برخی از منابع:

کاوه، ع، ایران منشی، ع، شبکه های عصبی مصنوعی در بهینه سازی سازهها، مرکز تحقیقات ساختمان و مسکن، ۱۳۷۸.

Demuth, H., and Beale, M., Neural Network Toolbox User’s Guide, Ver. 3, The Mathworks, 1988

Gangopadhyay S., Gautam, T. R., and Gupta, A. D., “Subsurface Characterization Using Artificial Neural Network and GIS’’, Journal of Computing in Civil Engineering—ASCE, Vol. 13, No. 3, pp. 153-161, 1999.

Hornik, K., Stinchcombe, M., and White, H., “Multilayer Feed Forward Networks Are Universal Approximators”, Neural Networks, Vol. 2, pp. 359-366, 1989.

مقدمه
مهندسی ژئوتکنیک شامل مطالعه خصوصیات لایه های زمین برای اهداف ساخت و ساز می باشد که در این زمینه شناسایی تحت الارضی (SubSurface Exploration) یا کاوشی -Site Investigation) J) یک پیش نیاز اساسی و ضروری است که بوسیله ان موقعیتهای زمین شناسی، پارامترهای ژئوتکنیکی و اطلاعات مربوط دیگر که در روند ساخت و ساز و عملکرد مهندسی ژئوتکنیک مؤثر باشد بدست اورده می شود. بنابراین زمین شناسی خاک (Soil Geology) یک منطقه نقشی مهمی در تخمین پارامترهای ژئوتکنیکی ان منطقه و در نتیجه طراحی اقتصادی اجزای زیر سازهای بویژه برای سازههای مهم و بزرگ ایفا می کند. برای تعیین زمین شناسی خاک یک منطقه، نیاز به کاوشهای محلی و از جمله حفر گمانه های متعدد در سطح منطقه می باشد. با استفاده از گمانه ها، اطلاعات مختلفی درباره بافت خاک و خواصی ژئوتکنیکی لایه های از طرفی تعداد و عمق گمانه ها از نظر اقتصادی توجیه پذیر نمیباشد. ضمن اینکه ارزش اطلاعات جدید از گمانه های بعدی ممکن است در حد زیادی نباشد.
توزیع فضائی لایه های زمینشناسی و پارامترهای ژئوتکنیکی خاک یک منطقه بوسیله پارامترهای متعددی همچون ساختار زمین شناسی، نوع شکل گیری، درجه هوازدگی و … در یک فرایند پیچیده زمین شناسی مشخص می گردد. تعداد زیادی از این پارامترها بخوبی تعریف نشده اند و نمی توانند در یک مدل ریاضی قابل استفاده، اورده شوند و هرگونه تلاشی برای مدل کردن توزیع فضایی پارامترهای مذکور نیازمند ساده سازی ها و فرضیات زیادی در این زمینه می باشد(Zhou& Wu, )
از طرفی شبکه های عصبی قابلیت یادگیری داشته و دارای توانایی شگرفی در حال بازشناسی یک الگوی معین و همچنین مسائل برازشی (Mapping) توابع غیرخطی هستند و می توانند به عنوان یک تسهیل کننده در توسعه روشی برای مدل کردن متغیرهای فضایی در یک منطقه بکار برده شوند. در روشی شبکه های عصبی هیچ فرضی درباره فاکتورها و یا روابط مربوط به متغیرهای فضایی مختلف لازم نیست در نظر گرفته شود و مهمتر از ان اینکه دادههای منطقه به صورت ۹ مستقیم برای اموزشی به شبکه داده می شود. با ارائه دادههای کافی ۹ آموزش متناسب، شبکه می تواند رابطه بینی ورودیها خروجی ها را تشخیص داده و سپس برای نقاط دیگر تعمیم (Generalization) دهد.
هدف اصلی این تحقیق اینست که با داشتن اطلاعات زمین شناسی و ژئوتکنیکی موجود از یک منطقه که از پروفیل های گمانه های حفر شده بدست آمده است، روندی ساده و بهینه پیشنهاد گردد تا با استفاده مناسب از شبکه های عصبی، وضعیت زمین شناسی و اطلاعات ژئوتکنیکی مهمی همچون جنسی لایه های خاک، چسبندگی و زاویه اصطکاک داخلی خاکی دار نقاط ۹ عمق های مختلف منطقه مورد نظر که دار آنجا گمانه حفر نشده است، بالا دست آورده شود ۹ پروفیل آن مشخصی گردد. در ادبیات موضوع، این مورد، از زمینههایی است که کمتر به ان پرداخته شده است. از جمله کارهای مشابه S, eu , Kumar (2000) 3 Gango Padhyay (1999). Zhuo & Wu (1994) gl:gs

اطلاعات مورد استفاده
جهت انجام این تحقیق از اطلاعات و داده های گمانه های حفر شدہ در مسیر متروی اصفهان استفاده شده است. تعداد گمانه های مورد استفاده ۳۱ عدد می باشد. هر گمانه دارای اطلاعاتی نظیر مختصات X و Y نسبت به یک نقطه ثابت، تراز سطح زمین، تراز بین لایه های مختلف و جنس خاک لایه ها است که جنسی لایه های خاک در هر گمانه بر اساس روشی BSCS دسته بندی شده است. این گمانه ها در مسیر شمالی – جنوبی در محدوده مرکزی شهر اصفهان قرار دارند، ولیکن کاملا بر روی یک مسیر مستقیم قرار ندارند و در نظر گرفتن مختصات این گمانه ها نسبت به یک نقطه ثابت غیر واقع بر این مسیر، باعث یک رفتار کلی با این گمانه ها شده است.
در بعضی از گمانه ها تنوع زیاد در جنسی، ضخامت و پارامترهای ژئوتکنیکی لایه ها باعث میگردد ارتباط بین گمانه ها بسیار پیچیده و پراکندگی دادهها زیاد شود. بطور مثال، یک لایه خاک در یک گمانه وجود دارد ولی در گمانه های مجاور وجود ندارد و یا در یک گمانه تغییرات جنسی و دانهبندی خاک از یک لایه به لایه دیگر بسیار زیاد است. بدین جهت لایه های با ضخامت زیاد به چندین لایه با ضخامت کمتر و نزدیک به هم (با همان جنسی خاک) تبدیل شده است تا با تغییرات زیاد ترازها، بر دقت دادهها و همچنین بر تعداد دادههای آموزشی افزوده گردد.

از آنجایی که جنسی خاکهای مختلف به صورت کاراکتر (نماد) می باشد، لازم است به هر جنسی خاک یک عدد یا کد اختصاص داده شود. بدین منظور به هر یک از دسته بندی های روشی BSCS که دادههای گمانه ها بر اساسی این روش د دسته بندی شده است، یک عدد مطابق جدول ۱ اختصاص می یابد، به صورتی که متناسب با تغییر جنس خاکی (براساس اندازهٔ دانه های ان) یک عدد به ترتیب از ۱ الی ۲۱ تعلق میگیرد. این امر کمک شایانی در مرحله های اموزشی و ازمایشی همانطور که دار جدول \ نیز مشخصی می باشد، دسه مورد آخر که بطور مجزا نشان داده شده است جزو دسته بندی های BSCS نیست، بلکه بدلیل وجود این موارد در بعضی گمانه ها، به هر یک از آنها نیز یک عدد، در ادامه بقیه، اختصاص داده شده است.

معرفی شبکه های عصبی
شبکه های عصبی مصنوعی با الهام از سیستم مغز و سلولهای عصبی (نرون) جانوران به وجود آمدهاند. شبکه های عصبی مصنوعی، نسبت به شبکه های عصبی بیولوژیکی محدوده بسیار کوچکتری را پوشش میدهند و توانائی و قابلیت بسیار کمتری نسبت به شبکه های عصبی بیولوژیکی دارند. انچه عملا مورد توجه است توانائی محاسباتی شبکه درانجام یک فعالیت خاصی، همانند تقریب زدن یک تابع می باشد (۱۹۸۸ ,Demuth & Beale).
بر اساسی مشخصات یک نرون بیولوژیکی، خصوصیات یک پردازشگر عصبی مصنوعی به شرح زیر تعریف می گردد:
۱- هر پردازشگر علائم متعددی را دریافت می نماید.
۲- علائم دریافتی با اعمال وزن معین می گردند.
۳_ ورودی هائی که برانها وزن اعمال شده است، دار واحد پردازشگر جمع می شوند.
۴- واحد پردازشگر علائم را به خارج انتقال میدهد.
۵- خروجی از یک پردازشگر ممکن است به تعداد زیادی واحد پردازشگر دیگر انتقال یابد.
از طرفی خصوصیات مشخص کننده یک شبکه عصبی عبارتند از:
الف) ساختار شبکه که وضعیت نرونها دار لایه ها و نحوہ ارتباط ببن لایه ها را نشان می دهید و بدو صورت معمولی ۹ کامل می باشد. نوع معمولی همان ساختار معروف MLP است ولیکن در نوع کامل تمام نرون های هر لایه دارای ورودی از تمامی نرونهای لایه های قبلی خود (به ترتیب از لایه اولی تا لایه قبلی خود) می باشند.
ب) لایه ورودی که محلی وارد شدن اطلاعات مساله مورد نظر به شبکه می باشد و بنابراین انتخاب نوع و تعداد ورودیهای شبکه عصبی اثر قابل ملاحظه ای در کیفیت عملکرد شبکه و همچنین نحوهٔ استفاده از آن دارد. همچنین باید پارامترهای ورودی شبکه به صورتی باشند که محدودیتی در بدست آوردن آنها وجود نداشته باشد یا به عبارتی عملی باشد. از طرف دیگر باید از انتخاب تعداد زیاد و غیر ضروری و همچنین غیر مستقلی پارامترهای ورودی خودداری نمود زیرا این امر باعث پیچیدگی بیش از حد شبکه و عملکرد نامناسب آن خواهد شد (۱۹۸۹ Hornik et al).
ج) لایه مخفی که در حقیقت از عناصر مهم در سازماندهی عملکرد یک شبکه عصبی می باشد. مهمترین پارامترهایی که در مورد لایه مخفی یک شبکه عصبی از اهمیت بسزائی برخوردار هستند، تعداد لایه مخفی و همچنین تعداد نرون در هر لایه مخفی می باشد. بر اساس تجربیات، در حالت کلی هیچ دلیلی برای استفاده از دو لایه مخفی بجای یک لایه مخفی وجود ندارد، مگر در موارد بسیار مبهم ومشکوک (۱۹۹۰ ,Shea & Liu). همچنین بهترین تعداد نرون لایه مخفی بطور پیچیده ای بستگی دارد به: تعداد ورودیها و خروجی های شبکه عصبی، تعداد داده های آموزشی، میزان اختلال در دادهها، پیچیدگی تابع مورد اموزشی، ساختار شبکه، الگوریتم اموزشی و ….
د) لایه خروجی که نتیجه عملکرد شبکه عصبی مورد نظر ظاهر می گردد، بنابراین باید پارامتری (پارامترهائی) بعنوان خروجی شبکه استفاده شود که باید در مساله مورد تظر پیش بینی گردد.
ه( نرمالیزه کردن دادههای ورودی: ۵ آنجائی که ورودیهای شبکه دارای مقادیر بسیار متفاوتی می باشند، ممکن است این تفاوتها ناخواسته اثرات غیر واقعی بر روی وزن های شبکه عصبی داشته باشند، بدین ترتیب که مقادیر بسیار بزرگتر بدون دلیل اثرات قابل توجهی بر روی وزن های شبکه می گذارند و باعث کاهش کارائی و تعمیم دهی مناسب شبکه می شود. بنابراین باید دادههای ورودی، قبل از وارد شدن به شبکه به صورتی در بیایند تا ورودیهای با مقادیر بزرگتر نسبت به ورودیهای کوچکتر که دارای همان درجه اهمیت و یا حتی اهمیت بالاتری هستند، دارای اثرات بیشتری نباشند. بدین منظور، دادههای ورودی قبل از اینکه وارد شبکه عصبی شوند، بوسیلهٔ توابعی، نرمالیزه می شوند. دو روشی برای نرمالیزه کردن دادهها بیشتر مورد استفاده قرار می گیرند که عبارتند از: روشی “میانگین – انحراف معیار” و روشی “حد اکثر = حداقل”. روابط این روشها بترتیب دار ذیل آمده است.

و) تابع تحریک هر نرون که برای تعیین خروجی ناشی از جمع ورودیهای وزن دار شده آن نرون می باشد. برای نرونهای لایه ورودی، این تابع، یک تابع واحد (Identity Function) است بدین معنی که خروجی از نرون برابر با ورودی آن می باشد. عموماً برای تمامی نرونهای یک لایه، تابع تحریک یکسان انتخاب می گردد اگر چه چنین شرطی لزومی ندارد. در اکثر موارد یک تابع تحریک غیرخطی همچون تابع تحریک سیگموئید بکار گرفته می شود.
ز) روش اموزش شبکه که در سه مرحله صورت می گیرد: الف) ارائه زوجهای آموزشی به شبکه در نرونهای ورودی و خروجی شبکه ب) محاسبه خطای شبکه و برگشت و انتشار برعکسی خطا در شبکه (بویژه در قانون اموزشی انتشار برگشتی Back Propagation) ج) اصلاح وزنها در جهت کاهش خطای شبکه.
بعد از اینکه شبکه آموزش داده شد، فقط مرحله اول دادن اطلاعات انجام می گیرد بدین معنی که دادن اطلاعات فقط یک سویه از سمت واحدهای ورودی انجام می گیرد. با وجود اینکه به هنگام آموزش، سرعت همگرائی ممکن است بسیار کم باشد و زمان قابل ملاحظه ای برای اموزشی شبکه صرف شود، پس از اموزش سرعت شبکه زیاد بوده و پاسخ به دادهها به سرعت انجام می گیرد (کاوه، ایران منشی، ۱۳۷۸).