شبکه های عصبی مصنوعی و ظرفیت باربری خاک

شبکه های عصبی مصنوعی و ظرفیت باربری خاک

شبکه های عصبی مصنوعی و شبکه ی عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری خاک

فصل دوم : مبانی نظری و پیشینه تحقیق

2-1 مقدمه شبکه های عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری خاک ………………………………………… ……………………….      12

2-2 تاریخچه شبکه های عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری خاک …….. ……………………………………………………………     12

فصل سوم : روش ها و مواد شبکه های عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری خاک

3-1 مقدمه ………………………………………………………………………………………………………………………………………………..     18

3-2 معرفی متدولوژی و روش انجام کار …………………………………………………………………………………………………..    19

3-3 شبکه های عصبی مصنوعی ……………………………………………………………………………………………………………..     20

3-4 جنبه های ریاضیاتی ………………………………………………………………………………………………………………………..      23

3-5 یادگیری شبکه ………………………………………………………………………………………………………………………………..      24

3-6 پس انتشار ………………………………………………………………………………………………………………………………………..      26

3-6-1 الگوریتم پس انتشار ……………………………………………………………………………………………………………….     27

3-7 الگوریتم های درهم آمیختن درجه بندی شده ………………………………………………………………………………..     33

3-8 تابع شعاع مبنا …………………………………………………………………………………………………………………………………..     34

3-9 الگوریتم همبستگی آبشاری ………………………………………………………………………………………………………………     36

3-10 شبکه های عصبی مصنوعی بازگشت کننده یا بازرخدادگر ……………………………………………………………     38

3-11 نقشه های ویژگی خودسازمان دهنده …………………………………………………………………………………………….     39

3-12 جنبه های مهم مدلسازی شبکه عصبی مصنوعی …………………………………………………………………………..    41

3-12-1 انتخاب متغیرهای ورودی و خروجی ………………………………………………………………………………..     41

3-12-2 جمع آوری و پردازش داده ……………………………………………………………………………………………….     42

3-12-3 طراحی شبکه عصبی مصنوعی ………………………………………………………………………………………….    43

3-12-4 آموزش و آموزش متقابل ………………………………………………………………………………………………….     45

3-12-5 تصدیق اعتبار مدل ………………………………. …………………………………………………………………………..    47

3-13 برخی مشکلات دیگر ……………………………………………………………………………………………………………………….    47

3-14 نقاط قوت و محدودیتها ……………………………………………………………………………………………………………………    48

3-15 برخی از قابلیتهای شبکه های عصبی در مهندسی عمران ……………………………………………………………..    50

3-16 کاربرد شبکه های عصبی مصنوعی در بهینه سازی سازه ها …………………………………………………………..    50

3-17 معرفی نرم افزار Matlab ………………………………………………………………………………………………………………     51

3-18 مراحل مدل سازی …………………………………………………………………………………………………………………………..    53

فصل چهارم : نتایج مدل شبکه های عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری خاک

4-1 مقدمه ………………………………………………………………………………………………………………………………………………….    56

4-2 کاربرد شبکه عصبی مصنوعی در مهندسی عمران ……………………………………………………………………………..   56

4-2-1 کاربرد شبکه های عصبی مصنوعی در بهینه سازی سازه ها ………………………………………………..   57

4-3 محدوده مورد مطالعه ………………………………………………………………………………………………………………………….    57

4-4 روند انجام مدل سازی ………………………………………………………………………………………………………………………..    60

4-4-1 پارامترهای مورد استفاده ……………………………………………………………………………………………………..    61

4-4-2 مرتب سازی داده ها ……………………………………………………………………………………………………………..    62

4-4-3 مشخصات مدل شبکه های عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری خاک ………..  64

4-4-4 ارزیابی مدل ها ………………………………………………………………………………………………………………………    66

4-4-4-1 ساخت مدل ……………………………………………………………………………………………………………   66

4-4-4-2 شبکه پس انتشار FFBP …………………………………………………………………………………….    66

4-4-4-3 شبکه لایه برگشتی LRN  ………………………………………………………………………………….   70

4-4-4-4 شبکه همبستگی آبشاری CFBP  ……………………………………………………………………..    72

5-4 منابع شبکه های عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری خاک …………………      83

تاریخچه شبکه های عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری خاک

اطلاعات مربوط به نوع خاک و علی الخصوص ظرفیت باربری خاک و نوع پی برای احداث بنا بسیار لازم و ضروری است. این اطلاعات برای تعیین نوع مواد مصرفی در احداث بنا، و ساخت بنایی مستحکم واقتصادی و … بسیار با ارزش می باشد.

در پیش بینی ها، بالا بودن درصد قابلیت اطمینان تأثیر زیادی در نحوه و استفاده از نتایج دارد. لذا برای بالا بردن در صد قابلیت اطمینان نتایج می توان از پارامترهای ورودی (مثلاً مختصات جغرافیایی، عمق گمانه ها، نوع خاک منطقه در پیش بینی مکانی ظرفیت باربری ) و روش های جدید پردازش اطلاعات (شبکه های عصبی مصنوعی ) استفاده کرد.

شبکه عصبی مصنوعی به عنوان ابزاری بسیار قوی برای پیش بینی یا مسائلی که آنالیز آنها زمان بر و پیچیده است مورد استفاده قرار می گیرد. شبکه های عصبی در مسائل بهینه سازی پایداری شیروانی ها، روند یابی سیلاب و … کاربرد دارند.

ایده شبکه عصبی مصنوعی از سال 1890 بر اساس نظریات ویلیام جیمز¹ مطرح شد. همچنین فعالیت های پاولف و لوریا در اواسط قرن 19 به شکل گیری این نظریات کمک کرد. در سال 1943، پیتز و مک کالچ² یک مدل سلولی عصبی را به صورت مصنوعی فرمول بندی کردند. در این مدل رفتار همه یا هیچ یک از سلول های عصبی، انبار اطلاعات در اتصالات سیناپسی، تأخیر سیناپسی به عنوان یگانه منبع تأخیر در سلسله عصبی و مکانیزم بازدارندگی کامل سیناپس های بازدارنده گنجانده شده بود. [5]

در سال 1949، دونالد هب³ قانونی را برای آموزش سلول ها معرفی کرد که امروزه، به قانون آموزش هب⁴ شناخته می شود. طبق این قانون چنانچه یک سلول عصبی مانند A  به طور پیوسته روی سلول عصبی دیگری مانندB  اثر کند، رابطه بین سلول های A و B ( درواقع همان وزن بین سلول های عصبی A وB ) تقویت می یابد. [5]

در سال 1958، فرانک روزن بلات¹ و همکارانش اولین مدل کامپیوتری مربوط به شبکه عصبی، معروف به پرسپترون² راساختند. پرسپترون اولین شبکه عصبی موفق خودسازمانده³ و خودانتسابگر⁴ بود . [9و17]

در سال 1960، ویدرو و هوف⁵ شبکه عصبی⁶ Adaline  و Madaline  را مطرح کردند وبرای آموزش آن از قانون یادگیری دلتا استفاده نمودند . [5]

در سال 1969، منسکی و پاپت⁷ با انتشار کتابی با عنوان پرسپترون ایراداتی را به شبکه پرسپترون وارد کردند از جمله اینکه این شبکه قابلیت نگاشت مسأله XOR  (یای فصلی) را ندارد. این کتاب باعث شد نزدیک 15 سال مسائل شبکه عصبی از جذابیت افتاده و بودجه پژوهشی به آن تخصیص نیابد. در این مدت افرادی چون کوهنن ، اندرسون ، گراسبرگ و … در این زمینه مشغول تحقیق بودند. در سال 1982 یک فیزیکدان به نام هاپفیلد با انتشار مقاله ای با عنوان شبکه عصبی هاپفیلد باعث توجه مجدد محققان به موضوع شبکه عصبی شد. [8 و16]

در سال 1986، با انتشار کتابی تحت عنوان پردازش موازی اطلاعات توسط رومل هارت⁸ و کلیلند⁹  حیات مجدد شبکه های عصبی آغاز گردیده و تا امروز پیشرفت های چشمگیری در این زمینه حاصل شده است. [5]

• مرضیه حسن آبادی (1390 ) درتحقیقی با عنوان ” استفاده از شبکه های عصبی مصنوعی در تخمین ظرفیت باربری شالوده های سطحی واقع بر بسترهای چند لایه چسبنده ” به کمک پارامترهای چسبندگی و زاویه اصطکاک داخلی خاک و نیز شرایط هندسی مسئله شامل ضخامت لایه های خاک و عرض شالوده توانست ظرفیت باربری شالوده های واقع بربسترهای لایه را به کمک شبکه های عصبی مصنوعی پرسپترون تخمین بزند . [6]
• محمدرضا عسگری (1384) در تحقیقی با عنوان “بکار گیری شبکه های عصبی در پیش بینی مشخصات خاک با در دست داشتن اطاعات گمانه های مجاور” بوسیله داده های بدست آمده از گمانه های موجود در یک منطقه اطلاعاتی در زمینه مختصات و تراز سطح زمین نقاط مختلف را بعنوان ورودی به شبکه عصبی چندلایه پیش خور، ارائه نموده و پس از آموزش شبکه، توزیع فضائی لایه های خاک و پارامترهای ژئوتکنیکی مورد نظر آن منطقه را بدست آورده است که شبکه مذکور نتایجی قابل قبول ارائه نموده است . [3]
• محمد بزمی (1381)، با استفاده از شبکه های عصبی مصنوعی با الگوریتم های پس انتشار خطا و توابع پایه شعاعی، نشست در شالوده های سطحی روی خاک های غیر چسبنده را بررسی نموده و نتایج دقیقتری را نسبت به روشهای معین موجود ارائه نموده است. [7]
• ابو کیفا¹ (1998)، در تحقیقی به کمک شبکه های عصبی مصنوعی (رگرسیون عمومی شبکه های عصبی مصنوعی)، ظرفیت نهایی شمع های کوبیده شده در خاکهای غیر چسبنده را بررسی نموده و با

مقادیر اندازه گیری شده، مقایسه کرده و نشان داد که شبکه های عصبی مصنوعی قادر هستند برای محاسبات انواع شمع های کوبیده شده در خاکهای غیر چسبنده کارآیی داشته باشند. [11]

• سلیمان بیگی و هاتف (2005)، با استفاده از شبکه های عصبی مصنوعی پس انتشار و شعاع مبنا، ظرفیت باربری نهایی پی های سطحی را در خاکهای غیرچسبنده مسلح بررسی نموده و نتایج بدست آمده از شبکه های طراحی شده را با مقادیر مشاهداتی اندازه گیری شده مقایسه کرده و نشان داد شبکه های عصبی مصنوعی در مقایسه با روش های سنتی از درجه دقت و صحت بیشتری برخوردار هستند. [12]
• هارندی مایزر¹ و همکارانش (2013)، به کمک شبکه های عصبی مصنوعی ظرفیت باربری محوری شمع های کوبیده شده را بررسی نموده و نتایج مشاهداتی را با نتایج بدست آمده از شبکه طراحی شده مقایسه کرده و نشان داد که شبکه های عصبی مصنوعی قادرند ظرفیت باربری محوری شمع های کوبیده شده را با دقت بسیار بالایی پیش بینی کنند. [13]

شبکه های عصبی مصنوعی

یک شبکه عصبی مصنوعی عبارتست از یک سیستم عظیم و توزیع شده به روش موازی جهت پردازش اطلاعات که ویژگی های اجرایی مشخصی داشته و شبکه های عصبی بیولوژیکی مغز انسان را شبیه سازی نماید. شبکه های عصبی مصنوعی، بعنوان یک کلیت از مدلهای ریاضیاتی تشخیص انسانی یا شبکه بیولوژیکی ساخته شده اند. ساخت آنها مبتنی بر قوانین زیر است:

1. پردازش اطلاعات در عناصر یکتایی که گره، واحد، سلول یا نورون نیز نامیده می شوند انجام می گیرد.
2. سیگنالها بین گره ها از طریق اتصالات رابط مبادله می شوند.
3. هر اتصال رابط یک وزن مربوط به خود را داراست که استحکام آن را نشان می دهد.
4. هر گره بطور معمول یک تغییر شکل که تابع فعالسازی نامیده می شود را بر روی ورودی خاص خود اعمال می کند تا سیگنال خروجی مربوطه را تعیین نماید.

یک شبکه عصبی بواسطه معماری اش توصیف می گردد که آن معماری نشان دهنده الگوی ارتباط میان گره ها، شیوه تعیین وزن هر ارتباط و تابع فعالسازی آن می باشد. شبکه عصبی مصنوعی، متشکل از تعدادی گره است که بر اساس چینش خاصی سازماندهی شده اند. روش طبقه بندی شبکه های عصبی، بواسطه تعداد لایه های آن انجام می گیرد: تک لایه ای (شبکه های Hopfield) ؛ دولایه ای (شبکه های تشدید تطبیقی¹ )و چند لایه ای (اکثر شبکه های پیش انتشاری).

همچنین، شبکه های عصبی مصنوعی می توانند بر اساس جهت جریان اطلاعات و پردازش دسته بندی شوند. در یک شبکه Feed-Forward عموماً گره ها در لایه های مختلف چیدمان شده اند، که از یک لایه اولیه ورودی آغاز و به یک لایه نهایی خروجی ختم می شوند. لایه های مخفی متعددی می تواند وجود داشته باشد، که در هر یک از آنها یک یا چند گره وجود دارد. اطلاعات از سمت ورودی به سمت خروجی حرکت می کنند.

گره های موجود در یک لایه به گره های لایه دیگر متصل اند، اما با گره های هم لایه خود ارتباطی ندارند. بنابراین، خروجی یک گره در یک لایه تنها وابسته به ورودی ای است که از لایه های دیگر با وزن متناظر دریافت می کند. از طرفی دیگر ، در یک شبکه عصبی مصنوعی تکرارشونده، اطلاعات در میان گره ها در هر دو مسیر در جریان است، از ورودی به خروجی و بالعکس. این امر عموماً بواسطه بازیافت خروجی های قبلی شبکه بعنوان ورودی فعلی میسر می گردد، لذا امکان بازخورد¹ را نیز میسر می نماید.

طراحی شبکه عصبی مصنوعی

این گامِ مهم، درگیر تعیین معماری یک شبکه عصبی مصنوعی و انتخاب یک الگوریتم فراگیری می باشد. یک معماری بهینه می تواند آن چیزی باشد که بهترین عملکرد را در زمینه کاهش خطا به نتیجه رساند، در حالیکه ساختاری ساده و فشرده را حفظ می کند. هیچ نظریه متحدی برای تعیین چنین معماری بهینه ای برای شبکه عصبی مصنوعی وجود ندارد. اغلب، بیش از یک شبکه عصبی مصنوعی می توانند نتایج مشابهی را تولید نمایند. تعداد گره های ورودی و خروجی وابسته به مسئله هستند.

در معادله (3-26) تعداد گره های ورودی و خروجی برابر n و m می باشند. میزان انعطاف پذیری در انتخاب تعداد لایه های مخفی و الصاق تعداد گره به هر یک از این لایه ها نهفته است. برای تصمیم گیری در مورد معماری بهینه معمولاً یک فرایند آزمون و خطا انجام می شود. همانطور که پیشتر ذکر شد، الگوریتم فراگیری همبستگی آبشاری یک روش کارآمد بمنظور یافتن معماری بهینه می باشد.

پتانسیل شبکه های عصبی Feed-Forward می تواند به سه فاکتور موصوف گردد: (1) شبکه های عصبی Feed-Forward چند لایه ای نیاز به یک معادله ریاضیاتی دقیق که ورودی ها و خروجی ها را به یکدیگر مربوط سازد ندارد؛ (2) یک شبکه Feed-Forward با یک لایه مخفی و تعداد دلخواهی از گره های حلقوی مخفی می تواند هر تابع پیوسته ای را تقریب زند؛ (3)  یک شبکه Feed-Forward با یک لایه مخفی متشکل از m گره حلقوی، یک مجذور خطای جمع شده O(1/m) را بدست می آورد، در حالیکه یک ترکیب خطی از یک مجموعه متشکل از m تابع ثابت، یک مجذور خطای جمع شده  را بدست خواهد آورد، در حالیکه d  بُعد ورودی می باشد.

نکات 1 و 3 در بالا به برتری محاسباتی شبکه عصبی مصنوعی Feed-Forward اشاره دارند، در حالیکه مورد 2 به یک نظریه موجود اشاره دارد که قابلیتهای یک شبکه عصبی مصنوعی Feed-Forward را تصدیق می کند. با این وجود، این امر اجازه تعیین سیستماتیک تعداد گره های مخفی بمنظور استفاده در یک موقعیت داده شده را میسر نمی سازد. تعداد نورون های لایه مخفی بطرز چشمگیری بر عملکرد شبکه تأثیر می گذارد.

با تعداد گره خیلی کم، شبکه تقریبهای ضعیفی خواهد زد، در حالیکه با تعداد گره خیلی زیاد، داده فراگیری را تطبیق بهتری خواهد نمود. تأثیر اندازه یک شبکه عصبی بر عملکرد تولیدی آن به خوبی شناخته شده است.  یک مرور اجمالی از روشهای ارائه شده امکان تعیین معماری شبکه با سطح عملکرد قابل قبول بر روی داده های تولیدی را میسر می سازد. برخی از تکنیک های محبوب عباتند از:……

شبکه های عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری خاک

جهت مشاهده نمونه های دیگر از ادبیات ، پیشینه تحقیق و مبانی نظری پایان نامه های مهندسی عمران کلیک کنید.

نمونه ای از منابع لاتین شبکه های عصبی مصنوعی برای پیش بینی مکانی ظرفیت باربری خاک

• Minsky M.L. and Papert S.A. (1969). Preceptrons. Cambridge, MA: MIT Press.
• Rosenblatt, Frank. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the brain, Cornell Aeronautical Laboratory, Psychological Review, v65, No. 6, pp, 386-408.
• Rao, S et al. (2000). Artificial Neural Networks in Hydrology: I:Preliminare Concepts. J. Hydrol. Eng. 2000.5, pp, 115-123.
• A. Abu kiefa. (1998). General Regression Neural Networks for Driven Piles in Cohesionless Soils. Geotechnical and Geoenvironmental Engineering, Vol. 124, No. 12, December 1998, pp. 1177-1185.
• Soleimanbeigi & N. Hataf. (2005). Predicting ultimate bearing capacity of shallow foundations on reinforced cohesionless soils using artificial neural networks. Geosynthetics International,Volume 12, Issue 6, 01 November 2005, pp 321–332.
• Harnedi Maizir & Khairul Anuar Kassim, Member, IAENG. (2013). Neural Network Application in Prediction of Axial Bearing Capacity of Driven Piles. Proceedings of the International MultiConference of Engineers and Computer Scientists 2013 Vol I, IMECS 2013, March 13 – 15, 2013, Hong Kong.
• Mohamed A. Shahin & Holger R. Maier & Mark B. Jaksa. (2002). Predicting Settlement of Shallow Foundations uing Neural Networks. Geotechnical and Geoenvironmental Engineering, Vol. 128, No. 9, September 2002, pp. 785-793.
• …
• …