Seisminės skersinės bangos greičio modeliavimas grunte panaudojus ekstremalųjį apmokymo algoritmą

  • Donatas Urbaitis
  • Audrius Indriulionis
  • Robert Mokrik
  • Juozas Kastytis Dundulis
Keywords: ekstremalaus apmokymo algoritmas (ELM), skersinės bangos greitis, neuroninis tinklas, moreninis gruntas, kūginis stipris (qc)

Abstract

Dirbtiniai neuroniniai tinklai vis dažniau taikomi ne tik diagnostikos, finansų, kontrolės, kompiuterinės grafikos srityse, bet ir inžinerinėje geologijoje. Šiame darbe tyrinėjant Lietuvos gruntų stipruminių savybių rodiklius pirmą kartą buvo panaudotas dirbtinių neuroninių tinklų apmokymo metodas. Tyrimui pasirinktas Stabatiškės aikštelės moreninis molinis gruntas. Aikštelėje atlikti statinio zondavimo bandymai, skirti nustatyti sąlyginį gruntų stiprumą. Taip pat įvertinti gruntų skersinės bangos greičiai (Vs). Apmokant neuroninį tinklą buvo panaudotas ekstremalaus apmokymo algoritmas ELM (Extreme learning machine), optimizuojant duomenis – stochastiniai paieškos metodai, kuriais randamas globalus funkcijos minimumas ar maksimumas. Modeliuojant panaudotas diferencialinio skirtumo (DE) algoritmas. Pradiniai įvesties į modelį duomenys: koreguotas kūginis stipris (qt), šoninės trinties stipris (fs), trinties santykis (Rf), vertikalus geostatinis slėgis (σ), vertikalus efektyvus geostatinis slėgis (σ’) ir poringumo koeficientas (e), o ieškomas parametras – skersinės bangos greičiai (Vs). Atlikus modeliavimą sudaryti prognoziniai seisminių bangų greičių analogai, kurie leidžia įvertinti gruntų dinaminių savybių rodiklius neatliekant pačio seisminio bandymo.
Published
2016-07-19
Section
Inžinerinė geologija / Engineering Geology