Kompaksiyon parametrelerinin yapay sinir ağları ile tahmini
Küçük Resim Yok
Tarih
2008
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalısmada zemin sınıflandırma deney sonuçları kullanılarak yapay sinir ağları (YSA) ile kompaksiyon parametreleri (maksimum kuru birim hacim ağırlık ve optimum su içeriği) tahmin edilmistir. Kompaksiyon parametreleri laboratuarda Proktor deneyleri ile belirlenmektedir. Sıkıstırılmıs zeminler; yol dolgularında, katı atık depolama alanlarında, toprak dolgu barajların çekirdeklerinde, istinat yapılarında ve buna benzer önemli mühendislik projelerinde yaygın olarak kullanılmaktadır. Dolayısıyla bu tür zeminler geotekniğin uygulama alanlarında oldukça önemli bir yere sahiptir. Bu çalısmada kompaksiyon parametrelerinin tahmininde kullanılan veriler Türkiye genelinde yapılan yol çalısmalarından temin edilmistir. Yapay sinir ağı modellerinde giris olarak, ince tane oranı, kum oranı, çakıl oranı, likit limit, plastik limit değerleri kullanılarak maksimum kuru birim hacim ağırlık ile optimum su içeriği belirlenmeye çalısılmıstır. Yapay sinir ağları ve zemin sınıflandırma deneyleri ile kompaksiyon parametreleri arasında güçlü korelasyonlar (R2=0.88-0.78-0.71) elde edilmistir. Yapay sinir ağları ile elde edilen bu korelasyonlar oldukça güvenilir sonuçlar vermektedir.
This study presents the application of artificial neural Networks (ANN) for the estimation of the compaction parameters (maximum dry unit weight and optimum moisture content) from classification properties of the soils. Compaction parameters can only be defined experimentally by Proctor tests. Compacted soils are used for many geotechnical applications such as engineered barriers for municipal solid waste, dams, embankment and roads; therefore they are important material for geotechnical purposes. The data collected from the road construction in some areas of Turkey were used for the estimation of soil compaction parameters. Different parameters, fine-grained ratio, sand ratio, gravel ratio, liquid limit, plastic limit, and maximum dry density (MDD) and optimum moisture content (OMC) were presented to ANN model as inputs. Artificial neural network estimation indicated strong correlations (R2=0.88-0.78-0.71) between the compaction parameters and soil classification properties. It has been shown that the correlation equations obtained as a result of artificial neural network analyses are in satisfactory agreement with the test results.
This study presents the application of artificial neural Networks (ANN) for the estimation of the compaction parameters (maximum dry unit weight and optimum moisture content) from classification properties of the soils. Compaction parameters can only be defined experimentally by Proctor tests. Compacted soils are used for many geotechnical applications such as engineered barriers for municipal solid waste, dams, embankment and roads; therefore they are important material for geotechnical purposes. The data collected from the road construction in some areas of Turkey were used for the estimation of soil compaction parameters. Different parameters, fine-grained ratio, sand ratio, gravel ratio, liquid limit, plastic limit, and maximum dry density (MDD) and optimum moisture content (OMC) were presented to ANN model as inputs. Artificial neural network estimation indicated strong correlations (R2=0.88-0.78-0.71) between the compaction parameters and soil classification properties. It has been shown that the correlation equations obtained as a result of artificial neural network analyses are in satisfactory agreement with the test results.
Açıklama
Anahtar Kelimeler
Mimarlık, Mühendislik, Ortak Disiplinler
Kaynak
Çukurova Üniversitesi Mühendislik-Mimarlik Fakültesi Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
23
Sayı
2
