• ورود کاربران دانشگاهی

  • ثبت نام(مطالعه آنلاین پایان نامه ها)

  • سپندا

    کاربر مهمان
    پنجشنبه 2 آذر 1396| 54.146.50.80 :Your IP
    سامانه پایان نامه های دانشگاه اصفهان (سپندا)



    عنوان :
    ارزیابی نشست ریزشمع‌ها با استفاده از شبکهی عصبی مصنوعی و رگرسیون
    انتشارات : دانشگاه اصفهان
    سال :1393
    زبان : Persian
    شماره سند : 12918
    موضوع :عمران گرایش خاک و پی
    پژوهشگر : حامد حاجی علی
    توصیفگر لاتین : Micropil ? Settlement ? Linear regression ? Nonlinear regression
    توصیفگر فارسی : ریزشمع ◄ شبکه‌های عصبی مصنوعی ◄ نشست‌ ◄ رگرسیون خطی ◄ رگرسیون غیرخطی
    دانشکده : دانشکده فنی و مهندسی
    مقطع : کارشناسی ارشد

    استاد راهنما : محمود هاشمی
    استاد مشاور :
    سال دفاع : 1393
    شماره رکورد : 12918
    شماره راهنما : CIV2 41
    فهرست : فهرست مطالب
    عنوان صفحه


    فصل اول: مقدمه

    1-1 شرح موضوع پژوهشی 1
    1-2 تاریخچه موضوع 2
    1-3 ضرورت انجام تحقیق 5
    1-4 سوال‌ها 5
    1-5 فرضیه‌ها 5
    1-6 منابع اطلاعاتی 5
    1-7 گردآوری داده ها و ابزار تجزیه و تحلیل 6
    1-8 روش و طرح نمونه برداری 6
    1-9 حجم نمونه 6
    1-10 اهداف تحقیق 7

    فصل دوم: ریزشمع‌ها

    2-1 شمع‌ها 8
    2-2 ریزشمع‌ها 9
    2-3 تاریخچه ریزشمع‌ها 11
    2-4 طبقه‌بندی ریزشمع‌ها 14
    2-4-1 انواع ریزشمع‌ها بر اساس معیار طراحی 14
    2-4-2 انواع ریزشمع‌ها براساس معیار ساختاری 16
    2-5 کاربرد ریزشمع‌ها 18
    2-6 روش‌های ساخت ریزشمع‌ها 18
    2-6-1 سوراخ کردن و حفاری 18
    2-6-2 دوغاب‌ریزی 20
    2-6-3 اهداف دوغاب‌ریزی 21
    2-7 آزمایش‌های ریزشمع‌ها 22
    2-7-1 انواع آزمایش‌های بارگذاری 22
    2-7-2 آزمایش بارگذاری فشاری ریزشمع 24
    2-7-3 آزمایش بارگذاری کششی ریزشمع‌ها 25
    2-7-4 آزمایش بارگذاری جانبی ریزشمع‌ها 25
    2-8 نشست گروه ریزشمع‌ها 26
    2-9 نشست الاستیک ریزشمع 29

    فصل سوم: شبکه های عصبی مصنوعی

    3-1 مقدمه 33
    3-2 مدل ریاضی شبکه‌های عصبی مصنوعی 35
    3-3 نرون با یک ورودی 37
    3-4 نرون با یک بردار به عنوان ورودی 38
    3-5 شبکه‌های عصبی چند لایه 40
    3-6 تاریخچه‌ای از شبکه‌های عصبی مصنوعی 41
    3-7 انواع شبکه‌های عصبی مصنوعی 43
    3-8 ساختار شبکه عصبی 44
    3-9 الگوریتم‌های آموزشی 47
    3-10 توابع انتقال 50
    3-11 تحلیل حساسیت در شبکه‌های عصبی 53
    3-21 نقش شبکه‌های عصبی در ژئوتکنیک 55
    3-13 رگرسیون خطی و غیر خطی 57
    3-13-1 رگرسیون خطی ساده 57
    3-13-2 رگرسیون خطی چندگانه 57
    3-13-3 رگرسیون غیرخطی 58

    فصل چهارم: مدلسازی نشست بر اساس نتایج آزمایشات

    4-1 جمع‌آوری اطلاعات 59
    4-2 پراکندگی داده‌ها 60
    4-3 نمونه‌ای از انجام آزمون‌ها در محل 62
    4-4 بدست آوردن پارامتر‌های خاک 66
    4-4-1 خاک‌های دانه‌ای 67
    4-4-2 خاک‌های چسبنده یا رسی 63
    4-5 پارامتر‌های مورد بررسی در آزمایش‌ها 64
    4-6 مرتب کردن داده‌ها و حذف داده‌های غیر مفید 65
    4-7 تحلیل آماری داده‌ها 68
    4-8 شبکه‌های عصبی مورد استفاده در مدلسازی 69
    4-9 اعتبار سنجی داده‌ها و مدل 69
    4-10 نتایج شبکه‌های عصبی مصنوعی و تحلیل حساسیت 70
    4-11 تحلیل رگرسیون داده‌های آزمایش‌های ریزشمع 87
    4-12 رگرسیون خطی و لگاریتمی 88
    4-13 رگرسیون غیرخطی 89
    4-14 تحلیل نتایج مدل‌های بهینه و مقایسه روش شبکه عصبی مصنوعی و رگرسیون 91

    فصل پنجم: نتایج و پیشنهادت

    5-1 نتیجه‌گیری 95
    5-2 پیشنهادات 96

    فصل ششم منابع

    6-1 منابع 97



    چکیده :
    چکیده امروزه روشهای متعددی برای بهبود عملکرد خاک در محل‌های احداث سازه ابداع گردیده است از جمله این روشها می توان به استفاده از شمع‌ها و ریزشمع‌ها اشاره کرد که به دلیل مناسب‌تر بودن عملکرد ریزشمع‌ها نسبت به شمع‌ها و همچنین صرفه‌ی اقتصادی، استفاده از ریزشمع‌ها در ارجحیت قرار می‌گیرد. با توجه به اینکه روابط مختلفی در جهت محاسبهی نشست ریزشمع‌ها و ارتباط میزان نشست ریزشمع‌ها با بار وارده، وجود دارد، هرکدام از این روابط به نوبهی خود مشکلاتی داشته و یک رابطهی جامع که همهی پارامترهای موثر در نشست ریزشمع‌ها را مورد بررسی قرار دهد، در دسترس نمی‌باشد. بنابراین با توجه به آزمایش‌های انجام شده بروی ریزشمع‌ها در سایت های مختلف، استفاده از یک مدل مناسب که پارامترهای موثر و قابل اندازه‌گیری در آزمون‌های ریزشمع‌ها را در بر می‌گیرد می‌تواند قدم بزرگی در بهبود روشهای محاسبه و طراحی ریزشمع‌های موجود در خاک بردارد. در این تحقیق با توجه به وجود پارامترهای متعدد موثر بر نشست ریزشمع‌ها و اینکه پیش‌بینی عملکرد یک پارامتر با تغییر پارامترهای دیگر غیرممکن می‌باشد، از روش شبکه‌های عصبی برای مدلسازی استفاده شده است. در این روش با استفاده از 356 داده که از مناطق شمالی، جنوبی و مرکزی کشور تهیه شده بود تحلیل حساسیت روی داده‌ها با لایه‌ها و نرون‌های متفاوت و به کمک توابع انتقال مختلف انجام گرفت. تحلیل‌ها نشان داد که تابع انتقال تانژانت هیپربولیک کارآیی بهتری نسبت به توابع انتقال لگاریتمی و پله‌ای نشان می‌دهد. با تحلیل‌های رگرسیونی انجام شده بر روی عوامل موثر بر نشست ریزشمع‌ها، بار اعمال شده، طول و قطر ریزشمع‌ها نسبت به دیگر پارامترها موثرتر واقع شدند. بار اعمال شده بیشترین همبستگی (مؤثرترین) و پارامترهای مقاومتی خاک کمترین (کم‌اثرترین) همبستگی را با نشست نشان می‌دهد. تحلیل‌ لگاریتمی نیز ضریب همبستگی بالاتر و خطای کمتری نسبت به دیگر تحلیل‌های رگرسیونی نشان داد. برای بررسی عملکرد شبکه‌های عصبی مصنوعی نسبت به دیگر روش‌های مدلسازی، این روش با مدلسازی به روش رگرسیون خطی/غیرخطی نیز مقایسه گردید که نشان دهنده‌ی برتری شبکه‌های عصبی مصنوعی است. در نهایت با تطبیق یک مدل شبکه‌ی عصبی بر روی داده‌های حاصل از آزمایش، تاثیر پارامترها بروی نشست بررسی شد. به طوری که با این مدل می‌توان نتایج قابل اطمینان‌تری در زمینه ی طراحی و محاسبهی میزان نشست ریزشمع‌ها بدست آورد. در انتها با بدست آوردن وزن‌ها و بایاس‌های مدل بهینه‌ی شبکه‌ی عصبی مصنوعی، رابطه‌ای برای محاسبه‌ی نشست ریزشمع در خاک پیشنهاد گردید. کلمات کلیدی: ریزشمع، شبکه‌های عصبی مصنوعی، نشست‌، رگرسیون خطی، رگرسیون غیرخطی.

    چکیده انگلیسی :
    Abstract Nowaydays, many methods are invented to improve the soil performance in construction sites including piles and micripiles. The micropiles are preffered due to better technical and economic performance. There are also various relations for settlement estimation which have disadvantages and shortcomings. A comprehensive relation is yet to be proposed to include all the effective parameters. Therefore, proposing a suitable logical model to account for all probable parameters is an important step to improve the micropile design methods. Since there are many important parameters which can not be investigated together using the conventional methods, the Artificial Neural Network (ANN) method is employed to model micropile settlement. A sensitiy analysis is conducted on the available data to investigate the number of neurons in each layer using various transfer functions. The analyses showed that the tangent hyperbolic function shows better performance as compared to logarithmic and step functions. The outcome of ANN was compared with the separate linear and nonlinear regression analysis which shows the previlage of ANN. Also the most probable effective parameters on micropile settelement are applied load and micropile length and diameters. The micropile load and soil strength parameters show highest and lowest correlation with micropile settlement. Regarding the regression analysis the logarithmic regression showed better regression ceofficient and lower error as compared to other regression methods. Finally, the cross effects of parameters are investigated using a fitted model on the tests’ data. The model provide reliable results for settlement estimation of micropile. A relation is also proposed to estimate the micropile settlement.


    کلید واژه ها :
    ریزشمع ◄ شبکه‌های عصبی مصنوعی ◄ نشست‌ ◄ رگرسیون خطی ◄ رگرسیون غیرخطی,Micropil ◄ Settlement ◄ Linear regression ◄ Nonlinear regression

    اسفند1393
    0

    صفحه اول : University of Isfahan Faculty of engineering Department of civil engineering M.Sc Thesis Evaluation of Micropiles’ Settlement by Artificial Neural Network and Regression Methods Supervisor: Dr Mahmoud Hashemi By: Hamed Hajiali March 2015
    فصل اول : 1-7
    فصل دوم : 8-32
    فصل سوم : 33-58
    فصل چهارم : 59-94
    فصل پنجم : 95-96
    فصل ششم : 97-108