برآورد پتانسیل وقوع روانگرایی خاک با روش مرکب خوشه‌بندی میانگین مرکزی فازی و شبکه عصبی مصنوعی (FCM-ANN)

نوع مقاله : Articles

نویسندگان

دانشگاه رازی

چکیده

تاکنون روشها‌ی تجربی و هوشمند مختلفی برا‌ی ارزیابی پتانسیل روانگرایی ارائه شده که روش شبکه عصبی مصنوعی از قدرتمندترین این روشها می‌باشد. این روش، با آموزش داده‌ها‌ی به دست آمده از زلزله‌ها‌ی گذشته، روانگرایی را ارزیابی میکند. با وجود این، به دلیل پیچیدگی رفتار خاک این روش هم با عدم قطعیت همراه است. در این مقاله روش جدید‌ی با عنوان روش مرکب برا‌ی بهبود عملکرد روش شبکه (FCM-ANN) خوشه‌بند‌ی فاز‌ی-شبکه عصبی مصنوعی معرفی و نحوه عملکرد آن تشریح شده است. روش خوشه‌بند‌ی میانگین مرکز‌ی فاز‌ی الگوها‌ی مورد استفاده برا‌ی آموزش شبکه را پالایش و از ورود الگوها‌ی نامناسب به مجموعه آموزش جلوگیر‌ی می‌نماید. برا‌ی به دست آوردن نتایج قابل اعتمادتر در روشها‌ی هوشمند پارامترها‌ی متعدد‌ی از خاک، برا‌ی به کارگیر‌ی در روش مرکب خوشه‌بند‌ی فاز‌ی-شبکه عصبی و شبکه عصبی مورد استفاده قرار میگیرند که از مهمترین آنها میتوان به عدد نفوذ استاندارد و نسبت تنش تناوبی اشاره کرد. در این مقاله از پایگاه داده‌ها‌ی معتبر‌ی شامل مطالعات میدانی وقوع و عدم وقوع روانگرایی در زلزله‌ها‌ی معروف در نقاط مختلف دنیا، استفاده شده است. همچنین سامانه نرم‌افزار‌ی برا‌ی تحلیل روشها‌ی هوشمند شبکه عصبی و روش مرکب خوشه‌بند‌ی فاز‌ی- شبکه SQL Server با پایگاه ،#C به زبان ، Visual Studio عصبی در محیط توسط PILA(Professional Intelligent Liquefaction Assessment) و با نام نویسندگان طراحی شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Liquefaction Potential Assessment Using Fuzzy c-Means Clustering - Artificial Neural Network Hybrid Method (FCM-ANN)

نویسندگان [English]

  • Rouhollah Fatemikia
  • Iman Ashayeri
  • Mahnoosh Biglari
Razi University
چکیده [English]

There are various empirical and intelligent methods to evaluate the liquefaction potential. Although the artificial neural network (ANN) method is one of the most powerful methods that is introduced in liquefaction assessment recently, a new hybrid intelligent system of fuzzy c-means clustering and artificial neural network (FCM-ANN) is examined in this article to overcome the complexity of soil behavior. Fuzzy c-means clustering method refines the patterns used for training neural network, and the entry of inappropriate patterns in training will be prevented. This clustering is performed on the standard penetration test measurements (N1)60cs and cyclic stress ratio (CSR). In this article, a database of 600 field studies of liquefaction in past earthquakes is used that contains 274 liquefied and 326 non-liquefied cases. The distribution of these 600 studies is presented in Figure (1). In order to compare the two methods of ANN and FCM-ANN, one ANN and four FCM-ANN models are analyzed (Table 1). All models in these two methods are similar in configuration but different in tolerance semblance values and the number of clusters. Figure (2) presents the results of the various models to assess theliquefaction potential in terms of successful liquefaction prediction. As seen in Figure (2), M100 and M10 models reached 100 percent successful prediction. This is while the M1 achieved about 82 percent. Thus an 18% improvement is observed by using new method to evaluate liquefaction potential. Besides, an advanced software system for the analysis of ANN and FCM-ANN methods was designed by the authors in Language C# with Microsoft Visual Studio 2012 and the SQL Server 2012 database entitled PILA (Professional Intelligent Liquefaction Assessment).

کلیدواژه‌ها [English]

  • Liquefaction Potential
  • Fuzzy c-means clustering
  • Artificial neural network
  • Standard Penetration Test