Wybrane przykłady zastosowań sztucznych sieci neuronowych w geotechnice

• Autorzy: Ochmański M. , Bzówka J.

Warianty tytułu

EN

Selected examples of the use of artificial neural networks in geotechnics

• Języki publikacji: PL

Abstrakty

PL

Sztuczne sieci neuronowe (SSN) umożliwiają rozwiązywanie problemów bardzo trudnych lub wręcz niemożliwych wcześniej do rozwiązania. W referacie zostaną przedstawione przykłady zastosowania sztucznych sieci neuronowych do rozwiązań wybranych problemów geotechnicznych. Pierwszy przykład dotyczy wykorzystania sztucznych sieci neuronowych do analizy przemieszczeń dwóch bliźniaczych tuneli wykonanych w technologii SCL (Sprayed Concrete Linning). Konstrukcja poddana analizie jest częścią stacji Fővám, czwartej linii metra w Budapeszcie. Analizę przeprowadzono bazując na danych uzyskanych podczas budowy linii metra oraz monitoringu geotechnicznego. W celu analizy opracowano model numeryczny, który posłużył do przeprowadzenia w pierwszej kolejności analizy wrażliwości użytych parametrów modelu konstytutywnego oraz do analizy wstecznej tych parametrów. W przypadku obu analiz posłużono się sztucznymi sieciami neuronowymi, które pokazały łatwość ich zastosowania oraz wiarygodność uzyskanych wyników. W drugim przykładzie przedstawiono sposób przewidywania średnicy kolumn iniekcyjnych. Określenie kształtu kolumn iniekcyjnych, w tym głównie ich średnicy, jest bardzo trudne. Możliwość zastosowania sztucznych sieci neuronowych do określenia średnicy kolumn może w znaczący sposób zoptymalizować metody projektowania kolumn iniekcyjnych. W przykładzie posłużono się obszerną bazą danych zawierającą opis warunków gruntowo-wodnych podłoża, w którym wykonano kolumny iniekcyjne i pomierzone wartości średnic kolumn po ich odsłonięciu. Dane związane z kolumnami iniekcyjnymi zostały wykorzystane do utworzenia sztucznej sieci neuronowej, a następnie do określenia przewidywanych średnic kolumn iniekcyjnych. Uzyskane wyniki charakteryzują się bardzo dobrą zbieżnością z rzeczywistymi wymiarami kolumn. Wykorzystanie sztucznych sieci neuronowych stanowi alternatywę wobec tradycyjnych metod rozwiązywania problemów geotechnicznych.

EN

Artificial Neural Networks (ANN) allow to solve difficult problems which sometimes are impossibleto solve using traditional methods. In the paper the examples of application of Artificial Neural Networks for solving selected problems in geotechnics are presented. First example deals with the use of ANN to analyze two similar tunnels built using SCL technology. The structure of interest is a part of Fővám square station of the 4th metro line in Budapest. Analysis was performed based on the data obtained from geotechnical monitoring and from construction stages. The numerical model was prepared for the purpose of sensitivity and back analyses of constitutive model parameters. In both cases the applications show the possibility and reliability of conducted results. Prediction method of jet grouting columns diameter was presented in the second example. Nowadays, definition of columns geometry and estimation of their diameters are difficult task. Possibility of ANN use for estimation of jet grouting columns diameter can optimize designing method. Wide database of field trial jet grouting columns, corresponding soil properties and their forming parameters with measured values of their diameters were used in the presented example. Data describing jet grouting columns were used for creating ANN and for estimating their diameters. The results are characterized by high correlation level between measured values of columns diameter and their predicted equivalents. The use of Artificial Neural Networks is an alternative method which can allow us to solve complex geotechnical problems. Selected examples confirm that the use of ANN is characterized by high reliability level.

Słowa kluczowe

PL

sztuczne sieci neuronowe (SSN); kalibracja modelu numerycznego; analiza wsteczna; tunel SCL; kolumny iniekcyjne

EN

artificial neural network (ANN); calibration of numerical model; retrograde analysis; SCL tunnel; injection columns

• Wydawca: Oficyna Wydawnicza Politechniki Białostockiej
• Czasopismo: Budownictwo i Inżynieria Środowiska
• Rocznik: 2013
• Tom: Vol. 4, no. 4
• Strony: 287--294
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Ochmański M.

• Politechnika Śląska

autor

Bzówka J.

• Politechnika Śląska

Bibliografia

• Bartman J. (2012). Sztuczne sieci neuronowe. Prezentacja pobrana z www.neurosoft.edu.pl/jbartman/NTI1.pdf, dnia 20.12.2012.
• Bergschneider B. (2002). Zur Reichweite beim Düsenstrahlverfahren im Sand. Bodenmechanik und Grundbau, Bericht – Nr. 24.
• Bishop C. (1995). Neural Networks for pattern recognition. University Press, Oxford.
• Flora A., Modoni G., Lirer S., Croce P. (2013). The diameter of single, double and triple fluid jet grouting columns: prediction method and field trial results. Geotechnique, (w druku - publikacja udostępniona przez Autorów).
• Geovil Ltd. (2005). Section 1 of Line #4 of the Budapest Metro Summary Expert Opinion on engineering, hydrogeological and geotechnical issues. Geovil Ltd., Szentendre.
• Haykin S. (1999). Neural Networks. A comprehensive foundation. 2nd ed., Prentice Hall Inc., Upper Saddle River.
• Lippmann R. (1987). An introduction to computing with neural nets. IEEE ASSP Magazine, Vol. 4, 4-22.
• Ochmański M. (2012). Application of back analysis for Sprayed Concrete Lined tunnels built in complex subsoil conditions. Praca dyplomowa magisterska, Politechnika Śląska, Gliwice.
• Ochmański M., Bzówka J. (2012a). Numerical model of SCL tunnels built in complex subsoil conditions. Architecture, Civil Engineering, Environment – ACEE Journal, 3/2012, 63-71.
• Ochmański M., Bzówka J. (2012b). Back analysis of SCL tunnels based on Artificial Neural Network. Architecture, Civil Engineering, Environment – ACEE Journal, 3/2012, 73-81.
• Sulewska M. (2009). Sztuczne sieci neuronowe w ocenie parametrów zagęszczenie gruntów niespoistych. Studia z Zakresu Inżynierii, nr 64. Instytut Podstawowych Problemów Techniki PAN, Warszawa – Białystok.
• Tadeusiewicz R., Lula P. (2003). Sieci neuronowe. Materiały kursowe, StatSoft Polska, Kraków.
• Waszczyszyn Z. (1999). Wprowadzenie do sztucznych sieci neuronowych i ich zastosowań w mechanice konstrukcji. W: „Sztuczne sieci neuronowe, algorytmy genetyczne, zbiory rozmyte”, 5-36, red. Gajewski R., Studio BEL s.c., Rzeszów, 5-36.
• ÖVBB (2004). Guideline shotcrete. Österreichische Vereinigung für Beton und Bautechnik (ÖVBB), Vienna.