تخمین خورند سیمان پرده آب‌بند با استفاده از شبکه‌ی عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات علمی دانشکده علوم زمین دانشگاه اصفهان

2 کارشناس ارشد ژئوتکنیک

چکیده

      در پروژه های سد سازی عملیات احداث پرده آببند یکی از آنها در حال انجام است. استفاده از تخمین مورد نیاز در این بخش از ویژگی های خاص شماست. عمدتاً هزینه عمل تزریق بر اساس مواد مورد نیاز که خود را بر اساس میزان خورشید سیمان است ، محاسبه می شود. از آنجایی که ارتباط بین فاکتورهای تأثیرگذار برعملیات تزریق پیچیده و بعضاً مبهم باشد و باید به طریقی رابطه منطقی بین این فاکتورها را شبیه سازی کرد. بدین منظور در این تحقیق از شبکه عصبی مصنوعی برای تعیین میزان خورشید سیمان بخشی از پرده آببند سد بختیاری بر اساس پارامترهایی چون لوژان ، شرایط زمین شناسی ، ناپیوستگیها ، عمق ، حالت لوژان و فشار تزریق گردیده است. خورند سیمان به روشهای رگرسیون دو متغیر و چند متغیر نیز تخمین زده شده است که مقایسه تخمین خورند سیمان بوسیله روشهای مذکور دلالت بر روی دستگاه شبکه عصبی دارد.
 

کلیدواژه‌ها


شرکت مهندسی مشاور مهاب قدس، 1380، گزارش اصلی سد مخزنی و نیروگاه برقابی بختیاری – مطالعات مرحله اول.
 
Baker W.H., 1982, Grouting in geotechnical engineering, American Society of Civil Engineers.
Chang T.C., Chao R.J., 2006, Application of back-propagation networks in debris flow prediction, Eng. Geol., 85: 270-280.
Ewert F.K., 1985, Rock grouting with emphasis on dam sites, Springer-Verlag Ltd., Berlin, Heidelberg, Germany.
Flood I., Kartam N., 1994, Neural networks in civil engineering. I: Principles and understanding, J. Computing in Civil
      Engineering, ASCE, 8(2), 131-148.
Foyo A., Sanchez M.A., 2005, Permeability Tests for Rock Masses. A Proposal for a New Expression for the Equivalent Lugeon
      Unit (ELU), Dam Engineering, 13(3), 199-218.
Goh A.T.C., 1994, Seismic liquefaction potential assessed by neural network, J. Geotech. & Geoenv. Engrg., ASCE, 120(9), 1467-
      1480.
Goh A.T.C., 1995, Back-propagation neural networks for modeling complex systems, Journal of Artificial Intelligence in
      Engineering, Elsevier Ltd., 9: 143-151.
Gomez H., Kavzoglu T., 2008, Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River
      Basin, Venezuela Eng. Geol., 78: 11-27.
Haykin S., 1994, Neural Network: A comprehensive foundation, NY: Macmillan
Hirota Y., Takebayasi S., Shibata I., 1990, Prediction of grout take in dam  foundation grouting - a case of Granite, Journal of
       Japan Society of Civil Engineering, 13(421): 195-202.
Houlsby A.C., 1990, Construction and design of cement grouting – a guide to grouting in rock foundations, John Wiley & Sons,
      New York.
Huang Y., Wanstedt S., 1998, The introduction of neural network system and its application in rock engineering, Engineering
      Geology, Elsevier Ltd., 49: 253-260.
Haykin S., 1994, Neural Networks: A Comprehensive Foundation, New York: MacMillan Publishing Company. 696 pp.
Hubick K., 1992, ANNs thinking for industry, Process Control Eng 15(11):36–38
JSIDRE, 1994, The Fundamental Knowledge on Grouting, Japanese Society of Irrigation, Drainage and Reclamation Engineering,
      Tokyo.
Kutzner C., 1985, Consideration on rock permeability and grouting criteria, 15th  International Congress on Large Dams,
      Lausanne, Q.58, R.17.
Lee S., Ryu J.H., Won J.S., Park H.J., 2004, Deternination and application of the weights for landslide susceptibility mapping
      using an artificial neural network, Eng. Geol., 71: 289-302.
Maier H.R., Dandy G.C., 2000, Neural networks for the prediction and forecasting of water resources variables: a review of
      modelling issues and applications, Environmental Modelling & Software, 15(1), 101-124.
Maji V.B., Sitharam T.G., 2008, Prediction of elastic modulus of jointed rock mass using artificial neural networks, Geotech Geol.   
      Eng., 26: 443-452.
Millar D., Clarici E., 1994, Investigation of back-propagation artificial neural networks in modelling the stress-strain behaviour of
      sandstone rock, IEEE Int Conf Neural Netw 5:3326–3331
Moosavi M., Yazdanpanah M.J., Doostmohammadi R., 2006, Modeling the cyclic swelling pressure of mudrock using artificial
      neural networks, Eng. Geol., 87: 178-194.
Moselhi O., Hegazy T., Fazio P., 1992, Potential applications of neural networks in construction, Canadian Journal of Civil
      Engineering, 19, 521-529.
Nefeslioglu H.A., Gokceoglu C., Sonmez H., 2008, An assessment on the use of logistic regression and artificial neural networks
 
 
 
 
42
 
      with different sampling strategies for the preparation of landslide susceptibility maps, Eng. Geol., 97: 171-191.
 
 
Rumelhart D. E., Hinton G. E., Williams R. J., 1986, Learning internal representations by error propagation, In Rumelhart, D. E., McClelland, J. L., and the PDP Research Group, editors, Paralled Distributed Processing. Explorations in the Microstructure of
      Cognition. Volume 1: Foundations, pages 318-362. The MIT Press, Cambridge, MA.
Shibata I., 1989, The determination of a rational injection pressure related to in-situ stress in dam foundation grouting, Journal of
      Japan Society of Civil Engineering, 16(436): 121-130.
Trippi R.R., Turban E., 1996, Neural Networks in Finance and Investing, Irwin Professional Publishing.
Verfel J., 1989, Rock grouting and diaphragm wall construction, Elsvier Science Pub., 532 pp.
Weaver K., 1991, Dam foundation grouting, Library of Congress Catalog, Card No. 91-34635, American Society of Civil
      Engineers.
Yamaguchi Y., Matsumoto N., 1989, Permeability and Lugeon values of dam foundation, Journal of Japan Society of Civil
      Engineering, 12(412): 51-60.
Yang, Y., Zhang Q., 1997, A hierarchical analysis for rock engineering using artificial neural networks, Rock Mechanics and Rock  
      Engineering 30 (4), 207-222.
Yang C. P., 2004, Estimating cement take and grout efficiency on foundation improvement for Li – Yu – Tan dam, Engineering  
      Geology, 75:1-14.
Zorlu, K., Gokceoglu C., Ocakoglu F., Nefeslioglu H.A., Acikalin S., 2008, Prediction of uniaxial compressive strength of  
      sandstones using petrography-based models, Eng. Geol., 96: 141-158.