"M.SC پایان نامه برای دریافت درجه کارشناسی ارشد"
مهندسی عمران -سازه های هیدرولیکی
چکیده
بررسی پایداری سدهای خاکی بالاخص ایستایی لرزه ای آنها از اهمیت خاصی برخوردار است .روشهای متعددی برای تعیین ضریب اطمینان پایداری سدهای خاکی وجود دارد.
در این پایان نامه شبکه عصبی مصنوعی برای پیش بینی مقادیر ضریب اطمینان و مشخصات سطح لغزش دایره ای بحرانی سدهای خاکی ناهمگن با درنظر گرفتن تأثیر نیروی اینرسی زلزله استفاده شده است .
ورودی های مدل شامل ارتفاع سد و کتانژانت زاویه شیب بالا دست ، ضریب زلزله ، ارتفاع آب
،پارامترهای مقاومتی هسته و پوسته و فیلتر و خروجی های آن شامل ضریب اطمینان و شعاع دایره لغزش بحرانی می شود. برای آموزش و آزمایش و ارزیابی شبکه از یک بانک اطلاعاتی بدست آمده ازآنالیز پایداری سدهای خاکی ناهمگن با برنامه geo-slope استفاده شده است . در ادامه با بررسی مدل های مختلف با تعداد نرون های میانی متفاوت و با توجه به شاخص های ارزیابی مدل که شامل ارزیابی کلی و ارزیابی براساس رفتار می شوند ساختار بهینه مدل از نظر تعداد نرون های میانی و مشخصات شبکه و توابع فعالیت آن انتخاب شده است .
شبکه هایی برای تخمین ضریب اطمینان و شعاع دایره لغزش با ورودی های مشابه برای پائین دست سد نیز طراحی شده است . پس از آن با انجام آنالیز حساسیت روی پارامترهای ورودی به تعیین میزان تأثیر هرکدام از متغیرهای ورودی در ضریب اطمینان سد پرداخته شده است .
آنالیز انجام شده روی نتایج حاکی از آن است که نیروی اینرسی زلزله تاثیر قابل توجهی نسبت به سایر پارامترها در ضریب اطمینان پایداری سد دارد.
مقدمه
امروزه استفاده از شبکه های عصبی مصنوعی در انواع مسائل مهندسی روندی رو به افزایش داشته است . در این میان می توان کاربرد فراوان آن را در شاخه های مختلف مهندسی عمران نام برد.
مروری بر مقالات و تحقیقاتی که در سالهای اخیر انتشار یافته است گواهی بر این عملکرد موفق در طیف وسیعی از مسائل از جمله مباحث مربوط به پیش بینی خیز سازه ها[١٤]، تحلیل و طراحی و آنالیز دینامیکی آن ها[٢] ،تخمین مدل بارندگی_رواناب [١٨]، برآورد حداکثر عمق آب شستگی حول آب شکنها [١٩] , ارزیابی مقاومت بتن در جا[٢٠]،پیش بینی حجم ترافیک [٢١]، برنامه ریزی حمل و نقل [٢٢]، پیش بینی ظرفیت شمع ها[٣] ،نشست
فونداسیون ها[٤]، سازه های حائل خاک [٥]، تزریق پی سدها[٢٣]وتحلیل شیب ها و شیروانی هاا[١٦] و[١٧]می باشد.در صورت اثبات توانایی شبکه عصبی مصنوعی در پیش بینی مقادیر ضریب اطمینان و مشخصات قوس لغزش بحرانی در بررسی پایداری سدهای خاکی ناهمگن می توان از نتایج آن در طراحی اولیه این سدها به عنوان جایگزین سایر روشها استفاده نمود.
برای بررسی پایداری شیب ها و سد های خاکی (همگن و یا ناهمگن )روشهای تحلیل حدی
،تعادل حدی و عددی از دیرباز موجود بوده است . روشهای تعادل حدی بدلیل سهولت ، کاربرد بیشتری در میان روشهای موجود دارند در حالی که فرضیات ساده کننده آن ها دقتشان را تا حد قابل توجهی پائین می آورد که این مشکل توسط روشهای عددی برطرف می گردد.
از طرف دیگر نیاز به تسلط بر دانش اجزاء محدود و صرف وقت فراوان جهت حل مساله از جمله مشکلات روشهای عددی است . از اینرو استفاده از روش شبکه عصبی مصنوعی می تواند جایگزین مناسبی برای روشهای موجود باشد. چراکه شبکه های عصبی مصنوعی با انعطاف پذیری بالا در یادگیری مسائل ، مزایای روشهای فوق را همزمان داشته و معایب موجود را مرتفع می سازند.بانک اطلاعاتی مورد نیاز در این تحقیق باانجام آنالیز شبه استاتیکی توسط برنامه geo-slope و با تغییر پارامترهای هندسی ، مقاومتی و محیطی سدهای خاکی ناهمگن حاصل گردیده است . همچنین از شبکه پرسپترون سه لایه برای پیش بینی مقادیر ضریب اطمینان و مشخصات سطح لغزش دایره ای بحرانی سدهای خاکی ناهمگن
، در بالادست و پائین دست استفاده شده است . نهایتا با انجام آنالیز حساسیت بر روی نتایج ، میزان تأثیرگذاری پارامترهای ورودی بر روی ضریب اطمینان سد مشخص شده است .
فصول پایان نامه
این پایان نامه متشکل ازچهار فصل می باشد .فصل اول مقدمه و خلاصه ای از کل پایان نامه بوده و مروری بر کارهای گذشته در این زمینه شده است .
در فصل دوم اصول اولیه دانش شبکه های عصبی مصنوعی بیان گردیده است . همچنین شرح کاملی از پرسپترونهای چند لایه و الگوریتم آموزشی پس انتشار خطا ارائه شده است . در فصل سوم بانک اطلاعاتی و الگوریتم به کار رفته در تربیت شبکه موردبررسی قرار گرفته و به مقایسه مدل های مختلف با شاخصهای ارزیابی پرداخته شده است و براساس شاخصهای خطا مدلهای برتر در هر شبکه برگزیده شده و در نهایت
نیز آنالیز حساسیت صورت گرفته است . در فصل چهارم نتیجه گیری ارائه شده است .
فصل اول :
کلیات
فصل اول : کلیات
١-١-پیشگفتار
امروزه کمبود آب یک بحران جهانی است که مقابله با آن ، توسعه منابع آبی و استفاده بهینه از آنها را می طلبد . در این راستا نقش سدها با هدف اصلی ذخیره و تامین آب مورد نیاز و در عین حال کنترل سیلاب ها
و جلوگیری از اثرات مخرب آنها بسیار حائز اهمیت می باشد . سد ها انواع مختلفی دارند که از حیث مصالح مصرفی میتوان آنها را به دو دسته عمده سدهای بتنی و سدهای خاکی . سنگریزه ای تقسیم نمود که هریک به نوبه خود دارای انواع مختلفی هستند .
سدهای خاکی به لحاظ مزایای آنها از جمله استفاده از مصالح طبیعی موجود ، روش اجرای نسبتًا ساده و هزینه ساخت کمتر، همواره مورد توجه بسیار بوده اند . معمول ترین نوع سدهای خاکی ، سدهای با هسته رسی آب بند می باشد .
بطور کلی در سال های اخیر ساخت سدهای نوع خاکی به دلایل زیر متداول ترین روش
سدسازی در بیشتر کشورها بوده است :
الف )بدلیل این که ساختگاههای مناسب برای سدهای بتنی مورد استفاده قرار گرفته اندو ساختگاههای باقیمانده از کیفیت چندان مطلوبی برخوردار نیستند و در نتیجه عمومًا فقط برای سدهای نوع خاکی مناسبند.
ب ) هزینه عملیات خاکی نسبت به هزینه کارهای بتنی به میزان خیلی کمتری افزایش یافته ،از این رو به لحاظ اقتصادی عمومًا ساخت سدهای نوع خاکی مقرون به صرفه تر است . [١٥]
١-٢-طبقه بندی سدهای نوع خاکی
سدهای خاکی برحسب کمیت و کیفیت مصالح به کاربرده شده و نیز متناسب با روش ساخت طبقه بندی می شوند . از نظر مصالح مورد استفاده ،سدهای خاکی به سه گروه به شرح زیر
تقسیم می شوند :
الف )سدهای خاکی همگن
ب )سدهای خاکی ناهمگن ( منطقه بندی شده )
ج )سدهای سنگریزه ای با غشای نفوذ ناپذیر یا سدهای خاکی غشایی
در این تحقیق مطالعات بر روی سدهای خاکی ناهمگن متمرکز گردیده است .
١-٣-پایداری سدهای خاکی
پایداری سدهای خاکی از دو دیدگاه استاتیکی و لرزه ای مورد توجه قرار می گیرد. در بحث پایداری استاتیکی روشهای مختلفی برای تحلیل شیب ها وجود دارد که هر کدام بر پایه فرضیات اولیه ای بنا نهاده شده است .آنالیز لرزه ای سدهای خاکی نیز از دوحیث شبه استاتیکی و دینامیکی بررسی می گردد.
١-٣-١-استفاده از شبکه عصبی مصنوعی در بررسی پایداری سدهای خاکی ناهمگن
دراین پایان نامه سعی شده است تا از روش شبکه عصبی مصنوعی به عنوان روشی جایگزین سایر روشها مانند روشهای عددی برای تحلیل پایداری سدهای خاکی ناهمگن استفاده شود.
بدین گونه که ابتدا با استفاده ازروشهای تعادل حدی پایداری شیب و سپس با روش شبه استاتیکی پایداری لرزه ای سد خاکی ناهمگن تحلیل می گردد.آنگاه نتایج حاصله به صورت داده های اولیه در اختیار شبکه عصبی مصنوعی قرار داده میشود. شبکه با استفاده از این نتایج تربیت شده و از این پس میتواند به عنوان جایگزینی برای روشهای فوق باشد .
١-٤-معرفی شبکه های عصبی مصنوعی
در حقیقت میتوان شبکه عصبی را پردازنده موازی گسترده ای دانست که از واحد های پردازشگر ساده ای تشکیل شده که توانایی ذخیره دانسته های تجربی و آماده سازی آن برای کاربر های بعدی را دارا می باشد. عملکرد این شبکه ها از دو جهت مشابه مغز انسان است .
دانسته ها از محیط اطراف و از طریق فرآیند آموزش به شبکه منتقل می شوندو دانسته های فوق با استفاده از مقادیر گره ها که وزن نامیده می شوند ، ذخیره می شود
روشی که برای آموزش شبکه بکار می رود ، الگوریتم آموزش نامیده می شود که وظیفه آن اصلاح وزن نرون های شبکه است . [١٤]
قدرت محاسباتی یک شبکه عصبی به دلیل ساختار موازی گسترده و توانایی یادگیری و تعمیم دادن آن می باشد. « تعمیم » ١به معنی تولید خروجی های منطقی برای داده هایی است که در روند یادگیری ( آموزش ) وارد نشده است .
مجموعه قابلیت شبکه های اعصاب عبارتند از :
الف ) غیر خطی بودن : ویژگی مهمی است خصوصا هنگامی که مکانیزم تولید و ورودی برای شبکه بطور طبیعی غیر خطی باشد.
ب ) نگاشت ورودی – خروجی : روش « یادگیری نظارت شونده » که عبارت است از اصلاح وزن ها بوسیله
مجموعه ای از نمونه های آزمایشی یا مثالهای عملی
ج ) قابلیت انطباق : قابلیت درونی برای انطباق وزن ها با تغییرات محیط اطراف د) اطلاعات ضمنی : هر نرون تحت تاثیر سایر اعضاء شبکه قرار می گیرد
١-٥-تفاوت شبکه های عصبی با روش های محاسباتی معمول
اولین تفاوت عدم نیاز به معرفی تابع مشخص است زیرا روابط را به کمک تعدادی نمونه مثال یاد می گیرد .
اصلاح دائمی نیز از مشخصه های دیگر شبکه عصبی مصنوعی است . شبکه اعصاب با دریافت داده های جدید به راحتی خود را با وضعیت اخیر وقف می دهد.
پذیرش اغتشاش ١ در اطلاعات ورودی نیز از ویژگی های آنهاست . با ورود داده اشتباه ، اگر تعداد نمونه ها کافی باشد سیستم خود را اصلاح می کند .زیرا در رگرسیون این مسأله سبب خطای قابل ملاحظه ای می شود. و در نهایت میتوان تحمل صدمات و خرابی رااز برتری های آن دانست . در صورت از کار افتادن یک یا چند نرون یا از کار افتادن ارتباط های آنها ، قادر خواهد بود عملیات را ، هر چند با کیفیت پائین تر ، انجام دهد. فاکتور وزن ، تابع جمع کننده ، تابع انتقالی و تابع خروجی را میتوان از اجزائ اصلی تشکیل دهنده شبکه عصبی مصنوعی دانست که به طور مفصل پیرامون آنها در فصل دوم توضیح داده شده است . [٢٢]
١-٦-آاربردهای شبکه های عصبی در پایداری شیب و سدهای خاکی
نی ٢و همکاران (١٩٩٦)، متدلوژی جدیدی را برای تلفیق تئوری مجموعه های فازی و شبکه های عصبی مصنوعی برای ارزیابی پایداری شیب ها ارائه دادند. در این روش ورودی ها عبارت بودند از : گرادیان ، پروفیل افقی و عمودی ، موقعیت مکانی ، ارتفاع ، مشخصات زمین شناسی ، بافت خاک ، امتداد شیب ، کاربری زمین ، بافت گیاهی ، حداکثر بارش روزانه و حداکثر بارش در یک ساعت . تنها خروجی شبکه عبارت بود از پتانسیل گسیختگی . تعدادی از شیب های طبیعی فرضی توسط شبکه های عصبی و مدلهای تحلیلی ارزیابی شدند .این تحقیق نشان داد که نتایج شبکه های عصبی در توافق خوبی با نتایج حاصل از روشهای تحلیلی قرار داشتند.
مرندی وهمکارانش (٢٠٠٢) از شبکه عصبی برای طراحی سدهای خاکی همگن استفاده نمودند.آنها داده های مورد نیاز تربیت شبکه را از طریق آنالیز با برنامه STABLEتهیه و سپس نتایج تحلیل های شبکه عصبی را با نتایج دو برنامه Z-SOIL و STABLE مقایسه کردند.سطح لغزش بدست آمده از شبکه عصبی مصنوعی ما بین منحنی های حاصل از دو برنامه فوق قرار
داشته ونشان می داد شبکه عصبی ارائه شده از توانایی بالایی برخوردار بوده و میتوان ازآن در طراحی ها استفاده نمود. [١٧]
زایانکی ١ و سفینگ ٢ (٢٠٠٤ )از شبکه عصبی مصنوعی و الگوریتم ژنتیک برای پیش بینی تنش ها و تغییر شکل های سد خاکی شوبایا٣ بارویه بتنی استفاده نمودند. [٩]
آنها روشی را برای کنترل و پیش بینی تنش ها و تغییر شکل های این سد بر پایه الگوریتم آموزش پس انتشار خطا در شبکه عصبی ارائه دادندومدول تراکم پذیری سد خاکی را با تغییر شکل خمشی مجاز رویه بتنی بوسیله
شبکه عصبی آموزش دیده شده کنترل نمودند. بر اساس نتایج بدست آمده از شبکه عصبی پارامترهای دیگر
طراحی سد نیز با الگوریتم ژنتیک برای تعیین وضعیت نهایی تغییر شکل های سد بدست آمد.
وانگ ٤ و همکارانش (٢٠٠٥) به بررسی پایداری زمین لغزه ای در غرب ایالت هوبی ٥ در چین پرداختند.
این زمین لغزه مهم که نزدیک سد شوبایا در رودخانه کینگ ٦ قراردارد حائز اهمیت است .تغییر در سطح آب که ناشی ازخالی شدن مخزن سدمی باشد سبب فعال شدن مجدد زمین لغزه میگردد.
آنها با استفاده از یک شبکه عصبی مصنوعی باالگوریتم آموزش پس انتشار خطا شبکه ای را طراحی نمودند که شامل ٤ لایه ; ١ لایه ورودی با ٥ نرون و ٢ لایه میانی یک لایه خروجی با ٢ نرون بود این شبکه با یک دسته اطلاعات موجود در زمین لغزه های اطراف رودخانه کینگ آموزش داده شد . نتایج بدست آمده حاکی از ضریب اطمینان ١٫١٠بود که پایداری را برای زمین لغزه موجود نشان داد.[٨]
حیدری (٢٠٠٦) در دومین کنگره ملی مهندسی عمران یک شبکه عصبی مصنوعی سه لایه پرسپترون برای پیش بینی مقادیر ضریب اطمینان و مشخصات سطح لغزش دایره ای بحرانی سدهای خاکی همگن در شرایط انتهای دوره ساخت ارائه داد.وی از یک بانک اطلاعاتی نسبتا بزرگ که شامل آنالیز های پایداری با برنامه CA2 بودبرای آموزش و آزمایش شبکه استفاده نمودو کارایی مناسب مدل بدست آمده را در این مورد نشان داد.[١٦]
١-٧- شرح روش تحقیق
در فصول بعد نحوه ساخت بانک اطلاعاتی ارائه شده است .سپس به طراحی شبکه عصبی پیش بینی ضریب اطمینان و شعاع دایره بحرانی سد توسط نرم افزار MATLAB7 پرداخته شده است و در پایان با آنالیز حساسیت بر روی وزن های شبکه مورد نظرکه در حقیقت ضرایب تطبیقی بوده ومقیاسی از قدرت ارتباط یک ورودی اند میزان تاثیرهر پارامتربر ضریب اطمینان پایداری سدها مشخص می گردد.
فصل دوم :
مقدمه ای بر شبکه های عصبی مصنوعی
فصل دوم : مقدمه ای بر شبکه های عصبی مصنوعی
٢-١- شبکه عصبی چیست ؟
با کشف این حقیقت که مغز انسان محاسبات را با روشی کاملاً متفاوت از کامپیوتر های دیجیتال متداول انجام می دهد مطالعات بر روی شبکه های عصبی مصنوعی ، که معمولاً شبکه های عصبی نامیده می شوند، آغاز شد . مغز در حقیقت یک کامپیوتر بسیار پیچیده ، غیر خطی و با ساختار موازی می باشد . به دلیل توانائی در سازماندهی عناصر بنیادی یعنی نرونها ، مغز توانائی انجام بسیاری از محاسبات (مانند تشخیص الگو ، ادراک و... ) را با سرعتی بسیار بالاتر از سریعترین کامپیوتر های دیجیتال امروزی دارا می باشد.
به عنوان مثال فرآیند بینائی که در حقیقت نوعی پردازش اطلاعات می باشد را در نظر بگیرید
. وظیفه سیستم بینائی تهیه تصویری از محیط اطراف برای انسان می باشد . مغز به سادگی توانائی انجام فرآیند ادارک بصری را در زمان ٢٠٠ms-١٠٠ دارا می باشد. این در حالی است که توانائی تشخیص تصویرهائی به مراتب ساده تر برای کامپیوتر های متداول بسیار پائین تر بوده و ممکن است روز ها به طول بیانجامد . [١٤]
مثال بسیار جالب دیگر از توانائی های پیچیده مغز ، سیستم صوتی خفاش می باشد . سیستم صوتی خفاش در واقع یک سیتم فعال و دوگانه صوتی _ مکانی می باشد . این سیستم توانائی آن را دارد که اطلاعاتی مانند فاصله خفاش تا هدف [مثلاً یک پشه در حال پرواز] و همچنین سرعت نسبی ، ابعاد ، آزیموت و ارتفاع هدف را نیز بدست دهد. این در حالی است که کلیه این محاسبات بسیار پیچیده در درون مغزی به اندازه در یک بطری نوشابه اتفاق می افتد .
امروزه پیشرفته ترین رادارها نیز توانایی انجام چنین کاری را ندارند. مسأله این است که مغز چگونه این فعالیتها را انجام می دهد . در بدو تولد مغز دارای ساختمان عظیمی بوده وتوانائی ساختن و توسعه خود را با توجه به آنچه ما "تجربه "می نامیم دارا می باشد. در حقیقت تجربه در طول زمان ساخته می شود و بالاترین حجم تغییرات مغز در طول زمان ٢ سال اول تولد اتفاق می افتد، اگر چه این تکامل در طول عمر نیز ادامه پیدا می کند . از سوئی دیگر خاصیت پلاستیکی بودن مغز به نرونها این اجازه را می دهد که با محیط اطراف منطبق شوند.
در حالت کلی یک شبکه عصبی سیستمی است که برای مدل کردن عملکرد مغز در یک فعالیت مشخص طراحی می شود. شبکه های عصبی معمولاً به صورت یک نرم افزار در کامپیوتر های دیجیتالی به کار می روند. همچنین این شبکه ها برای عملکرد بهتر ، نیاز به حجم وسیعی از اتصالات در بین "نرونها " یا همان "واحد های پردازش " دارند.
ABSTRACT
The investigation of dams stability ,specially their seismic statics has a
great deal of importance.there are different methods to measure the safety
factor of stability of earth dams.
In this thesis , an artificial neural network is used, to predict the value of
safety factor and specification of critical circular slip surface of non
homogeneous earth dams by taking the effect of earthquake inertial force.
Model’s inputs are containing of height of dam , cotangent of the angle of
upstream slope,coefficient of earthquake ,height of water,strength
parameters of the core ,shell and filter and it’s outputs are including
safety factor , radius of critical circular slip surface.
Inorder to train , test and evaluate the network , a data bank derived from
stability analysis of nonhomogeneous earth dams in geo-slope program is
used.
Furthermore by investigating various models with different rang of
middle nerons and regarding to model validation index which includes
general validation and validation on the basis of process, model’s
optimum structure is selected regarding to the number of middle nerouns
and network specifications and it’s activation function.
Some networks are designed to anticipate the safety factor and radius of
slip surface with similar inputs for dam’s downstream.
After that by accomplishing sensitivity analysis on input parameters,the
effect of each input variables on dam’s safety factor is determined.
As a result the analysis clarified that the inertial force has a graet deal of
influence on stability safety factor of dam in comparison to other factors.