Neural identification of degree of compaction non-cohesive soils using DPL tests

• Autorzy: Sulewska M. J

Warianty tytułu

PL

Neuronowa ocena wskaźnika zagęszczenia gruntów niespoistych za pomocą sondy DPL

• Języki publikacji: EN

Abstrakty

EN

The Dynamic Probing Light (DPL), called according Polish Standard PN-B-04452 [or Dynamic Cone Penetrometer DCP, called in English literature] is used for quick field tests of the density index Id (or relative density Dr, called in English literature] in soil below the critical depth of 0.6 m. The quality control of embankment compaction is done on the basis of the degree of compaction Is. The exact Is determination is done on the basis of the laboratory and the field tests (Is = Islab). Islab is very laborious and long-lasting, so theoretical dependency Is = f(ID) is used for determining the value Is = Isfield, on the basis of obtained from DPL tests the values of Id = Idfield. Statistical models of linear simple and multiple regression between Islab and IDfield were not satisfactory. To construct better models artificial neural networks were applied. The feed-forward artificial multi-layer perceptron neural network was proposed. The input variables IDfield, Alfa, Wo, Cu) and the neural network architecture 4-9-1 were selected. A neural network with optimal architecture, trained on a sufficiently large data set can successfully predict the degree of compaction of embankment soil.

PL

Lekka sonda dynamiczna DPL służy do szybkiego badania w terenie stopnia zagęszczenia gruntu niespoistego Id poniżej głębokości krytycznej równej 0,6 m p.p.t. W przypadku kontroli jakości zagęszczenia na podstawie wskaźnika zagęszczenia Is, wykorzystuje się zależność pomiędzy lD i Is (zaproponowaną przez Pisarczyka). W celu weryfikacji tej zależności przeprowadzono badania stopnia zagęszczenia za pomocą sondy DPL (który oznaczono jako Islab). Badano wartości wskaźnika zagęszczenia metodą bezpośrednią polowo-laboratoryjną (oznaczone jako Islab) oraz obliczono wartości wskaźnika zagęszczenia według zależności Pisarczyka (oznaczone jako Ispol). Analizy wyników badań przeprowadzono przy założeniu, że wartością wzorcową jest Islab. Statystyczne modele regresji liniowej i wielokrotnej pomiędzy Islab i IDpol okazały się niezadowalające. W związku z tym podjęto próbę wykorzystania sztucznych sieci neuronowych do budowy modeli o lepszej jakości. Zastosowano jednokierunkowe sztuczne sieci neuronowe. Wybrano zmienne wejściowe (IDpol, Alfa, Wo,Cu), ustalono architekturę sieci neuronowej (4-9-1) oraz stwierdzono, że najlepsze rezultaty uczenia daje metoda Quasi Newtona. Wykazano, że sieć neuronowa o optymalnej architekturze, wytrenowana na dostatecznie dużym zbiorze reprezentatywnych danych może z powodzeniem służyć w praktyce budowlanej do przewidywania wartości wskaźnika zagęszczenia warstw gruntów nasypowych, leżących na głębokości większej niż 0,6 m poniżej poziomu terenu.

Słowa kluczowe

EN

neural network; degree of compaction; embankment; non-cohesive soil; Dynamic Probing Light; density index

PL

sieć neuronowa; wskaźnik zagęszczania; nasyp; grunt niespoisty; sonda dynamiczna lekka; stopień zagęszczenia

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2009
• Tom: Vol. 55, nr 1
• Strony: 125--137
• Opis fizyczny: Bibliogr. 15 poz., il.

Twórcy

autor

Sulewska M. J

• Faculty of Civil and Environmental Engineering, Białystok University of Technology, Białystok, Poland,

Bibliografia

• 1. Polish Standard PN-B-04452: 2002 Geotechnics. Field tests [in Polish].
• 2. P. J. CEARNS, A. McKENZIE, Application of dynamic cone penetrometer in East Anglia, Proceedings of the Symposium on Penetration Testing in the UK, 123-127, Thomas Telford, London 1988.
• 3. J. ATKINSON, The mechanics and soil and foundations, 2nd ed, Taylor & Francis, London and New York 2007.
• 4. S. PISARCZYK, Dependency between compaction degree and density index for non-cohesive soils [in Polish], Inżynieria i Budownictwo, 61, 5, 213-216, 1975.
• 5. Polish Standard PN-S-02205, 1998. Roads. Earthwork. Specifications and testing [in Polish].
• 6. Polish Standard PN-88/B-04481. Building soils. Laboratory tests [in Polish].
• 7. P. LULA, R. TADEUSIEWICZ [Eds], Introduction to neural networks [in Polish], StatSoft Poland, Kraków 2001.
• 8. A. STANISZ, Ań accessible statistic course on the basis of STATISTICA programme [in Polish], vol. l, StatSoft Poland, Kraków 2001.
• 9. M. J. SULEWSKA, Statistical modelling in the evaluation of non-cohesive soil [in Polish], Proc. the 51st Conf. of Polish Academy of Sciences, 4, 57-64, Krynica 2005.
• 10. A. T. C. GOH, Modelling soil correlations using neural networks, Journal of Computing in Civil Engineering, 9, 4, 275-278, 1995.
• 11. Z. WASZCZYSZYN, Neural Networks in the Analysis and Design of Structures, CISM Courses and Lectures, No. 404, Springer, Wien-New York 1999.
• 12. Y. M. NAJJAR, I. A. BASHEER, W. A. NAOUSS, On the identification of compaction characteristics by neuronets, Computers and Geotechnics, 18, 3, 167-187, 1996.
• 13. M. A. SHAHIN, M. B. JAKSA, H. R. MAIER, Artificial neural network applications in geotechnical engineering, Australian Geomechanics, 36, 3, 49-62, 2001.
• 14. P. GILL, W. MURRAY, M. WRIGHT, Practical optimization, Academic Press, New York 1981.
• 15. W. H. PRESS, S. A. TEUKOLSKY, W. T. VETTERLING, B. P. FLANNERY, Numerical recipes. The art of scientific computing, 3rd ed, Cambridge University Press, 2007.