پديد آورندگان :
مجيدي، عليرضا دانشگاه فردوسي مشهد - دانشكده علوم , لشگري پور، غلامرضا دانشگاه فردوسي مشهد - دانشكده علوم , شعاعي، ضياالدين سازمان تحقيقات آموزش و ترويج كشاورزي تهران - پژوهشكده حفاظت خاك و آبخيزداري
كليدواژه :
خاك‌هاي ريزدانه مارني , شبكه عصبي مصنوعي , نئوژن , هدايت الكتريكي اشباع خاك
چكيده فارسي :
پتانسيل تورمي خاك‌هاي ريزدانه از جمله عوامل موثر بر فرسايش و رفتار مكانيكي آن‌ها و همچنين از داده‌هاي ضروري در مراحل مطالعه، طراحي، اجراي و انتخاب مصالح اغلب سازه‌هاي مهندسي به خصوص سازه‌هاي هيدروليكي هستند. در اين پژوهش به‌منظور پيش‌بيني پتانسيل تورمي خاك‌هاي ريزدانه مارني از مدل شبكه عصبي مصنوعي پرسپترون چند لايه و الگوريتم آموزش لونبرگ-ماركوارت استفاده شده است. به‌منظور مشخص نمودن بهترين مدل پيش‌بيني پتانسيل تورمي خاك‌هاي مارني، چند عامل مختلف از جمله ساختار شبكه و تركيب پارامترهاي ورودي، به‌طور هم‌زمان و در ارتباط با يكديگر به روش سعي و خطا مورد بررسي و ارزيابي قرار گرفت. در اين تحقيق از نتايج آزمايش‌هاي فيزيكو شيميايي و مكانيكي انجام شده بر روي 60 نمونه خاك ريزدانه مارني با سنگ مادري مارن‌هاي نئوژن، سازندهاي قم و قرمز بالايي كه از حوضه درياچه نمك و در نواحي تهران، قم و ساوه برداشت شده، استفاده شده است. در اين تحقيق از پارامتر شيميايي قابليت هدايت الكتريكي اشباع خاك EC، به‌عنوان يك پارامتر جديد همراه با پارامترهاي شاخص و فيزيكي نظير، حدود اتربرگ، دانه‌بندي، عدد فعاليت خاك، درصد پوكي و دانسيته اوليه خاك در پيش‌بيني پتانسيل تورمي خاك استفاده شد. مقادير معيارهاي ارزيابي R2 ،RMSE و ضريب كارايي مدل MCE مربوط به بهترين مدل با پارامترهاي فيزيكي Yd0، C، M، A، PI و LL به‌ترتيب برابر 0.89، 2.3 و 0.84 و براي بهترين مدل با پارامترهاي فيزيكي Yd0، C، M، PI، LL به همراه پارامتر EC به‌ترتيب برابر 0.92، 1.7 و 0.91 مي‌باشد. به اين ترتيب نتايج معيارهاي ارزيابي مدل‌هاي شبكه عصبي نشان داد كه استفاده از پارامتر هدايت الكتريكي اشباع خاك به همراه ديگر پارامترهاي خاك، باعث افزايش دقت و كارايي مدل شبكه عصبي در پيش‌بيني پتانسيل تورمي خاك‌هاي ريزدانه مارني مي‌شود.
چكيده لاتين :
The swelling potential of fine-grained soils is one of effective parameters on soil mechanical behavior and erosion and fundamental data required for the design, construction and choosing construction materials. This paper presents a multi-layer perceptron (MLP) artificial neural network (ANN) model to prediction of the swelling potential of marl soils. Marl soil is a fine-grained soil. The Levenberg-Marquadt learning algorithm was used to train the networks. Existing models prediction of soil swelling potential based on physical and soil index parameters. The present study considers the effects of chemical factors on the behavior and characteristics of fine-grained soils along with the common soil index parameters. The model used physicochemical and mechanical test results from 60 marl soil samples taken from marl formations in the Neogene basin in central Iran (Tehran, Qom and Saveh regions). The models were designed to use different input data sets and structures to determine which soil properties and ANN structures correlate well with the swelling potential parameter. Electrical conductivity (EC) of saturated soil was a new input parameter used in addition to the physical and soil index parameters that include the atterberg limit, activity, content of the clay and silt, initial of porosity ratio and dry density. Values of RMSE, R2 and MCE (evaluation criteria) related to the best model with the physical parameters LL, PI, A, M, C and Yd0 are respectively 0.89, 2.3, 0.84, and for the best model with the physical parameters LL, PI, M, C, Yd0 and EC are respectively 0.92, 1.7, and 0.91.The results of the evaluation criteria models show that inclusion of EC improved the accuracy of the model. It was found that the accuracy of the generalizations and estimations of the ANN models was further increased by clustering data before the data division stage by k-means method to Compared with hierarchical method.
