Sztuczne sieci neuronowe do modelowania wskaźnika zagęszczania

• Autorzy: Sulewska M.

Warianty tytułu

EN

Artificial neural networks for modeling of degree of compaction

• Języki publikacji: PL

Abstrakty

PL

Zagęszczenie jest jedną z metod ulepszania materiałów gruntowych w budowlach ziemnych. Najczęściej stosowanym miernikiem osiągniętego zagęszczenia warstw wbudowanych jest wskaźnik zagęszczenia, którego badanie jest pracochłonne i powoduje przerwy w procesie technologicznym. W związku z poszukiwaniem metody szybkiej kontroli zagęszczenia w warstwach powierzchniowych nasypów przeprowadzono próbę wykorzystania do tego celu lekkiej sondy dynamicznej DPL. Do analizy przeprowadzonych badań polowych zastosowano metody statystyczne oraz sztuczne sieci neuronowe. Opracowano neuronowe modele predykcyjne wskaźnika zagęszczenia na podstawie danych uzyskiwanych z badania gruntu za pomocą lekkiej sondy dynamicznej, których względny błąd przewidywania wynosi mniej niż 5%.

EN

Compaction of soils is aimed at modifying their engineering properties to fulfil the needs of earthwork project. The basic measure parameter of the quality of soil compaction is the degree of compaction Is. The degree of compaction test is laborious, time-consuming and leads to significant delays in construction; therefore less complicated methods to test compaction parameter are needed. That is why the trial of application the Dynamic Probing Light (DPL) for quick field tests degree of compaction for surface non-cohesive soil layers was carried out. Neural networks and statistical models were analysed. The neural network with optimum architecture can be successfully used in the engineering practice for prediction of the degree of compaction with relative error less than 5%.

Słowa kluczowe

PL

sztuczne sieci neuronowe; wskaźnik zagęszczenia; materiały gruntowe

EN

artificial neural networks; degree of compaction

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Inżynieria Środowiska
• Rocznik: 2007
• Tom: z. 54
• Strony: 203--213
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wykr.

Twórcy

autor

Sulewska M.

• Politechnika Białostocka, Katedra Geotechniki i Budownictwa Komunalnego

Bibliografia

• [1] PN-S-02205: Drogi samochodowe. Roboty ziemne. Wymagania i badania, 1998.
• [2] PN-B-06050: Geotechnika. Roboty ziemne. Wymagania ogólne, 1999.
• [3] PN-B-12095: Urządzenia wodno-melioracyjne. Nasypy. Wymagania i badania przy odbiorze, 1997.
• [4] PN-B-04452: Geotechnika. Badania polowe, 2002.
• [5] Instrukcja badań podłoża gruntowego budowli drogowych i mostowych. Generalna Dyrekcja Dróg Publicznych, Warszawa 1998.
• [6] Pisarczyk S., Zależność między wskaźnikiem zagęszczenia i stopniem zagęszczenia gruntów niespoistych, „Inżynieria i Budownictwo”, nr 5, 1975, s. 213-216.
• [7] Sulewska M.J., Zastosowanie lekkiej sondy dynamicznej w powierzchniowych warstwach gruntu, 52. Konferencja Naukowa KILiW PAN i KN PZiTB, Gdańsk-Krynica 2006, „Zeszyty Naukowe Politechniki Gdańskiej. Budownictwo Lądowe” LX, nr 603, t. 3, Gdańsk 2006, s. 87-94.
• [8] Masters T., Sieci neuronowe w praktyce. Programowanie w języku C++, Wydawnictwa Naukowo-Techniczne, Warszawa 1996.
• [9] Kamiński W., Strumiłło P., Tomczak E., Zastosowanie systemów sztucznej inteligencji w rozwiązywaniu wybranych problemów ochrony atmosfery, PAN Oddział w Łodzi, Komisja Ochrony Środowiska, Łódź 2005.
• [10] Wprowadzenie do sieci neuronowych, oprac. P. Lula, R. Tadeusiewicz, StatSoft, Kraków 2001.
• [11] Kądziołka K., Waszczyszyn Z., Sulewska M.J., Wyznaczanie dynamicznego modułu odkształcenia gruntów niespoistych za pomocą sztucznych sieci neuronowych, XLVIII Konferencja Naukowa KILiW PAN i KN PZiTB, Opole-Krynica 2002, t. 3, s. 249-256.
• [12] Dąbrowski P., Rawicki Z., Waszczyszyn Z., Identyfikacja parametrów pękania betonów ciężkich przy użyciu sztucznych sieci neuronowych, XLII Konferencja Naukowa KILiW PAN i KN PZiTB, Kraków-Krynica 1996, t. 4, s. 21-28.