Zastosowanie sztucznych sieci neuronowych w badaniach wybranych parametrów geotechnicznych

• Autorzy: Sulewska, M. J.

Warianty tytułu

EN

Use of artificial neural network for evaluating of selected geotechnical parameters

• Konferencja: Krajowa Konferencja Mechaniki Gruntów i Inżynierii Geotechnicznej (XVI; 04-07.09.2012; Wrocław, Polska
• Języki publikacji: PL

Abstrakty

PL

Artykuł zawiera krótkie omówienie wybranych zastosowań sztucznych sieci neuronowych ANN (SNN) w geotechnice. Analizowano zagadnienia regresyjne dotyczące oceny parametrów zagęszczalności (wopt i .ds) gruntów spoistych oraz gruntów niespoistych. Zastosowano jednokierunkowe sieci wielowarstwowe, o kilku wejściach, jednej warstwie ukrytej i o jednym lub dwóch wyjściach. Analiza przedstawionych przykładów potwierdziła przydatność sztucznych sieci neuronowych do analizy wyników badań doświadczalnych w geotechnice.

EN

The article presents brief review of selected usage of artificial neural network ANN (SNN) in Geotechnical engineering. The regression problem regarding evaluation of compactibility parameters (wopt and .ds) of cohesive and non-cohesive soils. Multilayer feed-forward networks with one hidden layer, few input variables and one or two outputs were applied for solving the analyzed regression problems. The analysis of the examples of ANN usage confirmed, that the artificial neural network can be used with success in analysis of experimental studies in geotechnical engineering.

Słowa kluczowe

PL

geotechnika; grunty

EN

geotechnics; soils

• Czasopismo: Inżynieria Morska i Geotechnika
• Rocznik: 2012
• Tom: nr 4
• Strony: 388-392
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Sulewska, M. J.

• Politechnika Białostocka, Wydział Budownictwa i Inżynierii Środowiska

Bibliografia

• 1. Basheer I. A.: Empirical modelling of the compaction curve of cohesive soils. Canadian Geotechnical Journal, Vol. 38, No. 1/2001,29-45.
• 2. Blotz L. R., Benson C. H., Boutwell G. P.: Estimating optimum water content and maximum dry unit weight for compacted clays. Journal of Geotechnical and Geoenvironmental Engineering, Vol. 124, No. 9/1998, 907-912.
• 3. Gurtug Y., Sridharan A.: Compaction behaviour and prediction of its characteristics of fine grained soils with particular reference to compaction energy. Soils and Foundations, Vol. 44, No. 5/2004, 27-36. Environmental Geology, Vol. 57, No. 1/2009,203-215.
• 4. Gurtug Y., Sridharan A.: Prediction of compaction characteristics of fine-grained soils. Geotechnique, Vol. 52, No. 10/2002,761-763.
• 5. Günaydrn 0.: Estimation of soil compaction parameters by using statistical analyses and artificial neural networks. Environmental Geology, Vol. 57, No. 1/2009,203-215.
• 6. Najjar Y. M., Basheer I. A., Naouss W. A.: On the identification of compaction characteristics by Neuronets. Computers and Geotechnics, Vol. 18, No. 3/1996,167-187.
• 7. Pisarczyk S.: Zależość Pds i W opt, dla gruntów spoistych od innych ich cech fizycznych. Gospodarka Wodna, Nr 1/1994, 4-6 i 19.
• 8. Sinha S. K., Wang M. C.: Artificial neural network prediction models for soil compaction and permeability. Geotechnical and Geological Engineering, Vol. 26, No. 1/2008,47-64.
• 9. Sivrikaya 0.: Models of compacted fine-grained soils used as mineral liner for solid waste. Environmental Geology, Vol. 53, No. 7/2008, 1585-1595.
• 10. Sridharan A., Nagaraj H. B.: Plastic limit and compaction characteristics of fine-grained soils. Ground Improvement, Vol. 9, No. 1/2005, 17-32.
• 11. Sulewska M. J.: Neural modelling of compactibility characteristics of cohesionless soil. Computer Assisted Mechanics and Engineering Sciences, Vol. 17, No. 17/2010,27-40.
• 12. Sulewska M. J.: Sztuczne sieci neuronowe w ocenie parametrów zagęszczenia gruntów niespoistych. Studia z Zakresu Inżynierii, Nr 64, IPPT PAN, Warszawa-Białystok 2009.
• 13. Szaraniec T.: Analityczne wyznaczenie wilgotności optymalnej gruntów. Zeszyty Naukowe Politechniki Świętokrzyskiej, Budownictwo 10, Kielce 1984, 57-71.
• 14. Wang M. C., Huang C. C.: Soil compaction and permeability prediction models. Journal of Environmental Engineering, Vol. 110, No. 6/1984,1063-1083.