استفاده از شبکه عصبی مصنوعی در مدلسازی خاک

استفاده از شبکه عصبی مصنوعی در مدلسازی خاک

فرزاد فرخ‌زاد، دانشجوی کارشناسی ارشد مجتمع عالی فنی و مهندسی نوشیروانی بابل*

* تلفن: [phone]، آدرس پست الکترونیکی: [e-mail]

**تلفن: [phone]، آدرس پست الکترونیکی: [e-mail]

چکیده:

              هوش مصنوعی را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانش ها، علوم، و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه‌ها ، فروع ، و کاربردهای گونه‌گونه و فراوان آن را در عـلوم رایانه ، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم ارتباطات و زمینه‌های بسیار دیگر.

پس از معـرفی ماهیت شبـکه های عصبی نیاز است مثـال هایی از کاربرد شبـکه های عصبی به عنوان ابزارهای هوشمند در مسائل مهندسی عمران و به خصوص ژئوتکنیک ارائه شود تا به این وسیله نمایی از توانائی های بالقوه آن در زمینه مهندسی ترسیم شود.

پدیده های ژئوتکنیکی به شدت متاثر از طبیعت ناهمـسان و رفـتار غیرخطی خاک  می باشنـدکه بررسی آنها باروش های تحلیلی معمول نیاز به انجام محاسبات بسیار پیچیده و اعمال هزینه های قابل توجه جهت شناسایی می باشد. با توجه به توانائی های شایان شبکه های عصبی در مسایل غیر خطی و چند متغیره، محققان در حل بسیاری از مسائل موجود در مهندسی ژئوتکنیک از شبکه های عصبی کمک گرفته اند از جمله آن می توان به  مدل های رفتاری – روانگرائی - شناسائی های صحرائی -  تونل سازی  و فضاهای زیرزمینی -  شیب ها  و  دیوارهای حائل -  اصلاح خواص خاک اشاره نمود.

در این پژوهش با استفاده از اطلاعات گمانه های حفر شده ، داده هایی برای تعیین مشخصات لایه های خاک گردآوری و دسته بندی شد. سپس شبکه عصبی مصنوعی توسط این داده ها آموزش داده شدند. به منظور اطمینان از کارایی شبکه ها در تخمین تغییرات لایه های خاک، اطلاعات تعدادی گمانه برای اولین بار به شبکه ارائه گردید و سپس نتایج حاصل از شبکه های عصبی با داده های گمانه های آزمایشی مورد مقایسه قرار گرفت که تا حد زیادی با یکدیگر مطابقت دارند.

کلید واژه ها: هوش مصنوعی، ژئوتکنیک، رفتار غیرخطی، شبکه عصبی ،مدل های رفتاری، روانگرائی

1- مقدمه

کشور ایران بر روی کمربند زمین لرزه‌ای آلپ-هیمالیا قرار گرفته است و در شمار مناطق با خطر نسبتاً بالای زلزله قرار دارد ، وقوع زمین لرزه‌ای شدید هر از چند گاه در یکی از مناطق کشورمان خسارات و ضایعات قابل ملاحظه و گاه غیرقابل جبرانی به بار می‌آورد. جلوگیری از خطرات زلزله‌ها در مناطق فعال لرزه‌ای غیرممکن است اما کاربرد برخی تمهیدات که نتیجه تجربیات حاصل از زلزله‌های گذشته است سبب کاهش خرابی‌ها می‌شود.

تامین ایمنی در مقابل خطرات زلزله در دو راستا صورت می‌پذیرد، یکی مقاوم‌سازی سازه‌ها در برابر اثرات نیروهای دینامیکی و دیگری تامین ایمنی خود محل در مقابل وقوع پدیده‌های ژئوتکنیکی از جمله روانگرایی، رانش زمین و …

مقاوم‌سازی سازه‌ها و تاسیسات، در ارتباط با شرایط و ویژگی‌های رفتاری ساختگاه‌ها در مقابله با زلزله امروزه از اهمیت و حساسیت زیادی برخوردار گردیده است و این امر جز در شناخت لایه‌های خاک در زیر سطح زمین میسر نمی‌گردد.

برای شناخت ساختار لایه‌های خاک در یک پروژه بسته به گستره آن نیاز به حفر یک یا چند گمانه و انجام آزمایشات متعدد می‌باشد که حفر گمانه هزینه و زمان بسیاری را در برمی‌گیرد افزایش اطمینان در درون یابی‌ساختار داده ها و خصوصیات لایه‌های خاک بین گمانه‌ها منجر به بهبود ارزیابی زمین‌شناسی و در نتیجه کاهش هزینه‌ها شده و امکان برنامه‌ریزی صحیح و انجام عملیات سازه ای را فراهم می‌آورد.

در این پژوهش با استفاده از هوش مصنوعی به پیش‌بینی نوع لایه‌های خاک و عمق لایه‌ها در نقاطی که گمانه موجود نمی‌باشد پرداخته شده است و صحت عملکرد شبکه با استفاده از روش‌های رایج و اطلاعات موجود کنترل گردیده است. از داده‌های خروجی حاصل از مدل‌سازی خاک که در این پژوهش به خلاصه آن اشاره شده است جهت استفاده در آنالیزهای دینامیکی به صورت مدل‌های یک بعدی و دو بعدی و سه بعدی که مبنای محاسباتی آن‌ها لایه‌بندی (نوع و عمق) خاک و مختصات دکارتی نقاط به عنوان پارامترهای ورودی اصلی می‌باشد می‌توان استفاده نمود.

2-شبکه عصبی

حدود چهار دهه است که سیستم‌های هوشمند ظهور نموده و در سال‌های اخیر رشد چشمگیری داشته است در سیستم‌های هوشمند از مدل‌هایی مشابه الگوی رفتاری، چگونگی تصمیم‌گیری، ساختار مغز، شبکه‌های اعصاب و یا ساختار کروموزوم‌های سلول‌ها و همچنین استدلال احتمالاتی ، در حل مسائل استفاده می‌شود که هر کدام از موارد یاد شده خود پایه‌ی نوعی سیستم هوشمند هستند. در یک سیستم هوشمند، هوشمندی در محدوده‌ی ضوابطی است که بر مسأله حاکم است در واقع منظور از سیستم هوشمند سیستمی نیست که تمام عملکردهای مغز انسان را انجام دهد و تنها با تعریف شرایط و قوانین، سیستم در یک محدوده‌ی تعریف شده هوشمند است.

 استفاده از سیستم‌های هوشمند در رشته ژئوتکنیک امروزه از کاربرد زیادی برخوردار است. زیرا درژئوتکنیک با پدیده‌هایی مواجه هستیم که درباره‌ی آن ها اطلاعات به صورت داده‌های آماری موجود می‌باشد در نتیجه استفاده از هوش مصنوعی از روش‌های کلاسیک کاراتر و اقتصادی‌تر می‌باشد.

از نقاط قوت یک سیستم هوشمند مصنوعی آن است که به معادلات ریاضی حاکم بر روابط پدیده‌ها کاری ندارد بلکه تنها به تاریخچه یا فراوانی آن پدیده می‌پردازد. در واقع یک سیستم هوشمند عصبی با به خاطرسپاری تاریخچه و فراوانی یک پدیده می‌تواند آن را پیش‌بینی کند و در صورتی‌که از اطلاعات جامع و کامل استفاده شده باشد  می‌تواند برای پیش‌بینی رفتار این پدیده در مناطق دیگر نیز استفاده نمود.

1.3-معرفی پارامترهای شبکه عصبی مصنوعی

شبکه عصبی مصنوعی مدلی مشابه شبکه اعصاب انسان است که از مجموعه‌ای واحدهای سلولی عصبی از طریق ارتباطی به نام اکسون با هم ارتباط دارند تشکیل می‌شود. در شبکه‌های عصبی مصنوعی

 (Artificial Neural Network) سعی بر این است که ساختاری مشابه ساختار بیولوژیکی مغز انسان و

شبکه اعصاب بدن ساخته شود تا همانند مغز قدرت یادگیری و تصمیم‌گیری داشته باشد.

در این‌گونه ساختارها هدف این است که با معرفی تاریخچه‌ی عملکرد و فراوانی یک سیستم دینامیکی مدل را آموزش داده، نحوه عملکرد سیستم را در حافظه‌ی مدل ذخیره کنیم و از آن برای مواردی که مدل قبلاً با آن مواجه نشده است استفاده نماییم.

هوش مصنوعی را باید عرصه پهناور تلاقی بسیاری از دانش‌ها، علوم و فنون قدیم و جدید دانست و ریشه ها و ایده‌های اصلی آن را باید در فلسفه زبان‌شناسی، ریاضیات، روان‌شناسی و فیزیولوژی نشان گرفت.

هوش مصنوعی و شبکه‌های عصبی یکی از پویاترین حوزه‌های تحقیق در دوران معاصر می‌باشد و یکی از اهدافی که در ارائه این مقاله در نظر گرفته شده ارتباط هوش مصنوعی به مکانیک خاک یعنی مدلسازی خاک توسط ابزار توانمندی به نام هوش مصنوعی می‌باشد.

در این پژوهش با توجه به مبنای ریاضی و تبدیل آن به الگوریتم‌های قابل فهم توسط نرم‌افزار به مدل‌سازی خاک در محیط نرم‌افزار و در نهایت با توجه به داده‌های ورودی به پیش‌بینی نوع خاک و عمق لایه‌ها در محل‌هایی که گمانه موجود نمی‌باشد پرداخته شده است.

در مقایسه‌ای بین مغز انسان و هوش مصنوعی (نرم‌افزار) می‌توان به این نتیجه رسید که از نظر انجام حجم عملیاتی،کامپیوتر بسیار قوی‌تر از مغز انسان است اما از نظر پردازش داده‌های موازی کاملاً متفاوت است. دانش لازم برای حل این مسائل (پردازش داده‌هایی با خاصیت موازی) هر کدام از منبع متفاوتی در مغز می‌آیند و هر کدام نقش خود را در تهیه خروجی نهایی ایفا می‌کنند. مغز با ساختار موازی می‌تواند این دانش را در خود به صورتی حفظ کند که قابل دسترسی باشد همچنین می‌تواند به علت نحوه‌ی عمل موازی خود این دانش را همراه با سایر تحریکات مختلف که دریافت می‌کند هم زمان پردازش کند در این راه سرعت عامل مهمی نیست. آنچه مهم است موازی بودن پردازش داده می باشد و مغز به خوبی برای این کار مهیا شده است.

شیوه برخورد روش محاسباتی شبکه‌های عصبی، تخمین اصول راهبردی است که زیربنای فرآیند مغز برای پاسخ‌گویی به این سوالات و به کارگیری آن‌ها در سیستم‌های کامپیوتری است. ما نمی‌دانیم مغز چگونه اطلاعات سطح بالا را در خود می‌گنجاند و بنابراین نمی‌توانیم از آن تقلید کنیم، لیکن می‌دانیم که مغز از تعداد زیادی واحدهای مرتبط به یکدیگر تشکیل شده است.

در مدل‌سازی سیستم‌های اصلی مغز باید راه‌کاری را بیابیم که بیش‌تر با ساختار موازی مغز سازگاری داشته باشد نه با ساختار پی‌درپی. این مدل‌های موازی باید بتوانند دانش را به صورت موازی در خود جای دهند و به همین شکل نیز آن را پردازش کنند. البته می‌توان این ساختارها را به شکل پی‌درپی شبیه‌سازی کرد . به هر صورت ساختار طبیعتاً موازی سیستم‌های شبکه‌های عصبی آن‌ها را مناسب به کارگیری در ماشین‌های موازی می‌کند که می‌تواند مزایای بیش‌تری از نظر سرعت و قابلیت اطمینان داشته باشد. از این گذشته می‌دانیم که مغز نیز چنین عمل می‌کند.

شبکه‌های عصبی یکی از کارآمدترین و گسترده‌ترین انواع سیستم‌های هوشمند ضمنی به شمار می‌آیند . برای استفاده از هر یک از انواع شبکه‌های عصبی باید در ابتدا مشخصات آن را شناخت. بررسی این موضوع یعنی مشخصات تمام شبکه‌های عصبی که تاکنون ارائه شده‌اند و یک مبحث بسیار طولانی بوده که از حدود این مقاله خارج است. لذا در ادامه این بخش تلاش می‌شود تا اصول کلی شبکه‌های عصبی بررسی شود

 قسمت های اصلی شبکه عصبی:

1- ساختار (Structure) یا معماری (Architecture)

2- مکانیزم آموزش (training Mechanism) یا الگوریتم یادگیری (Learning Algorithm)

3- مکانیزم تست یا مکانیزم فراخوانی

1- ساختار (Structure) یا معماری (Architecture) :

در برخورد با هر شبکه عصبی اولین چیزی که به چشم می‌خورد ساختار آن می‌باشد ساختار یا معماری، تجسم فیزیکی شبکه عصبی را نشان می‌دهد. ساختار یک شبکه عصبی شمای ظاهری و ارتباطات داخلی این سیستم هوشمند را مشخص می‌کند. از نظر کاربردی این جنبه از شبکه عصبی وسیله ذخیره اطلاعات آن می‌باشد. به طور دقیق‌تر اطلاعات مربوط به نگاشت این سیستم هوشمند ضمنی در ساختار آن ذخیره می‌شود علاوه بر این در زمان پاسخگویی به سوالات کاربران شبکه عصبی اطلاعات مورد نیاز را از ساختار بازیابی می‌کند.

2- مکانیزم آموزش (Training Mechanism) یا الگوریتم یادگیری:

مکانیزم آموزش با بررسی نمونه‌های فاز آموزش نگاشتی را برای شبکه عصبی تشکیل می‌دهد که تخمینی از نگاشت واقعی سیستم مسئله می‌باشد. مکانیزم آموزش اطلاعات مربوط به این نگاشت را که از نمونه‌های فاز آموزشی به دست می‌آورد در ساختار شبکه عصبی ذخیره می‌کند در اصطلاح شبکه‌های عصبی به این نمونه‌ها نمونه‌های آموزش (training Sample) یا الگوی یادگیری (learning  patterns) می‌گویند.

3- مکانیزم تست یا مکانیزم فراخوانی شبکه عصبی:

مکانیزم تست یا مکانیزم فراخوانی شبکه عصبی از اطلاعاتی که مکانیزم آموزش یا الگوریتم یادگیری استخراج کرده استفاده نموده و به سوالات کاربران پاسخ می‌دهد مکانیزم تست اطلاعات را از ساختار شبکه عصبی بازیابی می‌کند. در واقع ساختار شبکه عصبی نقش یک نوع حافظه را در این سیستم هوشمند به عهده دارد مکانیزم آموزش این حافظه را پر می‌کند (load) و مکانیزم تست در زمان بهره‌برداری از شبکه عصبی از اطلاعات ذخیره شده در این حافظه استفاده می‌کند. کارایی یک شبکه عصبی در فاز تست یا فاز فراخوانی آن تعیین می‌شود. برای این منظور شبکه عصبی نمونه‌های مورد نظر که در واقع نشان دهنده سوالات کاربر هستند در فاز تست دریافت می‌کند به این نمونه‌ها، نمونه‌های تست (test samples) یا الگوهای فراخوانی (Recalling patterns) می‌گویند نمونه‌های تست یا الگوهای فراخوانی فاقد خروجی هستند و شبکه عصبی باید خروجی این نمونه‌ها را تخمین بزند. مکانیزم تست یا مکانیزم فراخوانی شبکه عصبی خروجی نمونه‌های تست با استفاده از نگاشت به دست آمده در فاز آموزش تخمین می‌زند. هر چه پاسخ شبکه برای نمونه‌های تست به پاسخ واقعی نزدیکتر باشد نشان دهنده‌ی این است که نگاشت تشکیل شده به وسیله شبکه عصبی به نگاشت سیستم مسئله نزدیکتر می‌‌باشد. به عبارت دیگر میزان کارایی شبکه عصبی برای حل مسئله مورد نظر مشخص می‌شود. هر چه تعدا نمونه‌های تست یا الگوهای فراخوانی بیشتر باشد برآورد دقیق‌تری از کارایی شبکه عصبی می‌توان به دست آورد ولی در مقابل حجم پردازش مربوط به فاز تست افزایش می‌یابد.

فرضیات پژوهش(پیش فرضهای پژوهش) :

_ استفاده از شبکه عصبی مصنوعی با دقت قابل قبولی قادر به تعیین لایه بندی خاک می باشد.

 _خاک گستره طرح به صورت لایه ای در نظر گرفته شده است.

مدل سازی خاک

امروزه با توجه به استفاده روزافزون از هوش مصنوعی نرم افزارهای گوناگونی در این زمینه تولید شده است ولی تعداد کمی از این نرم افزارها قادر به ارائه پاسخ های مناسب به مساله مطرح شده می باشند از جملهMATLAB , STATISTICA در این زمره قرار دارندکه در این پرژوهش از نرم افزارSTATISTICA استفاده شده است . با توجه به استفاده در پروژه های دیگر نتایج قابل قبولی از این نرمافزار حاصل شد.

در انتخاب و استفاده از گمانه ها، مشخص نمودن محل دقیق محدوده طرح مطرح است به این ترتیب مختصات دقیق گمانه ها مشخص گردید تا اطلاعات گمانه هائی که در این منطقه قرار دارند مورد استفاده قرار گیرند. بنابراین انتخاب پارامترهای ورودی برای شبکه عصبی که قابلیت پیشگوئی در مورد لایه بندی خاک یعنی توانایی پیش بینی نوع وعمق خاک را داشته باشد رابطه مستقیمی با مختصات و اطلاعات گمانه های انتخابی خواهد داشت. با توجه به اطلاعات موجود در برگه شناسائی گمانه هایی انتخاب گردیدکه براین اساس محدودیتی از نظر اطلاعات مورد نیاز وجود نداشته باشد.

      یکی از مهمترین مراحل توسعه یک شبکه عصبی مصنوعی، انتخاب داده هائی است که برای آموزش شبکه به کار می روند. در مراحل قبل چگونگی ایجاد و آماده سازی اطلاعات مورد نیاز جهت استفاده در شبکه عصبی توضیح داده شد. پس از انتخاب متغیرهای ورودی و خروجی و اطمینان از صحت و اعتبار داده ها در مورد لایه بندی خاک  ، گام بعدی انتخاب تعدادی از داده ها برای آموزش و گزینش آنها از میان داده های موجود می باشد. جهت انتخاب درست باید به این نکته توجه داشت که در آموزش شبکه عصبی، کنترل و آزمایش شبکه در هریک از مراحل ذکر شده پر اهمیت است.

 شبکه عصبی در پیش بینی مواردی که در محدوده داده های آموزشی قرار نداشته اند، عملکرد مناسبی از خود نشان نمی دهد. به عبارتی دیگر این مطلب را اینگونه می توان بیان کرد که شبکه های عصبی قدرت بسیار خوب و مناسبی در درونی مسائل دارند.

در مرحله بعد الگوی  Back propagationانتخاب گردیدسپس گزیش شبکه ای که نتایج قابل قبولی ارائه دهد مهم است که نرم افزار انتخابی با توجه به پارامترهای ورودی مناسب ترین شبکه را انتخاب می نماید البته با توجه به داده ها ورودی از شبکه های دیگری نیز استفاده شد که در نتایج آن ها خطای بیشتری نسبت به شبکه پیشنهادی نرم افزار همراه بود.

یک نقطه به عنوان مبدأ مختصات در سیستم دکارتی در مدلسازی گمانه ها به عنوان پارامتر های ورودی انتخاب شد و اطلاعات طبقه بندی شده گمانه ها به عنوان داده های ورودی مورد استفاده قرار گرفت.

دسته بندی خاک:

Gravel	Sand	Clay & Silt
G	S	C

پیش بینی یک گمانه و مقایسه با اطلاعات واقعی گمانه:

در انتها پس از اجرای برنامه در یک نقطه که اطلاعات لایه بندی آن موجود می باشد نتیجه زیر حاصل گشت که به صورت شماتیک رسم شده است.

با توجه به شکل در پیش بینی در نوع خاک کاملا" صحیح می باشد ودر مورد عمق با دقت خوبی همراه است. لایه SM که در عمق 5.5 متری وجود دارد به صورت لنز موضعی می باشد که مدلسازی قادر به بیان آن نیست البته وجود لنزهای موضعی با توجه به اهداف این پژوهش از اهمیت خاصی برخوردار نیست.

نتیجه گیری:

_ با توجه به نتایج حاصل شده، اطلاعات به دست آمده از شبکه عصبی مصنوعی در بررسی پدیده های ژئوتکنیکی مانند تخمین ضخامت لایه های زمین ، تدوین برنامه عملیات صحرائی ،

تفسیر شرایط زمین و طبقه بندی خاک با استفاده از مشخصات آن از دقت قابل قبولی برخوردار می باشد.

 _استفاده از محیط بسته بجای استفاده از پراکندگی داده ها با نتایج بهتری همراه می باشد.

_با افزایش گمانه ها در حین آموزش شبکه دقت پیش بینی نیز افزایش می یابد.

_قرار دادن  لنزهای موضعی در دسته داده های آموزشی در نتیجه گیری کلی خطا را افزایش داده و توصیه می شود در مدل سازی حذف شود.

_در مواقعی که تمرکز گمانه ها در یک ناحیه داریم ونقطه ای که می خواهیم لایه بندی خاک آن را مشخص کنیم نیز در همین ناحیه قراردارد توصیه می شود مدل سازی در اطراف همین ناحیه به صورت محیط بسته  صورت گیرد و از گمانه های دور از این ناحیه در مدل سازی استفاده نشود.

_در مواقعی که گما نه ها به صورت تقریبا" یکنواخت پراکنده شده اند اگر در نقطه ی خاصی تمرکز گمانه داشته باشیم ونقطه ای که می خواهیم لایه بندی خاک آن را مشخص کنیم دور از محل تمرکز موضعی باشد توصیه می شود یک گمانه ازمحل تمرکز در مدلسازی استفاده گردد در غیر این صورت تغییرات ایجاد شده در تابع وزن باعث افزایش خطا میگردد.

_لنزهای موضعی در پیش بینی نرم افزار دیده نمی شود.

1.Ameskamp M., (1997) “Three dimensional rule-based continuous soil modeling”, PhD dissertation, Tech. Rep. 9701, Faculty of Engineering, Kiel University, Kiel, Germany

2.Banimahd M., Prediction of Undrained behavior of fine sands using Artificial Neural Networks, Master’s dissertation, Tarbiat Modarres University, Tehran, Iran 2002.

3.Cal Y., (1995) “Soil Classification by Neural Networks”, Advances in Engineering Software 22 (1995), Elsevier Science Publications,  pp. 95-97.

4 . نوری،یوسف،;(1380)" معرفی شبکه های عصبی مصنوعی و کاربرد آن در ژئوتکنیک " سمینارکارشناسی ارشد، دانشگاه مازنداران،

5. حسینی، سید سجاد(1382)،" معرفی شبکه های عصبی مصنوعی و کاربرد آن در عمران" سمینار کارشناسی ارشد،دانشگاه مازنداران.