23989

برآورد مقاومت خاك‌هاي ماسه‌اي بهسازي شده با سرباره كوره آهن‌گدازي به روش شبكه عصبي

كارشناسي ارشد

مهندسي عمران - گرايش ژئوتكنيك

1397

1399/12/20

دكتر علي اكبر حشمتي - دكتر حسين صالح زاده

مهندسي عمران

به طور كلي در پروژه‌هاي مختلف عمراني هنگام برخورد با لايه‌هاي خاك با مقاومت كم و مسئله‌دار روش‌هاي متعددي براي بهسازي خاك ارائه مي‌شود كه از جمله آن‌ها روش‌هاي فيزيكي و شيميايي مي‌باشند. در اين ميان روش‌هاي بهسازي شيميايي خاك با استفاده از افزودني‌ها به دليل هزينه‌ي كمتر و زمان كوتاه‌تر عمليات مورد توجه مهندسين و محققين مختلف قرار گرفته‌اند. در روش شيميايي از مواد شيميايي به عنوان افزودني خاك استفاده مي‌شود و با مخلوط كردن اين مواد با خاك، خواص شيميايي و مكانيكي خاك بهبود پيدا كرده و مجموعه‌اي متراكم و سفت و باربر از خاك تشكيل مي‌شود. يكي از افزودني‌هاي متداول در بهسازي لايه‌هاي خاك داراي مقاومت برشي كم، سيمان مي‌باشد. اما به دليل آلوده شدن محيط‌زيست توسط سيمان امروزه تحقيقات گستره‌اي روي مواد ژئوپليمري شده كه عمدتاً پسماند فرايندهاي صنعتي مي‌باشند كه با استفاده از آن‌ها علاوه بر كاهش برداشت از ذخاير مواد خام و مصرف انرژي، مي‌توان مشكل دفع و رهاسازي اين پسماندهاي صنعتي در محيط‌زيست را نيز حل نمود. يكي از اين مواد ژئوپليمري سربار كوره آهن گدازي مي‌باشد كه بررسي اثر آن‌ها بر مقاومت خاك معمولاً با كمك آزمايش‌هاي تك محوري فشاري بر روي نمونه‌هاي آن‌ها انجام مي‌پذيرد كه در كنار ديگر آزمايش‌هاي رايج زمان بر و هزينه بر هستند و در نتيجه توجه محققين به استفاده از روش‌هاي جايگزين براي رفع اين مشكل جلب شده است كه از جمله آن‌ها استفاده از قابليت هوش مصنوعي است. لذا در اين پژوهش و در اين راستا با استفاده از داده‌هاي آزمايش‌هاي آزمايشگاهي نمونه‌هاي بهسازي شده خاك با سرباره كوره آهن گدازي فعال شده توسط قليا و به كار گيري شبكه‌هاي عصبي مصنوعي در ابتدا ميزان مقاومت خاك بهسازي شده بدون نياز به انجام آزمايش براي درصدهاي مختلف افزودني محاسبه شد. بدين منظور با به كارگيري الگوريتم لونبرگ ماركوات و الگوريتم بيزن و پالايش و نرمال سازي داده‌ها و مقايسه دقت شبكه‌هاي عصبي مختلف تشكيل شده، دقيق‌ترين شبكه عصبي انتخاب گرديد. با داشتن اين شبكه عصبي و به كارگيري آن ترتيب اهميت پارامترها به دست آورده شد كه در اين بين به ترتيب مقدار محلول سديم سيليكات ، سديم هيدروكسيد ، زمان عمل‌آوري ، و درصد وزني سرباره كوره آهن گدازي بيشترين اثر را بر روي مقاومت برشي خاك دارند.

1400/04/13

Estimation of sandy soil strength improved with GGBFS using using neural network

1/1/1900 12:00:00 AM

Using numerous mechanical and chemical soil improvement methods was suggested to encounter the problematic and low bearing soil layers in engineering projects. Among these improvement methods, many researchers and engineers have been attracted to chemical soil improvement methods according to their low time and cost expenses. In chemical methods, a chemical agent is added to soil to improve its chemical and mechanical properties, such as its shear strength which is making a dense, strong, and high bearing capacity complex. Using Portland cement is one of the common chemical soil improvement methods that have negative environmental effects. Therefore, a wide range of research is being conducted on using geopolymers to improve soil mechanical properties. Using geopolymers, which are industrial by-products, as soil additives, would save energy and rare resources and mitigate the environmental effects of their disposal. One of the useful geopolymers in soil improvement is metal and coal slag, and one-direction compression soil strength tests evaluate the effects of its addition with an appropriate activator to soil samples on soil shear strength. These laboratory tests are expensive and time-consuming. Thus, researchers are looking for new ways, such as artificial intelligence, for evaluating soil improvement methods. In this study, an artificial neural network has been developed to find the improved soil strength for different additive percentages using experimental data of improved soil samples and without any additional laboratory tests. For this, Lorenberg Marquart and Bayesian algorithms together with refining and normalization of data were applied to find the most precise neural network for the study. Then, the most effective parameters on soil sample strength are found using the neural network are Sodium silicate solution, Sodium hydroxide, curing time, and the weight ratio percentage of slag, respectively

ژئوپليمر , سرباره كوره آهن گدازي , شبكه هاي عصبي مصنوعي , بهسازي خاك

GGBFS , Geopolymer , Artificial Neural Network , Soil improvement