تعیین تابع برای لایه های ورودی،میانی و خروجی
آموزش مدل
۵۳
آزمایش مدل (پیش بینی ظرفیت باربری خاک)
محاسبه خطای مدل
انتخاب نهایی مدل از روی نتایج به دست آمده.
۵۴
فصل چهارم
نتایج مدل شبکه ی عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری خاک
۴-۱ مقدمه
در این فصل پس از بررسی مدل های مختلف شبکه های عصبی مصنوعی مدل مناسب شبکه عصبی برای پیش بینی مکانی ظرفیت باربری خاک در شهر آذرشهر شهرستان آذرشهر استان آذربایجانشرقی، تهیه و مورد آموزش و ارزیابی قرار گرفته و نتایج مربوطه ارائه گردیده است.
۴- ۲ کاربرد شبکه عصبی مصنوعی در مهندسی عمران
-
- در مسائل بهینه سازی ، تحلیل خطی و غیر خطی سازه‌ها
-
- آموزش شبکه در ایجاد ضرایب المانهای ماتریس سختی سازه در محدوده مشخصی از اطلاعات ورودی در حل بسیاری از مسائل غیر خطی که با بهره گرفتن از روش های پیچیده اجزائ محدود صورت می‌گیرد.
-
- کاربرد قابل توجهی در کنترل فعالیت سازه‌ها تحت اثر نیروهای دینامیکی دارد.
-
- کاربرد در طراحی اولیه سازه‌ها، با بهره گرفتن از شبکه‌های عصبی امکان رسیدن به طرح اولیه و یا مقدماتی امکان پذیر می‌گردد.
۵۶
-
- کاربرد شبکه‌های عصبی دربررسی رفتارسازه‌هاوتعیین مواردضعف احتمالی آنهاتحت اثرنیروهای دینامیکی.
-
- در کارخانه‌های تولید کننده قطعات پیش ساخته فولادی و بتن مسلح که در کاربردی محصولات تولیدی آنها تغییرات مختصری صورت می‌گیرد، بکاربستن شبکه‌های عصبی می‌تواند بسیار مفید و موثر واقع گردد.
۴-۲-۱ کاربرد شبکه‌های عصبی مصنوعی در بهینه‌سازی سازه‌ها
در طراحی بهینه سازه‌ها لازم است سازه را در دفعات متوالی تحلیل نمود، زیرا توپولوژی و مشخصات سازه در پروسه بهینه سازی مرتب تغییر پیدا می‌کند. استفاده از روش‌های تقریبی تحلیل سازه جانشین مناسبی برای تحلیل دقیق می‌باشد زیرا در روش دقیق مدت زمان محاسبات رایانه‌ای برای بهینه سازی بطور قابل ملاحظه‌ای افزایش می‌یابد. برتری شبکه‌های عصبی بر روش‌های دیگر، سرعت بسیار زیاد آنها در پاسخ دادن به داده‌ها است. در این صورت می‌توان زمان مورد نیاز برای بهینه سازی سازه‌ها را کاهش داد و سازه‌های بزرگ در
دنیای واقعی را بهینه نمود. برای استفاده از یک شبکه عصبی در بهینه سازی به عنوان یک تحلیل کننده سریع، لازم است ابتدا شبکه بر اساس یک سری زوجهای ورودی، خروجی تصادفی آموزش داده شود. بدیهی است که کارکرد شبکه قبلاً بایستی کنترل شود تا دقت خروجی‌ها در محدوده قابل قبول باشد. پس از آموزش شبکه و در مرحله بهینه سازی سازه، دیگر نیازی به تحلیل مجدد سازه نیست، بلکه در تکرارهای بی شمار که صورت می‌گیرد شبکه عصبی به عنوان یک تحلیل کننده سریع عمل می نماید.
۴-۳ محدوده مورد مطالعه
شهر آذرشهر (محدوده شهری شکل ۴-۲ ) یکی از شهرهای جنوب غربی استان آذربایجان شرقی و مرکز شهرستان آذرشهر می باشد. کوهستان سهند در سمت شرقی آذرشهر قرار گرفته است. همچنین دریاچه ی
۵۷
ارومیه در غرب آذرشهر واقع شده و دارای زمین های مسطح درمناطق شمالغربی حوالی دریاچه ارومیه و مناطق کوهستانی در شرق و جنوب شرقی می باشد. و آبیاری مزارع وباغات موجوددر پیرامون آذرشهر توسط رودخانه ی آذرشهر و نیز کانال‌های زیرزمینی، چشمه‌های طبیعی و چاه‌های عمیق صورت می‌گیرد. این شهر در ۴۵ درجه و ۸۵ دقیقه ی طول شرقی، ۳۷ درجه و ۴۶ دقیقه ی عرض شمالی و در ارتفاع ۱۴۶۸ متری از سطح دریا قرار گرفته‌است. آذرشهر در ۵۴ کیلومتری جنوب غربی تبریز و در محور تبریز- بناب واقع شده‌است.(شکل ۴-۱)
شکل ۴-۱ : موقعیت جفرافیایی شهرستان آذرشهردرایران]سایت ویکی پدیا[
۵۸
شکل ۴-۲: محدوده شهری ، شهر آذرشهر]گوگل ارت[
۵۹
۴-۴ روند انجام مدل سازی
ابتدا آمار و اطلاعات مورد نیاز از سازمان نظام مهندسی ساختمان آذرشهر تهیه گردیده و پس از استخراج مشخصات گمانه ها، در نرم افزار اتوکد موقعیت گمانه ها ترسیم گردید. از نحوه توزیع دادها، داده های مورد نیاز برای آموزش و ارزیابی جداسازی شده و مدل شبکه عصبی مصنوعی با هدف پیش بینی مکانی ظرفیت باربری طراحی و ارائه گردید.
شرح مراحل انجام کار به ترتیب انجام شده:
تعیین پارامترها(مختصات جغرافیایی، ظرفیت باربری مجاز ، عرض پی)
تهیه دادها
مرتب سازی داده ها به صورت فایل متنی
نرمال کردن داده ها در محدوده بین ۰ و ۱
تعیین هندسه کلی مدل به روش سعی و خطا
تعیین هندسه مدل به روش سعی و خطا ( برای مشخص نمودن هندسه مدل به صورت سعی و خطا عمل می کنیم بدین صورت که تعداد گره های لایه میانی را عوض کرده و هربار خطای مدل را محاسبه می کنیم تا زمانی که به کمترین خطا برسیم. این روش برای تعیین تابع مورد استفاده لایه میانی و خروجی نیز استفاده می گردد.)
تعیین تابع برای لایه های ورودی،میانی و خروجی
آموزش مدل
۶۰
آزمایش مدل (پیش بینی ظرفیت باربری خاک)
محاسبه خطای مدل
انتخاب نهایی مدل از روی نتایج به دست آمده.
۴-۴-۱ پارامترهای مورد استفاده
