Geri Dön

Yapay sinir ağlarının geoteknik mühendisliğinde kullanımı

The use of neural networks in geotechnical engineering

  1. Tez No: 307000
  2. Yazar: YEŞİM TUSKAN
  3. Danışmanlar: YRD. DOÇ. DR. YUSUF ERZİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Yapay sinir ağları, Sıvılaşma potansiyeli, Standart penetrasyon deneyi, Artificial neural networks, Liquefaction potential, Standard penetration test
  7. Yıl: 2012
  8. Dil: Türkçe
  9. Üniversite: Celal Bayar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geoteknik Bilim Dalı
  13. Sayfa Sayısı: 161

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

  1. Kuyu temel tasarımlarına yönelik yer değiştirme kontrolünün sonlu elemanlar ve yapay sinir ağları yöntemleriyle karşılaştırılma analizi

    Comparison analysis of displacement control for well foundation designs with finite elements and artificial neural networks methods

    MUHAMMET SAİT ÇAĞLAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İnşaat Mühendisliğiİstanbul Gedik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MERT TOLON

  2. Kazı destekleme sistemlerinin olası deplasmanlarının tahmini için python programına dayalı yapay sinir ağları algoritmalarının geliştirilmesi

    Development of artificial neural networks algorithms based on the python program to estimate potential displacements of excavation support systems

    CANER KARABULUT

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İnşaat Mühendisliğiİstanbul Gedik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MERT TOLON

    DR. ÖĞR. ÜYESİ REDVAN GHASEMLOUNIA

  3. Kazık yük-oturma eğrilerinin yapay sinir ağları ile modellenmesi

    Modelling of pile load-settlement curves by artificial neural networks (ANN)

    EBRU ÖZEN ŞAHİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İnşaat MühendisliğiEge Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ALPER SEZER

  4. Sıvılaşma kaynaklı yanal yayılmaların yapay sinir ağları ile tahmini

    Prediction of liquefaction induced lateral spreadings with artificial neural networks

    OKAN ÇETİNKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İnşaat MühendisliğiYıldız Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. PELİN ÖZENER

  5. Ödometre deney sonuçlarının yapay sinir ağları ile elde edilmesi

    Obtaining oedometer test results using neural networks

    BEKİR BUĞRA ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2002

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    Geoteknik Ana Bilim Dalı

    DOÇ. DR. HÜSEYİN YILDIRIM