استفاده از نتایج آزمون دینامیکی pda در تعیین باربری شمع تکی در سازه‌های دریایی به روش شبکه‌های عصبی مصنوعی

در این تحقیق با استفاده از نتایج 100 آزمون بارگذاری دینامیکی pda انجام یافته در پروژه‌های مختلف، از سه نوع شبکه عصبی مصنوعی (ann) به منظور تخمین باربری استفاده شده است. در ابتدا شبکه عصبی چند لایه پرسپترون به عنوان یکی از پرکاربردترین شبکه‌های عصبی و در ادامه از شبکه نوروفازی ترکیبی (عصبی فازی) و در نهایت از شبکه عصبی تابع مبنای شعاعی که شبکه موفق در مسائل غیرخطی بوده استفاده شده است. مدلهای مبتنی بر شبکه‌های عصبی، برخلاف مدل‌های رفتاری مرسوم توضیحی در مورد چگونگی اثر پارامترهای ورودی بر خروجی نمی‌دهند. در این تحقیق آنالیز حساسیت بر روی ساختار بهینه مدل‌های معرفی شده در هر مرحله نیز انجام شده است. استخراج و ارایه روابط حاکم بر یک مدل شبکه عصبی به کاربر اطمینان بیشتری در تحلیل و طراحی داده و در نتیجه کاربرد آن را در کارهای مهندسی تسهیل می‌کند.

Use of PDA Dynamic Test Results in Determining the Bearing Capacity of Single Pile in Marine Structures by Artificial Neural Networks

In this study, using the results of 100 PDA dynamic loading tests obtained from different projects and using three types of artificial neural networks (ANN), the loading capacity of a single pile is evaluated. Initially, the Perstron multilayer neural network was used as one of the most widely used neural networks. In the following, a combination of neuralfuzzy networks is used from the nephrophysical network, and at the end, the neural network is used as a function of the radial basis of the successful network in nonlinear problems. Unlike conventional behavioral models, neural networkbased models do not explain how input parameters affect output. In this research, by performing sensitivity analysis on the optimal structure of the models introduced in each stage, an attempt has been made to examine this ambiguity to some extent. Also, introducing the relationships governing a neural network model can give engineers more confidence in using them to facilitate analysis and design.