Yapay sinir ağlarının geoteknik mühendisliğinde kullanımı
The use of neural networks in geotechnical engineering
- Tez No: 307000
- Danışmanlar: YRD. DOÇ. DR. YUSUF ERZİN
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Yapay sinir ağları, Sıvılaşma potansiyeli, Standart penetrasyon deneyi, Artificial neural networks, Liquefaction potential, Standard penetration test
- Yıl: 2012
- Dil: Türkçe
- Üniversite: Celal Bayar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geoteknik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sıvılaşma, döngüsel boşluk suyu basıncı mekanizmasına dayalı kesme kuvvetindeki azalmanın dış etkisi olarak ortaya çıkan bir durumdur. Sismik bir olay etkileşimi sırasında, doygun ince taneli kohezyonsuz zeminlerde geçici olmakla birlikte, toplam sonuç açısından zemin kütlesinin taneler arası boşluklarını dolduran suyun ani yükselişine bağlı taneler arası gerilme kaybı gerçekleşmektedir (ASCE, Kartam, Flood, 1997).Bu çalışmada Seed ve Idriss tarafından önerilen Seed Yöntemi sıvılaşma potansiyelini tahminde kullanılmıştır. Bu SPT-N tabanlı sıvılaşan ve sıvılaşmanın olmadığı durumları ayıran güvenlik sayısı kullanan yöntemde, zemin döngüsel direnç oranına (CRR) bağlı olarak, çevrimsel gerilme oranı (CSR) hesaplanır. Zemin ince oranı (İTO), deprem magnitudu (M), yüzeydeki maksimum ivme (amax), doygun birim hacim ağırlık (?d) ve doğal birim hacim ağırlık (?n) ile yeraltı su seviyesi CRR tahmininde birlikte düşünülmektedir. Derinlik azalım faktörü ( rd ) için Seed ve Idriss tarafından önerilen ve farklı derinlik sınırları için kullanılan bağıntı uygulanmıştır ( 9.15m, 9.15 m < z 23m ).Hasar göstergesi olarak güvenlik katsayısı (G.S.) olgusu, inşaat mühendisliğinde çokça başvurulan bir uygulamadır. Güvenlik katsayısı G.S.=CRR/CSR şeklinde hesaplanır. G.S.?1olması durumunda sıvılaşmanın gerçekleşeceği, G.S.>1 durumunda ise sıvılaşmanın gerçekleşmeyeceği söylenmektedir.Zeminlerin yüksek derecedeki doğrusal olmayan davranışları için kullanılan çeşitli sayısal modelleme tekniklerinin sınırlamaları, geoteknik yaklaşımlar için aynı zamanda karmaşık ve zaman alıcı olarak da nitelendirilir. YSA ile karmaşık girdi/çıktı ilişkilerini temsil edebilecek güçlü bir veri modelleme aracıdır. YSA iki yönüyle insan beyniyle benzerlik gösterir; ilk olarak YSA öğrenme yoluyla bilgi edinir ve ikinci olarak elde ettiği bilgiyi sinaptik ağırlıklar olarak biline nöronlar arası bağlantılarla saklarlar (Baykasoğlu ve diğerleri, 2009). Bu çalışmada YSA sıvılaşma güvenlik katsayısını tahminlemede kullanılmıştır. Levenberg-Marquardt algoritmalı ileri beslemeli geri yayılımlı bir yapay sinir ağı modeli çevrimsel gerilme oranı yardımıyla hesaplanan sıvılaşma potansiyeli güvenlik sayısı tahmini için geliştirilmiştir. Transfer fonksiyonu olarak sigmoid fonksiyonu kullanılmıştır. ayrıca çeşitli performans belirleme araçları olarak, determinasyon katsayısı (R2), varyans hesabı (VAF), ortalama mutlak hata (MAE) ve ortalama hata kareleri kötü (RMSE) kapasite kontrolü için kullanılmıştır. Elde edilen verilerle YSA modelinin yüksek tahmin performansı gösterdiği açıkça gözlemlenmektedir. Duyarlık analizi de, sıvılaşma potansiyeli tahminini etkileyen faktörlerin göreli önemini incelemek için uygulanmıştır.
Özet (Çeviri)
Liquefaction is an external manifestation of decrease in shear strength, due to the cyclic pore-pressure generation mechanism. During a seismic event agitation of saturated fine grained cohesionless soils can result transient, but total, loss of intergranular stress due to a sudden rise in the water filling the intergranular voids of the soil mass (ASCE, Kartam, Flood, 1997).In this study, Seed?s method proposed by Seed and Idriss used to estimate liquefaction potential. This SPT-N based method using factor of safety for separate liquefaction and non-liquefaction situations, compute the cyclic stress ratio (CSR) due to the cyclic resistance ratio (CRR) of soils. The effects of fines content (FC), earthquake magnitude (M), Horizontal peak ground acceleration, (amax), saturated unit weight (?d) and natural unit weight (?n)of soil with ground water level incorporated in the CRR estimation. For the stress reduction factor ( rd ) the relationship suggested by Seed and Idriss used in different depth limits ( 9.15m, 9.15 m < z 23m ).The concept of factor of safety (FS) against damage was commonly employed in the design in civil engineering. Then the factor of safety (FS) can be calculated as FS = CRR/CSR. Liquefaction is said to occur if FS?1, and no liquefaction occurs if FS>1.The limitations of various numerical modeling techniques, for highly non-linear behavior of soils is also considered to be complex and time-consuming for geotechnical approaches. ANN is a powerful data modeling tool that is able to capture and represent complex input/output relationships. ANNs resemble the human brain in two aspects; firstly an ANN acquires knowledge through learning and secondly an ANN?s knowledge is stored within inter-neuron connection strengths known as synaptic weights (Baykasoğlu at al., 2009). İn this study, ANN were used to predict the liquefaction factor of safety. a feed forward with Levenberg?Marquardt algorithm, back propagation neural network model is developed to predict the liquefaction potential due to factor of safety calculated by cyclic stress ratio (CSR). The sigmoid function is used as the transfer function. Moreover, several performance indices such as determination of coefficient (R2), variance account for (VAF), mean absolute error (MAE), and root mean square error (RMSE) were calculated to check the prediction capacity of the ANN model. The obtained indices make it clear that the developed ANN model has shown high prediction performance. Sensitivity analyses were also carried out to examine the relative importance of the factors affecting liquefaction potential prediction.
Benzer Tezler
- Ödometre deney sonuçlarının yapay sinir ağları ile elde edilmesi
Obtaining oedometer test results using neural networks
BEKİR BUĞRA ÖZDEMİR
Yüksek Lisans
Türkçe
2002
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiGeoteknik Ana Bilim Dalı
DOÇ. DR. HÜSEYİN YILDIRIM
- Evaluation of soil-structure interaction by using neural network methodology
Yapay sinir ağları kullanılarak zemin yapı etkileşiminin değerlendirilmesi
ÖZGÜR SARIYAR
Yüksek Lisans
İngilizce
2005
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERİN URAL
- Adapazarı killerinin sınıflandırılmasında yapay sinir ağları yaklaşımı
Artifical neural networks approach in classification of adapazari clays
FATİH GÖKTEPE
Yüksek Lisans
Türkçe
2008
İnşaat MühendisliğiSakarya Üniversitesiİnşaat Mühendisliği Bölümü
PROF. DR. HASAN ARMAN
- Yapay sinir ağlarının modellenmesi ve uygulama alanları
Modelling in artifical neural networks and applications
MESUT TANER BALCI
Yüksek Lisans
Türkçe
1995
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiPROF.DR. MİTHAT UYSAL
- Yapay sinir ağlarının OTA kullanılarak tasarlanması ve simülasyonu
Design and simülation of artificial neural networks by using OTA
MAHMUT TOKMAKÇI