Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Dynamic Probing Light

Sortuj według:

Ogranicz wyniki do:

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

Sulewska M. J

Archives of Civil Engineering

2009

Vol. 55, nr 1

125-137

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.

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.