کتاب نشست ‏سطحی ‏در ‏تونل ‏فورپولینگ

عنوان صفحه
فصـل اول 11
مقدمه 11
طرح موضوع 13
فصـل دوم 15
مقدمه 15
دلایل ایجاد تونل در عمق خاک به عنوان سازه مدفون 15
انواع تونل های زیرزمینی 16
فورپولینگ (FOREPOLING) 17
بررسی تاثیر تحکیم با توجه به معیار های شکست موهر – کلمب و هوک – براون 17
معیار گسیختگی موهر – کلمب 17
معیار عمومی شکست هوک – براون 19
روش های فور پولینگ 21
The jet grouting method 21
The Pipe roof method 21
The Spiling method 21
عملیات فورپولینگ 23
لوله گذاری 27
تزریق گمانه های فورپولینگ 29
فصـل سوم 33
مقدمه 33
نرون های بیولوژیکی 34
شبکه های عصبی مصنوعی (ANN) 38
نوع شبکه های عصبی 39
شبکه های روبه جلو 39
شبکه های برگشتی 42
مدلسازی شبکه عصبی 44
یادگیری فرایندها با استفاده از الگوریتم رو به عقب 50
تعداد نرون های پنهان در شبکه های عصبی 60
تعداد نمونه ها در مجموعه آموزشی 61
بیش برازش 64
افزایش اندازه نمونه های آموزشی 64
محدود کردن تعداد گره های پنهان 64
محدود کردن تعداد دوره های آموزش 65
فصـل چهارم 67
مقدمه 67
موضوع و محل مورد مطالعه 68
فصـل پنجم 75
مقدمه 75
عوامل موثر بر نشست سطحی 80
زمین شناسی تونل 80
شرایط زمین شناسانه 81
ویژگی های چتر محافظتی فورپولینگ 83
مشخصات لوله های فورپولینگ پروژه متروی تبریز 83
مدل سازی تونل پروژه متروی تبریز در برنامه Plaxis 84
حالت استاتیکی- اشباع 86
استاتیکی- نیمه اشباع 88
استاتیکی- زهکشی شده 90
دینامیکی- اشباع 91
دینامیکی- زهکشی شده 95
طراحی شبکه عصبی مصنوعی بهینه 96
جمع بندی و نتیجه گیری 135
جمع بندی نهایی 137
منـابع و مآخـذ 139

بسیاری از وظایف شامل هوش و یا تشخیص الگو برای خودکارسازی دشوار می باشند، اما توسط انسان و حیوانات به راحتی به اجرا در می آیند. برای مثال، ما اشیاء بسیاری را تشخیص می دهیم و از طریق اطلاعات بصری در محیط اطراف خود و بر اساس تجربیاتمان برای آنها مفهوم سازی می کنیم. بدین معنی است که سیستم های محاسباتی که وظایف مشابهی را اجرا می کنند، از درک چگونگی انجام این کارها توسط انسان و شبیه سازی این فرایندها تا حدی که توسط محدودیت های فیزیکی اجازه داده می‌شود، فوق العاده سودمند خواهد بود. این امر مطالعه و شبیه سازی شبکه های عصبی را مستلزم می‌کند.

شبکه عصبی بیولوژیکی بخشی از سیستم عصبی می باشد که دربرگیرنده تعداد زیادی نورون های متصل به هم (سلول های عصبی) می باشد. Neural حالت صفت برای نرون می باشد، و “شبکه” بیانگر یک سازه شبیه گراف می باشد. شبکه های عصبی مصنوعی (ANN) اشاره به سیستم های محاسباتی دارند که موضوع اصلی آن از قیاس شبکه های عصبی بیولوژیکی الهام گرفته شده است. به عبارت دیگر، یک شبکه عصبی (مصنوعی) گروه متصلی از المان های پردازشی ساده، واحدها و یا گره ها می باشد که عملکرد آن به طور آزاد بر اساس نرون حیوانی است. توانایی پردازش شبکه در نقاط قوت اتصال واحدهای درونی ذخیره می‌شود که از طریق فرایند انطباق یا آموزش از دسته ای الگوی آموزشی به دست می آید. شبکه های عصبی همچنین اشاره به “تورهای عصبی”، “سیستم های عصبی مصنوعی”، “سیستم های پردازش موازی توزیع شده” و “سیستم های پیوندگرا” دارد. [10]

نرون های بیولوژیکی

یک نرون بیولوژیکی معمولی متشکل از یک سلول “پیکر” و یک “آکسون” لوله مانند و بسیاری از شاخه های شبکه عصبی شبیه مو می باشد که در شکل 10-1 نشان داده شده است. شاخه های شبکه عصبی از یک برس رشته ای که پیکر نرون  را احاطه کرده است. آکسون، اساساً یک لوله طویل و نازک می باشد که به شاخه های مختلف تقسیم می‌شود و در نهایت لامپ های کوچک انتهایی ختم می شوند که تقریباً در تماس با شاخه های شبکه عصبی از سایر سلول ها می باشند. فضای خالی کوچک مابین لامپ های انتهایی و شاخه یک شبکه عصبی ” سیناپس” نامیده می‌شود که از طریق آن اطلاعات پخش می شوند. آکسون مربوط به یک نرون، ارتباط سیناپسی را با بسیاری نرون دیگر برقرار می‌کند؛ سمت پیش سیناپس مربوط به سیناپس اشاره به نرونی دارد که سیگنالی را می فرستد در حالی که سمت پس از سیناپس اشاره به نرونی دارد که آن سیگنال را دریافت می‌کند. هرچند که تصویر واقعی از نرون کمی بیشتر از این پیچیده می باشد. همانگونه که در شکل 10-2 نشان داده شده است. این شکل یک نرون درونی را در شبکیه چشم یک خرگوش را نمایش می‌دهد. این سلول توسط یک رنگ فلورسنت تزریق شده است تا تمامی شاخه های آن آشکار گردند. هر یک از گره های کوچک در نوک شاخه ها، یک سیناپس با سلول دیگر در شبکیه چشم برقرار می‌کند. [10]

تعداد سیناپس ها دریافتی توسط هر نرون در محدوده 100 الی 100,000 می باشد. از لحاظ ریخت شناسی، اکثر ارتباطات سیناپسی از دو نوع می باشند (اطلاعات دقیق تر از سیستم نرون توسط Hodgkin and Huxley, 1952 ارائه شده است). [10]

نوع 1: سیناپس های تحریکی با غشای تخصصی نامتقارن؛ ضخامت غشا در قسمت پس از سیناپس بیشتر می باشد. قسمت قبل از سیناپس شامل کیسه های سیناپسی می باشند که اعتقاد بر این است که حاوی بسته هایی از یک انقتال دهنده عصبی (یک ماده شیمیایی همچون گلوتامات و آسپارتات) است، همانگونه که در شکل 10-3 نشان داده شده است. [10]

نوع 2: سیناپس های بازدارنده با تخصص غشایی متقارن؛ همراه با کیسه های پهن و یا بیضوی می باشند. گاما آمینو بوتیریک اسید نمونه ای از انتقال دهنده عصبی بازدارنده می باشد. [10]

در زیر نقل قولی از Mehrotra et al. (1997) بیان کرده ایم. یک تفاوت بالقوه الکترواستاتیک در طول غشای سلول نگه داشته می‌شود که درون آن به صورت منفی شارژ شده است.

یون های از طریق غشا پراکنده می شوند تا ایت تفاوت بالقوه را در خود نگه دارند. سیگنال های مهاری و تحریکی از سایر نرون ها به یک نرون در یک شاخه سلول عصبی انتقال می یابد. شدت سیگنال دریافتی توسط یک نرون (از یک نرون دیگر) بستگی به بازده انتقال سیناپس دارد و می تواند به عنوان قدرت ارتباط میان نرون ها تلقی گردد. غشای سلول از لحاظ الکتریکی، زمانی که به طور مناسب توسط نرون ها که سیناپس هایی بر روی این نرون ایجاد می کنند، تحریک شود، فعال می‌شود.

یک نرون شلیک خواهد کرد (یک پالس خروجی در حدود 100mV از پایین آکسون می فرستد)، اگر سیگنال های مناسبی از سایر نرون ها بر شاخه های سلول عصبی خود، در زمان کوتاهی فرو بیفتند که مدت زمان جمع بندی پنهان نامیده می‌شود. اگر تحریک یک شبکه نرون مقدار بازدارندگی آن تجاوز کند، شلیک خواهد کرد با یک مقدار بحرانی، آستانه نرون.

به دنبال شلیک کردن، یک دوره کوتاه مقاوم به وجود می آید که در طی آن نرون غیر فعال می باشد. اگر ورودی به نرون قوی باقی بماند، نرون به ارسال پالس هایی در فرکانس هایی تا میزان چند صد پالس در هر ثانیه ادامه خواهد داد. این همان فرکانسی است که اغلب اشاره به خروجی نرون دارد. پالس ها از طریق آکسون به یک نرون  پخش می شوند و به سیناپس می رسند که سیگنال هایی با قدرت های متفاوت از شاخه های سلول های عصبی به سایر نرون ها ارسال می کنند. [10]

نوع شبکه های عصبی

از لحاظ ساختار و یا معماری، شبکه های عصبی می توانند به دو نوع بخش بندی شوند: شبکه های روبه جلو و شبکه های برگشتی. [10]

شبکه های روبه جلو

در یک شبکه روبه جلو، نرون ها معمولاً درون لایه ها دسته بندی می شوند. سیگنال ها از لایه ورودی به لایه خروجی از طریق اتصالات جریان می یابند، که نرون ها از لایه ای به لایه دیگر با یکدیگر در ارتباط هستند، اما درون یک لایه نیستند. مثال هایی از شبکه های روبه جلو شامل پرسپترون چندلایه (MPL)، شبکه بردار یادگیرنده تدریجی (LVQ)، شبکه مدل مخچه کنترل بیان (CMAC) و شبکه شیوه گروهی داده گردانی (GMDH) می‌شود. یک شبکه روبه جلو می تواند به عنوان یک نمایش گرافیکی از یک تابع پارامتریک باشد که دسته ای از مقادیر ورودی را دریافت کرده و آنها را به دسته مربوطه از مقادیر خروجی هدایت می‌کند. شکل 3-5 مثالی از یک پرسپترون چندلایه را نشان می‌دهد که نوعی شبکه روبه جلو می باشد که در برنماه های عملی بسیار از آن استفاده می‌شود. جزئیات این پرسپترون چند لایه در بخش بعدی توضیح داده خواهد شد. [10]

شکل 3-6 یک شبکه بردار یادگیرنده تدریجی (LVQ) را نشان می‌دهد که از سه لایه نرون تشکیل شده است: یک لایه بافر ورودی، یک لایه پنهان و یک لایه خروجی. این شبکه به طور کامل مابین لایه ورودی و پنهان و به طور نسبی مابین لایه های خروجی و پنهان متصل می باشد که طی آن هر نرون خروجی به یک خوشه متفاوت از نرون های پنهان متصل می باشد. وزن اتصالات مابین لایه پنهان و خروجی ثابت و برابر 1 می باشد. وزن اتصالات نرون ورودی-پنهان از مولفه های بردار مرجع (یک بردار مرجع به هر یک از نرون های پنهان اختصاص داده می‌شود). آنها طی آموزش شبکه اصلاح می شوند. هم نرون های پنهان و هم نرون های خروجی دارای خروجی باینری می باشند. [10]

شبکه های برگشتی

در یک شبکه برگشتی، خروجی های برخی نرون ها به عقب و به همان نرون و یا به نرون های لایه های قبل برمی گردند. بنابراین، شیگنال ها می توانند هم در مسیر های رو به جلو حرکت کنند و رو به عقب. مثال هایی از شبکه های برگشتی شامل شبکه Hopfield، شبکه Elman و شبکه Jordan می باشند. شبکه های برگشتی دارای حافظه دینامیک می باشند: خروجی آنها در زمان سریع، ورودی موجود را منعکس می کنند همانند ورودی ها و خروحی های قبلی. شکل 3-9 نسخه ای از شبکه Hopfield را نشان می‌دهد. این شبکه دارای یک لایه نرونی تنها می باشد (بدون لایه پنهان)، که هر کدام از آنها به سایرین متصل می باشد، و ساختاری برگشت پذیر به آن می‌دهد. [10]

شکل 3-10 و 3-11 شکل شبکه Elman و Jordan را به ترتیب نشان می‌دهد. این شبکه ها دارای ساختاری چند لایه هستند که شبیه ساختار پرسپترون چند لایه می باشد. در هر دوی این شبکه ها، به علاوه لایه پنهان معمولی، یک لایه پنهان دیگر نیز وجود دارد که گاهی لایه متن یا وضعیت نامیده می‌شود. این لایه سیگنال های بازگشتی از لایه پنهان معمولی را دریافت می‌کند (در مورد یک شبکه Elman) و یا از لایه خروجی (در مورد یک شبکه Jordan). شبکه Jordan نیز دارای اتصالاتی از هر نرون در لایه متن به خود می باشد. در هر دو شبکه، خروجی های نرون ها در متن روبه جلو به لایه پنهان فرساده می شوند. [10]

شبکه عصبی روبه جلوی چند لایه محبوب ترین مدل در میان سایر انواع شبکه های عصبی مصنوعی می باشد، زیرا به کار گیری این شبکه در مقایسه با سایر انوع شبکه هایی که در بالا توضیح داده شدند، بسیار پیچیده نیست. علاوه بر این، شبکه های عصبی روبه جلوی چند لایه به صورت موفق در زمینه های بسیاری از مسائل مهندسی به کار گرفته شده‌اند. [10]