پیش بینی پارامتر های مقاومت برشی خاک های بندرعباس با استفاده از شبکه عصبی مصنوعی

پارامترهای مقاومت برشی، پارامترهای مهمی برای ارزیابی پایداری سازه های مهندسی هستند که محاسبه آن ها با روش های مرسوم نیازمند هزینه و زمان زیادی می باشد. در این پژوهش با استفاده از آزمایش های اولیه ژئوتکنیک مانند دانه بندی، حدود آتربرگ و آزمایش تک محوره و به کارگیری هوش مصنوعی، بدون انجام تست های پیچیده تر، زاویه اصطکاک داخلی و چسبندگی خاک محاسبه شد. به این منظور از نمونه های دست نخورده از 14 گمانه در بندرعباس که بر روی آن ها آزمایش های اولیه ی ژئوتکنیک و برش مستقیم انجام گرفته بود، انتخاب و برای آموزش شبکه ی عصبی استفاده شدند. در این پژوهش تعداد 195 شبکه در حالت های مختلف آموزش داده شد. به منظور دستیابی به بهترین عملکرد، شبکه های عصبی پیش خور ابتدا در حالت تک لایه و دو لایه با تعداد نورون های لایه میانی پایین آموزش داده شدند و تابع TRAIN BR به دلیل بالا بودن نسبت R (R=0/97) انتخاب و سپس با افزودن لایه های میانی به 3، 4 و 5 لایه با تعداد نورون های لایه میانی (50، 40، 30، 20 و 10) نورون شبکه های عصبی آموزش داده شدند. نتایج نشان داد شبکه ی MLP چهار لایه بهترین نتایج را نشان می دهد، برای این حالت R آموزش 1، R تست 0/90 و R کل 0/98 می باشد. در نهایت به منظور صحت سنجی شبکه ی عصبی، تعداد 15 نمونه انتخاب و پارامترهای ورودی شبکه در حالات بهینه 2، 3 و 4 لایه آموزش داده و خروجی شبکه ارزیابی شد. برای پیش بینی چسبندگی، شبکه عصبی در حالت 4 لایه (0/99 =R2) و برای زاویه اصطکاک، شبکه های 2، 3 و 4 لایه (0/99 =R2) بهترین خروجی را داشتند.