برآورد پتانسيل وقوع روانگرايي خاك با روش مركب خوشه‌بندي ميانگين مركزي فازي و شبكه عصبي مصنوعي (FCM-ANN)

Liquefaction Potential Assessment Using Fuzzy c-Means Clustering - Artificial Neural Network Hybrid Method (FCM-ANN)

تاكنون روش‌هاي تجربي و هوشمند مختلفي براي ارزيابي پتانسيل روانگرايي ارايه‌ شده كه روش شبكه عصبي مصنوعي از قدرتمندترين اين روش‌ها مي‌باشد. اين روش، با آموزش داده‌هاي به‌دست‌آمده از زلزله‌هاي گذشته، روانگرايي را ارزيابي مي‌كند. با وجود اين، به دليل پيچيدگي رفتار خاك اين روش هم با عدم قطعيت همراه است. در اين مقاله روش جديدي با عنوان روش مركب خوشه‌بندي فازي-شبكه عصبي FCM-ANN)) براي بهبود عملكرد روش شبكه عصبي مصنوعي معرفي و نحوه عملكرد آن تشريح شده است. روش خوشه‌بندي ميانگين مركزي فازي الگوهاي مورد استفاده براي آموزش شبكه را پالايش و از ورود الگوهاي نامناسب به مجموعه آموزش جلوگيري مي‌نمايد. براي به دست آوردن نتايج قابل‌اعتمادتر در روش‌هاي هوشمند پارامترهاي متعددي از خاك، براي به‌كارگيري در روش مركب خوشه‌بندي فازي-شبكه عصبي و شبكه عصبي مورد استفاده قرار مي‌گيرند كه از مهم‌ترين آنها مي‌توان به عدد نفوذ استاندارد و نسبت تنش تناوبي اشاره كرد. در اين مقاله از پايگاه داده‌هاي معتبري شامل مطالعات ميداني وقوع و عدم وقوع روانگرايي در زلزله‌هاي معروف در نقاط مختلف دنيا، استفاده‌شده است. همچنين سامانه نرم‌افزاري براي تحليل روش‌هاي هوشمند شبكه عصبي و و روش مركب خوشه‌بندي فازي- شبكه عصبي در محيط Visual Studio ، به زبان C#، با پايگاه SQL Server و با نام PILA (Professional Intelligent Liquefaction Assessment) توسط نويسندگان طراحي‌شده است.

There are various empirical and intelligent methods to evaluate the liquefaction potential. Although the artificial neural network (ANN) method is one of the most powerful methods that is introduced in liquefaction assessment recently, a new hybrid intelligent system of fuzzy c-means clustering and artificial neural network (FCM-ANN) is examined in this article to overcome the complexity of soil behavior. Fuzzy c-means clustering method refines the patterns used for training neural network, and the entry of inappropriate patterns in training will be prevented. This clustering is performed on the standard penetration test measurements (N1)60cs and cyclic stress ratio (CSR). In this article, a database of 600 field studies of liquefaction in past earthquakes is used that contains 274 liquefied and 326 non-liquefied cases. The distribution of these 600 studies is presented in Figure (1). In order to compare the two methods of ANN and FCM-ANN, one ANN and four FCM-ANN models are analyzed (Table 1). All models in these two methods are similar in configuration but different in tolerance semblance values and the number of clusters. Figure (2) presents the results of the various models to assess the liquefaction potential in terms of successful liquefaction prediction. As seen in Figure (2), M100 and M10 models reached 100 percent successful prediction. This is while the M1 achieved about 82 percent. Thus an 18% improvement is observed by using new method to evaluate liquefaction potential. Besides, an advanced software system for the analysis of ANN and FCM-ANN methods was designed by the authors in Language C# with Microsoft Visual Studio 2012 and the SQL Server 2012 database entitled PILA (Professional Intelligent Liquefaction Assessment).