Yapay Sinir Ağları Yöntemi Kullanılarak Şev Stabilitesinin İncelenmesi

Abstract

Bu çalışmada 170 tane lokal bölgenin şev profili dataları kullanılarak yapay zeka mantığı yaklaşımlarından beş tane yapay sinir ağı mimarisi kullanılmıştır. Bunlar BPNN, geri yayılmalı sinir ağı mimarisi ve GRNN, genel regresyonlu yapay sinir ağı mimarisi, GMDH, gruplama methodu, Kohonen ve PNN, olasılık yöntemidir. Ancak sadece BPNN, geri yayılmalı sinir ağı mimarisi ve GRNN, genel regresyonlu yapay sinir ağı mimarisi model oluşturmakta kullanılmıştır. Bu yaklaşımlarda 9 adet girdi ve 1 tane çıkış parametreleri verilmiştir. Çıkış parametresi şev güvenlik katsayısı olup, girdi parametreleri şev yüksekliği ( H ), şev eğimi ( β ), yeraltı suyu derinliği ( Hw ), sağlam zemin derinliği ( Hb ), kohezyon ( c ), zemin içsel sürtünme açısı ( Φ ), kuru birim hacim ağırlığı ( γ ), düşey ve yatay sismik zemin katsayıları ( Kh , Kv )‘dır. Bu çalışmadaki amaç sismik zemin katsayılarının şev stabilitesindeki önemlerinin incelenmesidir. Sonuç olarak genel regresyon yapay sinir ağı modelinin daha başarılı olduğu ve % 92.5 başarı yüzdesine sahip olduğu görülmüş, düşey ve yatay sismik zemin katsayılarının şev yüksekliği, şev eğimi ve yeraltı suyu derinliğinden sonra şev stabilitesindeki etkisinin önemli olduğu görülmüştür.

In this study 170 slope data and their properties are used by Artificial Intelligence approach five neural network approaches architecture These approaches are Back propagation neural network architecture ( BPNN ), General regression neural network ( GRNN ), Group method of data handling ( GMDH ), Kohonen learning paradigm and Probabilistic neural network ( PNN ) architectures. But only 2 of them used, these are the back propagation neural network architecture ( BPNN ) and the general regression neural network ( GRNN ). There are 9 input parameters and 1 output parameter. The output parameter is the factor of the safety of the slopes ( F.S. ), the input parameters are the height of slope ( H ), the inclination of slope ( β ), the height of water level ( Hw ), the depth of firm base ( Hb ), the cohesion of soil ( c ), the friction angle of soil ( Φ ), the unit weight of soil ( γ ), but the important input parameters are horizontal and vertical seismic coefficients ( kh , kv ).Trying to be obtained in this study is to see the importance of the seismic coefficients for a slope stability safety. In conclusion this study shows that general regression neural network (GRNN) approach is more useful model and have % 92.5 success rate for seeing the effect of earthquake for slope stability safety and generally horizontal and vertical seismic coefficients importance seen after the height of the slope ( H ), the inclination of slope ( β ), the height of water level (Hw) importance.