Pobierz streszczenie
Transkrypt
Pobierz streszczenie
STRESZCZENIE Rozprawa poświęcona jest analizie niektórych terenowych metod badań miar zagęszczenia. Badania bezpośrednie są zbyt czasochłonne, mało wydajne i powodują przerwy w procesie technologicznym. Dlatego poszukuje się metod szybkiej oceny stanu zagęszczenia in situ. W świecie rozwijane są coraz nowocześniejsze techniki badawcze, oparte na pośrednim sposobie oceny parametrów zagęszczenia na podstawie opracowanych zależności korelacyjnych lub wyznaczonych wartości granicznych. Mnogość rodzajów i zasad działania różnych przyrządów badawczych sprawia, że konieczne są badania kalibracyjne i porównawcze, a następnie analizy zagadnień regresyjnych. W pracy przedstawiono koncepcję zastosowania sztucznych sieci neuronowych do oceny zagęszczenia gruntów niespoistych. Biorąc pod uwagę specyfikę gruntów i zagadnień geotechnicznych, metoda sztucznych sieci neuronowych może stanowić efektywne narzędzie analizy. Zastosowanie SSN pozwoli ominąć wiele trudności związanych z rozwiązywaniem zadań regresyjnych i z uzyskaniem dobrych modeli predykcyjnych do celów praktycznych. Celem pracy było wykazanie przydatności sztucznych sieci neuronowych do aproksymacji zależności opisujących parametry zagęszczenia. Skuteczność zastosowania SSN do analizy parametrów geotechnicznych zilustrowano na przykładach czterech zagadnień regresyjnych. Przeprowadzano statystyczne analizy danych oraz modelowanie neuronowe i porównywano jakości uzyskanych modeli. Wzorcowymi wartościami w rozważaniach były parametry uzyskane metodami bezpośrednimi polowo-laboratoryjnymi. Wykazano możliwość wykorzystania lekkiej sondy dynamicznej do określania wskaźnika zagęszczenia poniżej głębokości krytycznej na podstawie opracowanego neuronowego modelu do predykcji wskaźnika zagęszczenia z dokładnością do 5%. Ponieważ stwierdzono, że wartości stopnia zagęszczenia uzyskane metodą bezpośrednią nie są równe wynikom uzyskiwanych z badań lekką sondą dynamiczną, zbudowano sieć neuronową do przeliczania wyników metody polowej na wyniki metody bezpośredniej. Zadanie drugie polegało na analizie możliwości zastosowania lekkiej sondy dynamicznej w warstwach przypowierzchniowych podłoża do oceny stopnia i wskaźnika zagęszczenia. W wyniku optymalizacji sieci neuronowych uzyskano dobre modele predykcyjne wskaźnika zagęszczenia a także sieć o dwóch wyjściach do jednoczesnego przewidywania stopnia i wskaźnika zagęszczenia z błędem względnym odpowiednio około 15% i 3%. Zagadnienie trzecie było związane z kalibracją lekkiej płyty dynamicznej na grupie gruntów niespoistych w celu opracowania zależności do oceny stopnia i wskaźnika zagęszczenia w warstwach powierzchniowych. Zbudowano neuronowe modele (o jakości lepszej niż liniowe modele regresyjne) do predykcji stopnia i wskaźnika zagęszczenia na podstawie kilku parametrów geotechnicznych (ED, CU, d50, ρd) oraz opracowano praktyczny model parametrów zagęszczenia w zależności tylko od wyników badań lekką płytą dynamiczną (ED, s/v). W czwartym przykładzie badano korelacje między parametrami zagęszczalności gruntów niespoistych (ρdmin , ρdmax, wopt i ρds) a parametrami uziarnienia (CU, d10, d20, d30, d40, d50, d60, d70, d80 d90) celem opracowania szybkiej pośredniej metody ich określania. Otrzymane modele neuronowe mają wyższe współczynniki korelacji niż modele statystyczne. Względny błąd przewidywania wopt wynosi około 25%, a względny błąd przewidywania ρds wynosi około 7%. Zastosowano metodę analizy składowych głównych (Principal Component Analysis) w celu zmniejszenia wielkości sieci neuronowych poprzez kompresję danych wejściowych. Wyniki analiz przedstawionych w pracy potwierdzają tezę o przydatności sztucznych sieci neuronowych jako efektywnego narzędzia przetwarzania sygnałów pochodzących z geotechnicznych badań doświadczalnych. Zastosowanie w geotechnice sztucznych sieci neuronowych do modelowania miar zagęszczenia gruntów niespoistych służy poszerzeniu zakresu metod do interpretacji danych i może stanowić wkład w rozwój badań polowych.