برآورد پتانسیل وقوع روانگرایی خاک با روش مرکب خوشه بندی میانگین مرکزی فازی و شبکه عصبی مصنوعی(Fcm-Ann)

تاکنون روشهای تجربی و هوشمند مختلفی برای ارزیابی پتانسیل روانگرایی ارائه شده که روش شبکه عصبی مصنوعی از قدرتمندترین این روشهاست که با آموزش داده های زلزله های گذشته، روانگرایی را در اعماق مختلف ازریابی میکند.با این حال، به دلیل پیچیدگی رفتارخاک این روش هم دارای خطا می باشد. در این مقاله روش نوینی با عنوان روش مرکب خوشه بندی فازی-شبکه عصبی) (fcm-ann جهت بهبود عملکرد روش شبکه عصبی مصنوعی معرفی و نحوه عملکرد آن تشریح خواهد شد. روش خوشه بندی میانگین مرکزی فازی الگوهای مورد استفاده برای آموزش شبکه را پالایش کرده و از ورود الگوهای نامناسب به مجموعه آموزش جلوگیری می نماید. برای به دست آوردن نتایج قابل اعتمادتر در روش های هوشمند پارامترهای متعددی از خاک برای به کار گیری در روش مرکب خوشه بندی فازی-شبکه عصبی و شبکه عصبی مورد استفاده قرار می-گیرند که از مهمترین آنها می توان به عددنفوذاستاندارد، نسبت تنش-تناوبی اشاره کرد. در این مقاله از پایگاه داده های معتبری که شامل مطالعات میدانی وقوع و یا عدم وقوع روانگرایی در زلزله های معروف در نقاط مختلف دنیا می باشد، استفاده شده است . نتایج بدست آمده از این روش با شبکه عصبی به صورت نمودار وجدول مقایسه خواهند شد. سامانه نرم افزاری پیشرفته ای برای تحلیل این روشهای هوشمند شبکه عصبی و روش مرکب خوشه بندی فازی-شبکه عصبی در محیط (visual studio) و به زبان (c#)وبا پایگاه (sql server) و با نام (pila(proffessional intelligent liquefaction assessment توسط نویسندگان طراحی شده است.