17172

17172

بهينه سازي سيستم پايدارسازي گودهاي عميق تحت اثر سربار با استفاده ازشبكه عصبي مصنوعي( ANN )

كارشناسي ارشد

ژئوتكنيك

بهمن ماه 1395

دكتر صابرماهاني

عمران

در سال هاي اخير به علت ضرورت نياز به انجام گودبرداري هاي عميق به نحوي كه ايمني سازه هاي مجاور در معرض خطر قرار نگيرد بيش از پيش احساس مي شود . يكي از روش هاي موثر كه براي پايدارسازي اين عمليات به واسطه سرعت انجام بالا و اقتصادي بودن آن در چند دها اخير مورد توجه قرار گرفته روش ميخكوبي مي باشد . در اين روش با انتخاب چيدمان مناسب براي ميخ ها مي توان به طرحي بهينه كه در عين توجيه اقتصادي ، پايداري ديوار را تامين كند دست يافت . در اين پژوهش با بررسي چيدمان هاي مختلف ميخ براي ديوارهاي با عمق هاي مختلف و پارامترهاي مقاومتي خاك مختلف تحت سربارهاي متنوع ،كمترين ميزان تراكم ميخي كه منجر به ارضا شدن شرايط مرزي ضريب اطمينان مجاز پايداري و تغيير شكل مجاز تاج گود كه توسط آئين نامه طراحي تعيين شده محاسبه شد . سپس با دردست داشتن بهينه ترين ترين ميزان تراكم ميخ براي هر چيدمان بانك اطلاعاتي جهت آموزش شبكه عصبي فراهم گرديد . در روند انجام اين پژوهش ديده شد كه افزايش ميزان تراكم ميخ تاثير بسيار بسزايي بر روي مقادير كنترل كننده طراحي اين ديوارها دارد . همچنين با مقايسه نتايج شبكه عصبي آموزش داده شده با نتايج حاصل از مدل سازي ديده شد كه اين شبكه عملكرد قابل قبول و قابل استفاده اي براي طراحي هاي آتي دارد . نتايج اين پژوهش مي تواند به مهندسان و كارفرمايان در انتخاب بهينه ترين طرح از بين طرح هاي قابل قبول و همچنين برآورد اوليه هزينه هاي پايدارسازي به اين روش كمك شاياني نمايد .

1396/02/03

1/1/1900 12:00:00 AM

In recent years, the need for deep excavation is more than ever so that the safety of adjacent structures is not at risk. Nailing is one of the effective methods which have been taken into account due to its high speed an​d cost-effectiveness. In this method, proper layout is selected for nails in order to achieve an optimal plan. At the same time, economic feasibility an​d wall sustainability are met. In this research, minimum nail density- which meets the boundary conditions, allowable stability reliability, an​d allowable depth crown- is calculated by investigating various nail layouts for different walls with various depths an​d different soil resistance parameters undergoing a diverse range of overheads. Then, an information bank was prepared for neural network training by the most optimal nail densities for each layout. Increasing nail density had a significant effect on design controlling values of walls. Comparing the results of trained neural network an​d modeled ones showed that the network has an acceptable an​d useful performance for future designs. The results can significantly help engineers an​d employers select the most optimal layout an​d initial estimation of stability costs.