Journals / Yerbilimleri / 2015 / Cilt: 36 - Sayı: 2

Yapay Sinir Ağı Kullanılarak CPT Tabanlı Sıvılaşma Değerlendirme Abağının Geliştirilmesi.

Pages
45–59
Publication Date
2015-12-23
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Öğrenme sonrasında ANNmodeliyle tüm abağı kapsayarak üretilen veri seti kullanılarak CPT tabanlı sıvılaşma değerlendirme abağı geliştirilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Depremler sırasında suya doygun kohezyonsuz (veya düşük kohezyonlu) zeminlerde gelişen sıvılaşma olayı etkilediğialanlarda yapısal hasarları arttırarak çok sayıda can ve mal kayıplarına neden olmaktadır.
📊
Key Findings & Data:Bu ampirik yaklaşımlarınşekillendirilmesinde kullanılan veriler sıvılaşmaya duyarlı alanlarda meydana gelen depremler sonucunda eldeedildikleri için, yapay olarak üretilmeleri zor olup, bu nedenle verilerin bilimsel değerleri de oldukça yüksektir.
💡
Conclusion & Impact:Öğrenme sonrasında ANNmodeliyle tüm abağı kapsayarak üretilen veri seti kullanılarak CPT tabanlı sıvılaşma değerlendirme abağı geliştirilmiştir.
🔬Design:Modeling & Simulation
📍Scope:2004 Verileri
⚙️Variables:Sıvılaşma · standart penetrasyon testi · konik penetrasyon testi

Özet

Depremler sırasında suya doygun kohezyonsuz (veya düşük kohezyonlu) zeminlerde gelişen sıvılaşma olayı etkilediğialanlarda yapısal hasarları arttırarak çok sayıda can ve mal kayıplarına neden olmaktadır. Yeraltı su seviyesininyüzeye yakın olduğu ve depremselliği yüksek bölgelerdeki suya doygun kumlu ve siltli toprak zeminlerin,sıvılaşmaya olan yatkınlığı bilinmektedir. Bununla birlikte, bu tür zeminlerde zeminin sıkılığını da yansıtan standartpenetrasyon testi (SPT) ve/veya konik penetrasyon testi (CPT), makaslama dalgası hızı (Vs) gibi yerinde uygulanandeney verilerinin de girdi olarak kullanıldığı yöntemlerle zeminlerin sıvılaşmaya karşı güvenlik katsayısı (FL) hesaplanabilmektedir.SPT, CPT ve Vs verilerini girdi olarak kullanan bu yöntemler ampirik yaklaşımlar olup, her ampirikyöntemde olduğu gibi artan veri sayısına bağlı olarak bu yöntemler de gelişmeye açıktırlar. Bu ampirik yaklaşımlarınşekillendirilmesinde kullanılan veriler sıvılaşmaya duyarlı alanlarda meydana gelen depremler sonucunda eldeedildikleri için, yapay olarak üretilmeleri zor olup, bu nedenle verilerin bilimsel değerleri de oldukça yüksektir. SPT,CPT ve Vs verilerinin girdi olarak kullanıldığı üç yöntemde de sıvılaşmanın varlığı ile yokluğu arasındaki sınır eğrilerimevcut gerçek verilere uydurularak çizilmiş olup, analizlerde kullanılmak üzere bazı eşitliklerle tanımlanmışlardır.Diğer bir ifadeyle, bu eğrisel sınırların çizilmesinde analitik (veya bir hesabı dikkate alan) yaklaşımdan ziyade veriyedayalı uzmanların görüşleri kullanılmıştır.Bu çalışma kapsamında, 1999 yılında Tayvan’daki Chi-Chi depremi sonrasında CPT deneylerinin de yapıldığı, sıvılaşmagözlenen ve gözlenmeyen sahalara ait olan ve Ku vd. (2004) tarafından raporlanan veri tabanı kullanılmıştır.Robertson ve Wride (1998) tarafından önerilen CPT tabanlı yaklaşımdaki normalize edilmiş konik uç direnci (qc1N)ve çevrimsel gerilim oranı (CSR7.5) girdi parametreleri olarak kullanılırken, sıvılaşmanın varlık (1) ve yokluk (0) bilgisiise çıktı olarak kullanılmıştır. qc1N ve CSR7.5 girdilerine bağlı olarak sıvılaşmanın varlığı (1) veya yokluğu (0) bilgisineanalitik olarak ulaşmak için son yıllarda yerbilimleri alanında da başarıyla uygulanan yapay sinir ağı (Artificial NeuralNetwork, ANN) öğrenme yöntemi kullanılmıştır. Öğrenme aşamasının devamında ise CPT tabanlı abaktaki qc1N veCSR7.5 değerlerinin olası kombinasyonları ANN modelinde girdi parametresi olarak kullanılarak 1 ile 0 arasında çıktıolarak elde edilen sıvılaşma varlığı veya yokluğuna yatkınlık değerleri ile hesaplanmıştır. Öğrenme sonrasında ANNmodeliyle tüm abağı kapsayarak üretilen veri seti kullanılarak CPT tabanlı sıvılaşma değerlendirme abağı geliştirilmiştir.

🔖

Cite This Article

SÖNMEZ, B., DAĞDELENLER, G., ÖZCAN, N. T., ERCANOĞLU, M., SÖNMEZ, H. (2015). Yapay Sinir Ağı Kullanılarak CPT Tabanlı Sıvılaşma Değerlendirme Abağının Geliştirilmesi.. Yerbilimleri, Cilt: 36 - Sayı: 2, 45–59. https://ajindex.com/articles/711191

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Aksoy, H., ve Ercanoğlu, M., 2006. Determina- tion of the rockfall source in an urban settlement area by using a rule-based fuzzy evaluation, Natural Hazards and Earth System Science, 6, 941-954.
  2. Alvarez Grima, M., 2000. Neuro-fuzzy Modelling in Engineering Geology, Balkema, Rot- terdam, 244p. Ambraseys, N., 1985. Intensity-attenuation and magnitude-intensity relationships for northwest European earthquakes. Journal of Earthquake Engineering & Structural Dynamics, 3, 733-778.
  3. Andrus, R. D., ve Stokoe, K. H., 2000. Liquefac- tion resistance of soils from shear-wave velocity, Journal of Geotechnical and Geoenviromental Engineering, ASCE, 126, 11, 1015-1025.
  4. Arango, I., 1996. Magnitude scaling factors for soil liquefaction evaluations, Journal of Geotechnical Engineering, ASCE, 122, 11, 929-936.
  5. Aydan, Ö., Ulusay, R., Kumsar, H. ve Tuncay, E., 2000. Site investigation and enginee- ring evaluation of the Düzce-Bolu Eart- hquake of November 12, 1999,
  6. Turkish Earthquake Foundation, TDV/DR 095- 51, 307. Basheer, I.A., ve Hajmeer, M., 2000. Artificial neural networks: fundamentals, com- puting, design, and application, Journal of Microbiological Methods, 43, 3-31.
  7. Çetin, K.Ö., Der Kiureghian, A., ve Seed, R.B., 2002. Probabilistic models for the initi- ation of seismic soil liquefaction, Struc- tural Safety, 24, 67-82.
  8. Çetin, K.Ö. ve Ozan, C., 2009. CPT-Based Probabilistic Soil Characterization and Classification, Journal of Geotechnical and Geoenvironmental Engineering, 135, 1, 84-107.
  9. Ercanoğlu, M., 2005. Landslide susceptibility assessment of SE Bartın (West Black Sea Region, Turkey) by artificial neural networks, Natural Hazards and Earth System Science, 5, 979-992.
  10. Ermini, L., Catani, F., ve Casagli, N., 2005. Arti- ficial Neural Networks applied to land- slide susceptibility assessment, Geo- morphology, 66, 327-343.
  11. Goh, A.T.C., Wong, K.S., ve Broms, B.B., 1995. Estimation of lateral wall movements in braced excavations using neural net- works, Can Geotechnical Journal, 32, 1059-1064.
  12. Gomez, H., ve Kavzoğlu, T., 2005. Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela, Engineering Geology, 78, 11-27.
  13. Hecht-Nielsen, R., 1987. Kolmogorov’s map- ping neural network existence theorem, Proceedings of the First IEEE Interna- tional Conference on Neural Networks, USA, 11-14.
  14. Huang, Y., ve Wanstedt, S., 1998. Application of Kalman learning algorithm multila- yer neural network to estimates of ore grades