Ứng dụng mạng thần kinh nhân tạo trong dự báo độ lún của móng nông

Bên cạnh việc đánh giá sức chịu tải, độ lún cũng là một thông số quan trọng khi tính toán thiết kế móng nông. Do đó, nghiên cứu này trình bày kết quả ứng dụng mô hình mạng thần kinh nhân tạo trong việc dự báo độ lún của móng nông. Một mô hình mạng thần kinh nhân tạo đã được xây dựng và đào tạo bằng thuật toán tối ưu giảm độ dốc.
Nội dung trích xuất từ tài liệu:
Ứng dụng mạng thần kinh nhân tạo trong dự báo độ lún của móng nông NGHIÊN CỨU KHOA HỌC nNgày nhận bài: 18/3/2022 nNgày sửa bài: 11/4/2022 nNgày chấp nhận đăng: 20/4/2022 Ứng dụng mạng thần kinh nhân tạo trong dự báo độ lún của móng nông Application of artificial neural network in the prediction of settlement of shallow foundations > TS PHẠM TUẤN ANH Trường Đại học Công nghệ Giao thông Vận tải; Email: Anhpt@utt.edu.vn 1. ĐẶT VẤN ĐỀ TÓM TẮT Móng nông là giải pháp móng phù hợp cho các công trình quy Bên cạnh việc đánh giá sức chịu tải, độ lún cũng là một thông số quan mô vừa và nhỏ. Giải pháp móng này tương đối đơn giản về mặt thiết trọng khi tính toán thiết kế móng nông. Do đó, nghiên cứu này trình bày kế, thi công, đồng thời giúp giảm thiểu chi phí về kết cấu móng cho các công trình xây dựng. Khi thiết kế móng nông, có hai tiêu chí mà kết quả ứng dụng mô hình mạng thần kinh nhân tạo trong việc dự báo các kỹ sư quan tâm là sức chịu tải cực hạn và độ lún cuối cùng của độ lún của móng nông. Một mô hình mạng thần kinh nhân tạo đã được móng dưới tác dụng của tải trọng công trình. Trong đó, thông số xây dựng và đào tạo bằng thuật toán tối ưu giảm độ dốc. Một bộ số liệu sức chịu tải cực hạn của móng đã được nhiều nhà khoa học trên thế giới quan tâm nghiên cứu. Tuy vậy, việc ước tính độ lún của móng gồm 284 kết quả thí nghiệm nén móng nông với cấp tải trọng khác nhau, vẫn là một vấn đề phức tạp. Thông thường, độ lún này phụ thuộc dùng để đào tạo và kiểm tra mô hình. Kết quả của nghiên cứu được so vào hình dạng, kích thước, chiều sâu chôn móng và đặc điểm tính chất của đất nền. Hiện nay, giải pháp sử dụng bàn nén hiện trường sánh với một số kết quả nghiên cứu của Meyerhof, D’Appolonia, cho thấy vẫn là một phương pháp tin cậy để cho ra quan hệ tải trọng - độ lún mạng thần kinh nhân tạo cho phép dự đoán sức chịu tải móng nông sát của móng nông. Nhưng cần thấy rằng, giải pháp này tương đối mất với kết quả thí nghiệm hơn. Kết quả của nghiên cứu là một tiền đề cho thời gian kèm theo chi phí không nhỏ. Do đó, nhiều phương pháp khác nhau đã được phát triển để dự báo gần đúng độ lún của móng việc ứng dụng mạng thần kinh nhân tạo trong việc giải quyết các bài nông. Một trong những phương pháp đó là cộng lún các lớp phân toán khác trong lĩnh vực xây dựng. tố. Phương pháp này chia nền thành các lớp đồng nhất, độ lún cuối cùng là tổng độ lún các lớp thành viên. Nhược điểm của phương Từ khóa: Độ lún móng nông; xuyên SPT; trí tuệ nhân tạo; mạng thần pháp cộng lún các lớp là dựa trên một số giả thiết gần đúng, dẫn kinh nhân tạo. đến kết quả thường quá thiên về an toàn. Một số nghiên cứu khác, độ lún móng nông được xác định dựa trên kết quả thí nghiệm hiện trường như xuyên tiêu chuẩn (SPT), xuyên tĩnh (CPT), nén ngang ABSTRACT (DMT). Các kết quả thí nghiệm hiện trường cho phép ước tính nhiều Besides assessing the bearing capacity, settlement is also an thông số của đất và tránh được sai số do lấy mẫu không nguyên trạng gây ra. Nhiều nhà khoa học đã đề xuất các phương trình thực important parameter when designing shallow foundations. Therefore, nghiệm, xác định độ lún của móng nông dựa trên các kết quả xuyên this study presents the results of applying an artificial neural network SPT như: Bowles(1987) [7], Meyerhof (1965) [2], Terzaghi và Peck model in the settlement of shallow foundations. An artificial neural (1996) [13] hay DAppolonia (1968) [9] v.v. và kết quả xuyên CPT như: Meyerhof (1965) [1], DeBeer (1965) [10], Schmertmann (1970) network model was buil ...