آنالیز برگشتی در آزمایش SASW با استفاده از شبکه‌های عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

چکیده

    آزمایش آنالیز طیفی امواج سطحی ‌ SASW روش صحرایی غیر مخرب برای شناسایی و تعیین پروفیل سختی لایه‌های خاک و سیستم‌های چند لایه‌ای مشابه می‌باشد. نتایج حاصل از انجام آزمایش SASW در قالب محنی پراکندگی تجربی قابل ارائه می‌باشد. منحنی پراکندگی بدست آمده از آزمایش به وسیله روش‌های برگردان برای تعیین پروفیل خاک در محل بکار برده می‌شود.
در این مقاله از مدل‌های شبکه عصبی برای تخمین و تعیین پروفیل خاک استفاده شده است. شبکه‌های عصبی چند لایه با الگوریتم یادگیری انتشار برگشتی گزینه‌های مناسبی جهت انجام فرآیند معکوس‌سازی آزمایش ‌ SASW می‌باشند. تعدادی منحنی پراکندگی تئوریکی که با استفاده از روش ماتریس سختی دینامیکی دقیق بدست آمده‌اند برای آموزش شبکه عصبی بکار برده شده‌اند. به عبارت دیگر این منحنی‌های پراکندگی به همراه پروفیل‌های خاک مربوطه به عنوان داده‌های آموزشی ورودی به شبکه در نظر گرفته شده‌اند. این داده‌های ورودی با سه الگوریتم یادگیری شامل پس انتشار خطای بیشترین شیب، گرادیان مزدوج و مارکوآرت- لونبرگ به شبکه آموزش داده می‌شوند. مقایسه نتایج حاصل از این مطالعات با آزمایشهای انجام یافته بوسیله روش SASW نشان می‌دهد که این شبکه ‌ها جواب‌های مناسبی جهت تعیین پروفیل خاک در محل ارائه می‌دهند.

عنوان مقاله [English]

Backcalculation Analysis of SASW Test Using Artificial Neural Networks

نویسندگان [English]

  • tohid akhlagi
  • payman eslah
چکیده [English]

Spectral analysis of surface wave method is an in- situ nondestructive testing technique for site exploration and determination of soil layers stiffness profile and similar systems. The results of SASW measuremants are presented in the form of experimental dispersion curve. This curve is used for determining the soil profile by means of one of the available backcalculation procedures. 
   In this paper, artificial neural networks have been used for estimation and determination of soil profile. Multi layer neural networks along with back propagation training procedure are suitable choices to carry out the required inversion process. A number of theoretical dispersion curves, which have been obtained using the exact dynamic stiffness matrix method, are used for training the networks. In other words, these curves along with the relevant soil profiles are used as input data for training the networks by means of three training algorithms. These algorithms are the Steepest Descent Gradient Algorithm, Conjugate Gradient Algorithm and Levenbereg Marquardt Algorthim. The comparisons made between the results obtained from this study and those resulted from other backcalculation procedures show very good match indicating that the method employed in this study can be effectively used for determination of soil site profiles.