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

پارامترهای مقاومت برشی، پارامترهای مهمی برای ارزیابی پایداری سازه‌های مهندسی هستند که محاسبه آن‌ها با روش‌های مرسوم نیازمند هزینه و زمان زیادی می‌باشد. در این پژوهش با استفاده از آزمایش‌های اولیه‌ ژئوتکنیک مانند دانه‌بندی، حدود آتربرگ و آزمایش تک‌محوره و به کارگیری هوش مصنوعی، بدون انجام تست‌های پیچیده‌تر، زاویه اصطکاک داخلی و چسبندگی خاک محاسبه شد. به این منظور از نمونه‌های دست‌نخورده از 14 گمانه در بندرعباس که بر روی آن‌ها آزمایش‌های اولیه‌ی ژئوتکنیک و برش مستقیم انجام گرفته بود، انتخاب‌ و برای آموزش شبکه‌ی عصبی استفاده شدند. در این پژوهش تعداد 195 شبکه در حالت‌های مختلف آموزش داده شد. به منظور دستیابی به بهترین عملکرد، شبکه‌های عصبی پیش‌خور ابتدا در حالت تک لایه و دو لایه با تعداد نورون‌های لایه میانی پایین آموزش داده شدند و تابع train br به دلیل بالا بودن نسبت  r (r=0/97) انتخاب و سپس با افزودن لایه‌های میانی به 3، 4 و 5 لایه با تعداد نورون‌های لایه میانی (50، 40، 30، 20 و 10) نورون شبکه‌های عصبی آموزش داده شدند. نتایج نشان داد شبکه‌ی mlp چهار لایه بهترین نتایج را نشان می‌دهد، برای این حالت r آموزش 1، r تست 0/90 و  r کل 0/98 می‌باشد. در نهایت به منظور صحت‌سنجی شبکه‌ی 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 پیش‌بینی چسبندگی، شبکه عصبی در حالت 4 لایه (0/99 =r^2)  و برای زاویه اصطکاک، شبکه‌های 2، 3 و 4 لایه (0/99 =r^2) بهترین خروجی را داشتند. 

prediction of shear strength parameters of bandar abbas soils using artificial neural network

shear strength parameters are important for assessing the stability of structures, and are costly to calculate using conventional methods. in this research, simple geotechnical techniques and artificial intelligence were used to calculate the angle of internal friction and soil cohesion without the need for more complex testing. to this end, intact samples from 14 boreholes in bandar abbas, which had undergone primary geotechnical testing and direct cutting, were selected and used to train neural networks.  195 networks were trained in in this research. to achieve the best performance, feedforward neural networks were first trained in single and double layer modes with a low number of neurons in the middle layer, and the train br function was selected due to the high ratio of r (0.97). then, by incorporating additional layers, the median model was trained using configurations of 3, 4, and 5 layers, each with varying numbers of neurons in the intermediate layer (50, 40, 30, 20, and 10). the results show that the four-layer mlp network gives the best results, for this mode r training 1, the test r is 0.90 and the total r is 0.98. finally, to validate the neural network, 15 samples were selected and the input parameters of the network were trained in the optimal states of 2, 3, and 4 layers, then the output of the network was evaluated. for cohesion prediction, the neural network in 4-layer mode (r2=0.99) and 2, 3 and 4-layer networks (r2=0.99) have the best output for the friction angle.