايه پرسپترون براي پيش‌بيني رفتار تراكمي خاك‌هاي ريزدانه در سد مخزني سرابي در حين اجرا، و متراكم كردن لايه‌هاي خاك ارايه شد. متغيرهاي ورودي شامل4 پارامتر ژيوتكنيكي رطوبت بهينه، درصد عبوري از الك200، حد رواني و حد خميري و 4 پارامتر اجرايي تعداد دفعات عبور غلتك، ضخامت لايه، رطوبت خاك در محل و دانسيته حاصل شده در محل، در نظر گرفته شد. ايـن مدل كه مبتني بر شبـكه عصبي چنـد لايه با روي‌كرد پس‌انتشار خطا ارايه شده، قادر است بدون داشتن حداكثر دانسيته آزمايشگاه كه از ملزومات حتمي محاسبه درصد تراكم در حالت معمولي است؛ با استفاده از ديگر پارامترهاي ژيوتكنيكي و اجرايي (8 مورد اشاره شده) درصد تراكم و بالطبع حداكثر وزن مخصوص آزمايشگاه را با تقريب نزديك به 100 درصد محاسبه كند.

One of the most important issues in the reverse analysis is examining the density resulted from the compaction of fine soils. The conventional methods in determination of soil density are: sand cone, rubber balloon and nuclear density gauge. Trained neural network, as a suitable alternative method, is not only as accurate but it is also easier to calculate and to implement. In the present research, a model based on multilayer perceptron of neural network is presented to predict the behavior of fine soils density in Sarabi Dam. The paper presents the implementation process and density of the soil layers. The input variables include 4 geotechnical and 4 implementation parameters. The geotechnical parameters consist of: optimum moisture content, maximum specific gravity, liquid and plasticity limit; while implementation parameters consist of: the number of cross rollers, thickness of the layers and density and moisture of the soil obtained from the site. The model is based on multilayer neural network, using the error back propagation approach and it is capable of calculating the density. As a result, the compaction effort, using the aforementioned geotechnical and implementation parameters, is given. The method compares the maximum dry density accurately at almost 100 percent.