پیش‌بینی پاسخ لرزه‌ای خاک‌ریزها و سدهای خاکی با شبکه عصبی مصنوعی

امین رضایان, محمد داودی, محمد کاظم جعفری ممقانی

چکیده


مهندسی ژئوتکنیک لرزه‌ای غالباً به‌عنوان یک شاخه علمی غيردقيق به حساب می‌آید، زیرا در طی مراحل طراحی سازه‌های ژئوتکنیکی با عدم قطعیت‌های اجتناب‌ناپذیر و ساده‌سازی‌هایی مواجه هستیم که ناچاریم آنها را بپذیریم. بنابراین پیش‌بینی‌های نسبتاً دقیق با استفاده از تکنیک‌های محاسبات نرم (SC) پیشرفته می‌تواند دشواری‌های کار در روش‌های حل متعارف را هموار کند. شبکه‌های عصبی مصنوعی (ANN) یکی از مشهورترین تکنیک‌های محاسبات نرم است که در زمینه‌های مختلف علمی و فنّاوری استفاده می‌شود. کاربرد این تکنیک در زمینه‌های کاربردی مهندسی زلزله در سازه‌ها نیز هم‌زمان با توسعه آن در سایر زمینه‌های علمی افزایش یافته است. این مقاله روي کاربرد شبکه عصبی مصنوعی بر روی شبیه‌سازی پاسخ لرزه‌ای خاک‌ریزها و سدهای خاکی متمرکز شده است. پاسخ دینامیکی خاک‌ریزها و سدهای خاکی با استفاده از روش اجزای محدود و با استفاده از مدل معادل خطی ارزیابی شده است. در پژوهش حاضر، این فرآیند نسبتاً زمان‌بر با پیش‌بینی‌های سریع شبکه‌های عصبی مصنوعی که به‌طور صحیح آموزش دیده است جایگزین شده است. در اینجا ورودی‌های مدل شبکه عصبی مصنوعی پارامترهای لرزه‌ای تحریک‌های زلزله وارد بر خاک‌ریز یا سد خاکی بوده و خروجی آن در این پژوهش شتاب افقی حداکثر تاج سد است. بررسی‌های انجام شده در این پژوهش نشان داد که مدل شبکه عصبی مصنوعی کلی ارائه شده جهت پیش‌بینی پاسخ لرزه‌ای خاک‌ریزها و سدهای خاکی می‌تواند نسبت به مدل جزئی پیشنهاد شده در پژوهش‌های پیشین کاربردی‌تر باشد.


موضوع


خاکریز؛ سد خاكي؛ تحلیل دینامیکی؛ روش معادل خطی؛ شبکه عصبی مصنوعی

مراجع


Tsompanakis Y, Lagros N, Psarropoulos P, Georgopoulos E. Simulating the seismic response of embankments via artificial neural. Advances in Engineering Software 2009; 40:640–651.

Lagaros ND, Tsompanakis Y, editors. Intelligent computational paradigms in earthquake engineering. Idea Publishers; 2006.

Papadrakakis M, Lagaros ND, Tsompanakis Y. Structural optimization using evolution strategies and neural networks. Comput Methods Appl Mech Eng 1998; 156:309–33.

Tsompanakis Y, Lagaros ND, Stavroulakis GE. Soft computing techniques in parameter identification and probabilistic seismic analysis of structures. Adv Eng Softw 2008; 39(7):612–24.

Stavroulakis GE, Foutsitzi G, Hadjigeorgiou E, Marinova D, Baniotopoulos CC. Design and robust optimal control of smart beams with application on vibration suppression. Adv Eng Softw 2005; 36(11–12):806–13.

Gonzلlez MP, Zapico JL. Seismic damage identification in buildings using neural networks and modal data. Comput Struct 2008; 86(3–5):416–26.

Fang X, Luo H, Tang J. Structural damage detection using neural network with learning rate improvement. Comput Struct 2005; 83(25–26):2150–61.

Kao CY, Shih-Lin H. Detection of structural damage via free vibration responses generated by approximating artificial neural networks. Comput Struct 2003; 81(28–29):2631–44.

Kallassy A. A new neural network for response estimation. Comput Struct 2003; 81(26–27):2417–29.

Chen Q, Chan YW, Worden K. Structural fault diagnosis and isolation using neural networks based on response-only data. Comput Struct 2003; 81(22–23):2165–72.

Kuz´niar K, Waszczyszyn Z. Neural simulation of dynamic response of prefabricated buildings subjected to paraseismic excitations. Comput Struct 2003; 81(24–25):2353–60.

Cardoso JB, Almeida JR, Dias JM, Coelho PG. Structural reliability analysis using Monte Carlo simulation and neural networks. Adv Eng Softw 2008; 39(6): 505–13.

Chau KW. Reliability and performance-based design by artificial neural network. Adv Eng Softw 2007; 38(3):145–9.

Chau KW. Application of a PSO-based neural network in analysis of outcomes of construction claims. Automat Construct 2007; 16(5):642–6.

Wu CL, Chau KW. A flood forecasting neural network model with genetic algorithm. Int J Environ Pollut 2006; 28(3–4):261–73.

Chouicha MA, Siller TJ, Charlie WA. An expert-system approach to liquefaction analysis: 2. Evaluation. Comput Geotech 1994; 16(1):37–69.

Goh ATC. Seismic liquefaction potential assessed by neural networks. ASCE J Geotech Eng 1994; 120(9):1467–80.

Wang J, Rahman MS. A neural network model for liquefaction-induced horizontal ground displacement. Soil Dyn Earthquake Eng 1999; 18(8):555–68.

Baziar MH, Nilipour N. Evaluation of liquefaction potential using neural networks and CPT results. Soil Dyn Earthquake Eng 2003; 23(7):631–6.

Hurtado JE, Londono JM, Meza MA. On the applicability of neural networks for soil dynamic amplification analysis. Soil Dyn Earthquake Eng 2001; 21:579–91.

Garcia SR, Romo MP, Sarmiento N. Modeling ground motion in Mexico City using artificial neural networks. Geofisica Int 2002; 42(2):173–83.

Paolucci R, Colli P, Giacinto G. Assessment of seismic site effects in 2-D alluvial valleys using neural networks. Earthquake Spectra 2002; 16(3):661–80.

Garcia SR, Romo MP. Dynamic soil properties identification using earthquake records: a NN approximation. In: Proceedings of the 13th World Conference on Earthquake Engineering, Vancouver, B.C., Canada; August 1–6, 2004. Paper No.1817.

Kerh T, Ting SB. Neural network estimation of ground peak acceleration at stations along Taiwan high-speed rail system. Eng Appl Artif Intel 2005; 18:857–66.

Lin CCJ, Ghaboussi J. Generating multiple spectrum compatible accelerograms using stochastic neural networks. Earthquake Eng Struct Dyn 2001; 30(7):1021–42.

Seung CL, Sang WH. Neural-network-based models for generating artificial earthquakes and response spectra. Comput Struct 2002; 80(20–21):1627–38.

Rajasekaran S, David VK. MicroARTMAP for pattern recognition problems. Adv Eng Softw 2007; 38(10):698–709.

Ziemian´ ski L. Hybrid neural network/finite-element modelling of wave propagation in infinite domains. Comput Struct 2003; 81(8–11):1099–109.

Kerh T, Chu D. Neural networks approach and microtremor measurements in estimating peak ground acceleration due to strong motion. Adv Eng Softw 2002; 33(11–12):733–42.

Ozerdem MS, Ustundag B, Demirer RM. Self-organized maps based neural networks for detection of possible earthquake precursory electric field patterns. Adv Eng Softw 2006; 37(4):207–17.

Psarropoulos PN, Tsompanakis Y, Karabatsos Y. Effects of local site conditions on the seismic response of municipal solid waste landfills. Soil Dyn Earthquake Eng 2007; 7:553–63.

Newmark NM. Effects of earthquakes on dams and embankments. Geotechnique 1965; 15(2):139–60.

Makdisi FI, Seed HB. Simplified procedure for estimating dam and embankment earthquake induced deformations. ASCE J Geotech Eng Div 1978; 104:849–67.

EN 1998-1:2003. Eurocode 8: design of structures for earthquake resistance. Part 1: General rules, seismic actions and rules for buildings. Commission of the European Communities, European Committee for Standardization; 2003.

EAK 2000: Greek seismic design code. Greek Ministry of Public Works, Athens, Greece; 2000.

Kramer SL. Geotechnical earthquake engineering. New Jersey: Prentice Hall; 1996.

Dynamic Modelling with QUAKE/W 2007, User Manual Fourth Edition. Geo-Slope International Ltd. Calgary, Alberta, Canada; 2007.

Haykin S. Neural networks. Prentice Hall, New Jersey, USA; 1999.

MacKay DJC. A practical Bayesian framework for back prop networks. Neural Comput 1992; 4:448–72.

Schiffmann W, Joost M, Werner R. Optimization of the back-propagation algorithm for training multi-layer perceptrons. Technical Report, University of Koblenz, Institute of Physics; 1993.

Riedmiller M, Braun H. A direct adaptive method for faster back-propagation learning: the RPROP algorithm. In: Proceedings of the IEEE international conference on neural networks (ICNN). San Francisco; 1993. p. 586–91.

Riedmiller M. Advanced supervised learning in multi-layer perceptions – from backpropagation to adaptive learning algorithms. International Journal of Computer Standards and Interfaces – Special Issue on Neural Networks 19


ارجاعات

  • در حال حاضر ارجاعی نیست.


تماس با ما حامیان مجله تمامی حقوق این سایت متعلق به فصلنامه علوم و مهندسی زلزله است