ارائه مدل‌هایی برای تخمین شاخص قابلیت فشردگی(Cc) در خاک‌های ریزدانه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری زمین­شناسی مهندسی، دانشگاه فردوسی مشهد

2 استاد گروه زمین شناسی مهندسی دانشگاه فردوسی

3 2. استاد گروه زمین­شناسی مهندسی، دانشگاه فردوسی مشهد

4 استاد گروه زمین شناسی مهندسی

چکیده

قابلیت فشردگی(Compressibility) توده خاک یکی از مهمترین پارامترهای خاک می­باشد که برای طراحی­های ژئوتکنیک ضروری است. با توجه به اینکه تعیین شاخص قابلیت فشردگی از آزمایش تحکیم نسبتاً وقت­گیر است محاسبه این شاخص از فرمول­های تجربی بر اساس خصوصیات خاک می­تواند مفید باشد. در طی دهه­های اخیر، چندین رابطه تجربی برای تخمین قابلیت فشردگی با استفاده از پارامترهایی مانند درصد رطوبت طبیعی، حد روانی، شاخص خمیری، وزن مخصوص و دیگر پارامترهای خاک ارائه شده است. در این تحقیق ابتدا بر اساس داده‌های 115 مورد مطالعه از 8 سایت در نقاط مختلف کشور به کمک رگرسیون ساده و چند متغیره روابط تجربی برای ارتباط بین شاخص قابلیت فشردگی و دیگر پارامترهای خاک مانند حد روانی، حد خمیری، شاخص خمیری، نسبت پوکی در حد روانی و نسبت پوکی در حد خمیری پیشنهاد شد. سپس به عنوان روش جایگزین یک مدل شبکه عصبی مصنوعی برای تخمین شاخص قابلیت فشردگیارائه گردید. شاخص قابلیت فشردگی به عنوان تابعی از 5 پارامتر شامل شاخص خمیری، درصد ذرات ریزدانه، نسبت پوکی در حد روانی، نسبت پوکی در حد خمیری و وزن مخصوص مدل شد. در نهایت مدل‌های ارائه شده با هم مقایسه گردید. نتایج نشان داد که مدل شبکه عصبی از عملکرد بهتری نسبت به روابط تجربی دیگر برای پیش­بینی شاخص قابلیت فشردگی خاک‌های ریزدانه برخودار می­باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Offering models for estimation of compressibility coefficient in fine grain soils

نویسندگان [English]

  • Mohammad Kazem Amiri 1
  • Gholamreza Lashkaripour 2
  • Mohammad Ghafoori 3
  • Naser Hafezi Moghaddas 4
1 MSc Student, Engineering Geology Department, Ferdowsi University, Mashhad-Iran.
2 Professor, Engineering Geology Department, Ferdowsi University, Mashhad-Iran.,
3 2. Professor, Engineering Geology Department, Ferdowsi University, Mashhad-Iran.,
4 Professor, Engineering Geology Department, Ferdowsi University, Mashhad-Iran.,
چکیده [English]

The compression index of soil masses is one of the important soil parameters that is essential for geotechnical designs. As the determination of the compression index from consolidation tests is relatively time-consuming, empirical formulas based on soil parameters can be useful. Over the decades, a number of empirical formulas have been proposed to relate the compressibility to other soil parameters, such as the natural water content, liquid limit, plasticity index, specific gravity, and others. In this study, first by simple and multi linear regression based on 115 case study, empirical formulas proposed to relate the compressibility to other soil parameters, such as the, liquid limit, plastic limit, plasticity index, void ratio at liquid limit, void ratio at plastic limit. An alternative approach, an artificial neural network (ANN) model, is proposed to estimate the compression index with numerous consolidation test sets. The compression index was modeled as a function of five variables including the plastic index, clay fraction, void ratio at liquid limit, void ratio at plastic limit and specific gravity. Finally, comparison between proposed models carried out. The ANN model has a significantly better performance than the empirical equations for the soil compression index.

کلیدواژه‌ها [English]

  • Fine grained soils
  • Soil compression index
  • Soil index properties
  • Simple and multi linear regression
  • Artificial Neural Network

شرکت مهندسین مشاور راه و پل هامون، گزارش مطالعات ژئوتکنیکی مرکز پیش دانشگاهی راه زینب زابل، آبان 1389.

شرکت مهندسین مشاور راه و پل هامون، گزارش مطالعات ژئوتکنیکی مرحوم سارانی زاهدان، تیر 1387.

شرکت مهندسین مشاور راه و پل هامون، گزارش مطالعات ژئوتکنیکی دبستان بعثت فردانبه چهارمحال و بختیاری، تیر 1387.

شرکت مهندسین مشاور راه و پل هامون، گزارش مطالعات ژئوتکنیکی مدرسه فدک شاهرود، شهریور 1387.

شرکت مهندسین مشاور راه و پل هامون، گزارش مطالعات ژئوتکنیکی دبستان خانم بیهان شیرازی قم، تیر 1389.

شرکت مهندسین مشاور راه و پل هامون، گزارش مطالعات ژئوتکنیکی مدرسه انبیاء قم، تیر 1389.

شرکت مهندسین مشاور راه و پل هامون، گزارش مطالعات ژئوتکنیکی مدرسه راهنمایی شاهد تنکابن، خرداد 1388.

شرکت مهندسین مشاور راه و پل هامون، گزارش مطالعات ژئوتکنیکی هنرستان کارودانش شهیدان کارگران فریدونکنار، خرداد 1388.

شرکت مهندسین مشاور راه و پل هامون، گزارش مطالعات ژئوتکنیکی مدرسه راهنمایی شبانه­روزی سمائیان آبیک، مهر 1390.

شریفی، ج.، نیکودل، م.ر.، ایزدی، ه.، 1390. مدل سازی اعداد چکش اشمیت با استفاده از شبکه‌های عصبی مصنوعی برای پیش‌بینی دقیق‌تر مقاومت بتن، مجموعه مقالات ششمین کنگره ملی مهندسی عمران، دانشگاه سمنان، 6تا 7 اردیبهشت، 111-119.

شریفی، ج، نیکودل م.ر.، پیش‌بینی مقاومت بتن حاوی سنگدانه‌های مختلف با استفاده از آزمون‌های غیرمخرب از طریق مدل‌سازی در شبکه‌های عصبی مصنوعی، دوره 9، شماره 3، پاییز 1394، صفحه 1-2.

منهاج، م.ب.، 1379. هوش محاسباتی، جلد اول: مبانی شبکه­های عصبی، ویرایش اول، انتشارات دانشگاه صنعتی امیرکبیر، تهران.

Azzouz, A.S., Krizek, R.J., Corotis, R.B., 1976. Regression analysis of soil compressibility. Soils Found 16(2), 19–29

Carter, M., Bentley, S.P., 1991. Correlation soft Soil Properties. Pentech Press, London.

Cozzolino, V.M., 1961. Statistical forecasting of compression index. In: Proceedings of the Fifth International Conference on Soil Mechanics and Foundation Engineering, Paris,vol.1,pp.51–53.

Gregory,A.S.,Whalley,W.R.,Watts,C.W.,Hallett,P.D.,Whitmore,A.P.,Bird,N.R.,2006.Calculation of the compression index and precompression stress from soil compression test data. Soil Till age Res.89,45–57.

Gulhati, S.K., Datta, M., 2005. Geotechnical Engineering. Tata McGraw Hill Publishing Company Limited, New Delhi.

Haykin, S., (1999), “Neural Networks a Comprehensive Foundation”, Prentice Hall, 2nd Edition

Herrero, O. R., 1983.Universal compression index equation; closure. J. Geotech. Eng. Div. ASCE109 (5), 755–761.

Hong-Guang, N., Ji-Zong W., (2000),”Prediction of compressive strength of concrete by neural networks”, Cement and Concrete Research 30, 1245- 1250

Koppula, S.D., 1981.Statistical estimation of compression index.Geotech.Test.J.4 (2), 68–73.

Mayne, P.W., 1980.Cam-clay predictions of undrained strength. J. Geotech. Eng. Div. ASCE 106(11), 1219–1242.

Mohammadzadeh S, D., Bolouri Bazaz, J., Alavi, A., 2014.  An evolutionary computational approach for formulation of compression index of fine-grained soils, Engineering Applications of Artificial Intelligence, 33(1), 58-68.

Miguel Rocha, P.C., and Neves, J., Manicom-Ramsamy, J., 2007- Evolution of neural networks for classification and regression, Neurocomputing, 70p.

Nagaraj, T.S., Murty, B.R.S., 1985. Prediction of the preconsolidation pressure and recompression index of soils. Geotech. Test .J. 8(4), 199–202.

Nishida, Y., 1956. A brief note on compression index of soils. J. Soil Mech. Found. Div., ASCE 82 (SM3) (1027-1-1027-14).

Park, H., Lee, S.R., 2011. Evaluation of the compression index of soils using an artificial neural network.Comput.Geotech.38, 472–481.

Rani, C.H.S., Kumar, V.P., Togati, V.K., 2013. Artificial neural networks (ANNS) for prediction of engineering properties of soils. Int .J. Innov. Technol. Explor. Eng. (IJITEE) 3(1), 123–130.

Singh, A., Noor, S., 2012. Soil compression index prediction model for fine grained soils. Int.J.Innov.Eng.Technol. (IJIET) 1 (4), 34–37.

Skempton, A.W., 1944. Notes on the compressibility of clays. Quart .J. Geol. Soc. Lond. 100,119–135

Sower, G.B., 1970. Introductory Soil Mechanics and Foundation, 3rd ed. The Macmillan Company of Collier-Macmillan Ltd, London.

Terzaghi, K., Peck, R.B., 1967. Soil Mechanics in Engineering Practice. John Wiley & Sons Inc., New York.

Tiwari, B.T., Ajmera, B., 2012 .New correlation equations for compression index of remolded clays. J. Geotech. Geoenviron. Eng. 138(6), 757–762.

Wroth, C.P., Wood, D.M., 1978.The correlation of index properties with some basic engineering properties of soils.Can.Geotech.J.15, 137–145.