ANN-based modeling of fly ash compaction curve

• Autorzy: Zabielska-Adamska K. , Sulewska M. J.

Warianty tytułu

PL

Modelowanie krzywej zagęszczalności popiołu lotnego za pomocą SSN

• Języki publikacji: EN

Abstrakty

EN

The use of fly ash as a material for earth structures involves its proper compaction. Fly ash compaction tests have to be conducted on separately prepared virgin samples because spherical ash grains are crushed during compaction, so the laboratory compaction procedure is time-consuming and laborious. The aim of the study was to determine the neural models for prediction of fly ash compaction curve shapes. The attempt of applying the artificial neural networks type MLP was made. ANN inputs were new-created variables - principal components dependent on grain-size distribution (as D10-D90 and uniformity and curvature coefficients), compaction method, and fly ash specific density. The output vectors were presented by coordinates of generated compaction curve points. Each point was described by two independent ANNs. Using ANN-based modelling method, models which enable establishing the approximate compaction curve shape were obtained.

PL

Wykorzystanie popiołu lotnego do konstrukcji ziemnych wymaga jego właściwego zagęszczenia. Zagęszczanie powoduje wzrost gęstości gruntu, zwiększa jego wytrzymałość i zdolność do przenoszenia obciążeń, a także zmniejsza ściśliwość i przepuszczalność. Oznaczenie zagęszczalności popiołu lotnego musi być przeprowadzane na próbkach jednokrotnie zagęszczanych, ponieważ sferyczne ziarna popiołu są niszczone w trakcie ubijania, w związku z tym, laboratoryjne ustalenie krzywej zagęszczalności popiołu jest bardzo czasochłonne. Celem artykułu było wykorzystanie modelowania neuronowego do prognozy kształtu krzywej zagęszczalności popiołu lotnego. Podjęto próbę zastosowania sztucznych sieci neuronowych SSN typu MLP do opisu punktów krzywej zagęszczalności. Każdy punkt krzywej został opisany przez dwie niezależne SSN. Wykorzystano SSN o różnych wejściach, którymi były nowo utworzone zmienne- składowe główne, zależne od uziarnienia (średnic efektywnych d10-d90 oraz wskaźników jednorodności i krzywizny uziarnienia), metody zagęszczenia oraz gęstości właściwej szkieletu gruntowego pdi. Wektorami wyjścia były współrzędne punktów krzywej zagęszczalności popiołu lotnego. Najlepszymi sieciami neuronowymi były sieci o topologii: 6-3-1, 6-2-1 i 6-4-1 dla prognozy wartości wilgotności wi, oraz 5-3-1 i 6-3-1 dla predykcji wartości gęstości objętościowej szkieletu gruntowego. Uzyskano sieci neuronowe o zadowalającej precyzji, szczególnie w przypadku wartości pdi. Modelowanie krzywej za pomocą SSN umożliwiło ustalenie przybliżonego kształtu krzywej zagęszczalności popiołu lotnego.

Słowa kluczowe

EN

compaction curve; fly ash; compactibility; compaction parameter; geotechnical parameter; artificial neural network; numerical modelling; SSN

PL

krzywa zagęszczalności; popiół lotny; zagęszczalność; parametr zagęszczalności; parametr geotechniczny; sieć neuronowa sztuczna; modelowanie numeryczne; ANN

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2012
• Tom: Vol. 58, nr 1
• Strony: 57--69
• Opis fizyczny: Bibliogr. 14 poz., il.

Twórcy

autor

Zabielska-Adamska K.

autor

Sulewska M. J.

• Faculty of Civil and Environmental Engineering, Bialystok University of Technology

Bibliografia

• 1. K. Zabielska-Adamska, Fly ash as a material for constructing sealing layers [in Polish], Publishing House of Bialystok University of Technology, Bialystok 2006.
• 2. K. Zabielska-Adamska, Laboratory compaction of fly ash and fly ash with cement addition, Journal of Hazardous Material, 151, 2-3, 48-489, 2008.
• 3. K. Zabielska-Adamska, Shear strength parameters of compacted fly ash–HDPE geomembrane interfaces, Geotextiles & Geomembranes, 24, 2, 91-102, 2006.
• 4. Y.M. Najjar, I.A. Basheer, W.A. Naouss, On the identification of compaction parameters by neuronets, Computers & Geotechnics, 18, 3, 167-187, 1996.
• 5. S.K. Sinha, M.C. Wang, Artificial neural network prediction models for soil compaction and permeability, Geotechnical and Geological Engineering, 26, 1, 47-64, 2008.
• 6. O. Günaydin, Estimation of soil compaction parameters by using statistical analyses and artificial neural networks, Environmental Geology, 57, 1, 203-215, 2009.
• 7. M.J. Sulewska, Artificial neural networks in the evaluation on non-cohesive soil compaction parameters [in Polish], Institute of Fundamental Technological Research Polish Academy of Sciences, Warsaw-Bialystok 2009.
• 8. M.J. Sulewska, Neural modelling of compactibility characteristics of cohesionless soil, Computer Assisted Mechanics and Engineering Sciences, 17, 1, 27-40, 2010.
• 9. M.J. Sulewska, Prediction models for minimum and maximum dry density of non-cohesive soils, Polish Journal of Environmental Studies, 19, 4, 797-804, 2010.
• 10. I.A. Basheer, Empirical modeling of the compaction curve of cohesive soils, Canadian Geotechnical Journal, 38, 1, 29-45, 2001.
• 11. K. Zabielska-Adamska, M.J. Sulewska, Neural modelling of the fly ash compaction curve, Proc. 15 European Conf. on Soil Mechanics and Geotechnical Engineering, 601-606, Athens 2011.
• 12. M. Jambu, Exploratory and Multivariate Data Analysis, Academic Press, New York 1991.
• 13. S. Haykin, Neural Networks: A Comprehensive Foundation, 2nd Edition, NJ: Prentice Hall, Englewood Cliffs 1999.
• 14. R.B. Cattell, The scree test for the number of factor, Multivariate Behavioural Research, 1, 245-276, 1966.