سال انتشار: ۱۳۹۳
محل انتشار: اولین کنفرانس سراسری توسعه محوری مهندسی عمران، معماری، برق و مکانیک ایران
تعداد صفحات: ۱۲
نویسنده(ها):
حمیدرضا حسن نژاد – دانشجوی کارشناسی ارشد ژئوتکنیک، دانشگاه آزاد اسلامی، واحد نجفآباد
محمدسیروس پاکباز – دانشیار دانشکدهی عمران، دانشگاه شهید چمران اهواز
رسول مهدی زاده – استادیار دانشکدهی عمران، دانشگاه آزاد اسلامی، واحد نجفآباد

چکیده:
در تحقیق حاضر از الگوریتمهای آموزشی مختلف شبکهی عصبی مصنوعی به منظور پیشبینی طبقهبندی جنس خاک، استفاده وخروجی حاصل از آموزش آنها، مورد ارزیابی قرار گرفتهاست . در این مقاله مطالعات بر روی خاک منطقهای از شهرکرد صورت گرفته و ازیک بانک داده مشتمل بر ۰۲۱ نمونه خاک استفاده شده است. دادههای مورد استفاده شامل نتایج حاصل از آزمایشهای ضربه و نفوذاستاندارد ۰ ، طبقهبندی و حدود اتربرگ میباشد. به دلیل وجود الگوریتمهای آموزشی متنوع در شبکهی عصبی، انتخاب بهینهترین تابع آموزشی میتواند دقت پیشبینیهای شبکه را افزایش دهد. بدین منظور از چندین تابع و الگوریتم آموزشی در مدلسازی شبکهی عصبیمصنوعی استفاده و جهت ارزیابی عملکرد مدلهای ارائه شده، روابط ضریب جرم باقیمانده ۲ ، ضریب تعیین ۳ و مجذور میانگین مربعات خطا ۴بکار گرفته شدهاست. مقایسه و ارزیابی آموزش با الگوریتمهای مختلف نشان میدهد استفاده از تابع آموزشی لونبرگ مارکوآرت – ۵ با دقت بسیار بالا در آموزش شبکه، بهینهترین تابع آموزشی مورد استفاده در پیش بینی پارامترهای ژئوتکنیکی خاک از جمله جنس خاک می باشد.