پديد آورنده :
اخلاقي ، اصغر
عنوان :
شناسائي تحت الارضي از طريق درون يابي گمانه ها با استفاده از مدل شبكه عصبي
مقطع تحصيلي :
كارشناسي ارشد(خاك و پي )
محل تحصيل :
دانشگاه صنعتي اصفهان ، دانشكده مهندسي عمران
صفحه شمار :
ده ،99،]I[ص .:مصور،جدول ،نمودار
يادداشت :
استاد مشاور و مدعو: قاسم حبيب آگهي ,استادان داور:داود مستوفي نژاد، محمد علي روشن ضمير,چكيده : به فارسي و انگليسي ,صفحه عنوان :به فارسي و انگليسي
استاد راهنما :
محمود قضاوي
توصيفگر ها :
شناسائي هاي تحت الارضي /درون يابي گمانه ها/ مدل شبكه عصبي / مهندسي ژئوتكنيك / سنگ گرانيت /عصبي -فازي/ پايگاه دانش تول / گنگوپادهياي/ كومار/ زو و وو/ نرون / مومنتم / برازش /
چكيده فارسي :
زمين شناسي خاك يك منطقه نقش مهمي در تخمين پارامترهاي ژئوتكنيكي آن منطقه و در نتيجه طراحي اقتصادي اجزاي زير سازه اي بويژه براي سازه هاي مهم و بزرگ ايفامي كند.براي تعيين زمين شناسي خاك يك منطقه ، نياز به كاوشهاي محلي و از جمله حفر گمانه هاي متعدد در سطح منطقه مي باشد.وليكن وضعيت زمين شناسي و پارامترهاي ژئوتكنيكي در ناحيه بين گمانه هابطور واضح و كامل مشخص نمي گردد.روشهاي موجود در آناليز و پيش بيني داده هاي ژئوتكنيكي بدست آمده از كاوشهاي محلي ، عموما بر پايه تكنيكهاي آماري و استدلال هاي هندسي استوار هستندكه در آنها براي توزيع فضايي پارامترهاي مورد نظر، بعضي توابع فاصله بكار رفته و اثر زمين شناسي در نظر گرفته نشده است .از طرفي شبكه هاي عصبي قابليت يادگيري داشته و مي توانند در توسعه روشي براي مدل كردن متغيرهاي فضايي در يك منطقه بكار برده شوند.در روش شبكه هاي عصبي هيچ فرضي درباره فاكتورها و يا روابط مربوط به متغيرهاي فضايي مختلف در نظر گرفته نمي شود و داده هايمنطقه به صورت تقسيم براي آموزش به شبكه داده مي شود.با ارائه داده هاي كافي و آموزش متناسب ، شبكه مي تواند رابطه بين وروديها و خروجي ها را تشخيص داده و سپس براي نقاط ديگر تعميم دهد.در اين پايان نامه به اطلاعات زمين شناسي و ژئوتكنيكي مهمي همچون جنس لايه هاي خاك ، چسبندگي و زاويه اصطكاك داخلي خاك در نقاط و عمق هاي مختلف در مسير شمالي -جنوبي در محدوده مركزي شهر اصفهان پرداخته شده است تا با بدست آوردن شبكه عصبي مناسب ، با استفاده از داده هاي واقعي موجود، مدلي از توزيع فضايي پارامترهاي مذكور در سطح منطقه ايجاد گرددكه بتواند با خطاي كمتر، كار پيش بيني براي نقاط نا مشخص را انجام دهد.براي تحليل مدلها، از شبكه عصبي MLPبا يك لايه مخفي و تابع خطاي ميانگين مجموع مربعات خطا و روش هاي" توقف زود هنگام " و" تائيد دوگانه "در هريك از گمانه ها استفاده شده و بر اساس دستيابي به كمترين خطاي آزمايش ، بهترين وضعيت پارامترهائي همچون ساختار شبكه ، قانون آموزش ، تابع تحريك لايه مخفي ، تابع نرماليزه ورودي هاو تعداد نرون در لايه مخفي براي مدلهاي مورد استفاده بدست آمده است .نتايج بدست آمده نشان مي دهد كه شبكه عصبي مي تواند بصورت موفقيت آميزي براي درون يابي داده هاي داراي اختلال يك منطقه مورد استفاده قرار گيرد
استاد راهنما :
محمود قضاوي
