Yapay Sinir Ağları Yöntemi Kullanılarak Şev Stabilitesinin İncelenmesi

dc.contributor.advisor Ural, Derin N. tr_TR
dc.contributor.author Tolon, Mert tr_TR
dc.contributor.department Deprem Mühendisliği tr_TR
dc.contributor.department Earthquake Engineering en_US
dc.date 2007 tr_TR
dc.date.accessioned 2015-09-02T07:50:07Z
dc.date.available 2015-09-02T07:50:07Z
dc.description Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2007 tr_TR
dc.description Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2007 en_US
dc.description.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. tr_TR
dc.description.abstract 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. en_US
dc.description.degree Yüksek Lisans tr_TR
dc.description.degree M.Sc. en_US
dc.identifier.uri http://hdl.handle.net/11527/8818
dc.publisher Fen Bilimleri Enstitüsü tr_TR
dc.publisher Institute of Science and Technology en_US
dc.rights İTÜ tezleri telif hakkı ile korunmaktadır. Bunlar, bu kaynak üzerinden herhangi bir amaçla görüntülenebilir, ancak yazılı izin alınmadan herhangi bir biçimde yeniden oluşturulması veya dağıtılması yasaklanmıştır. tr_TR
dc.rights İTÜ theses are protected by copyright. They may be viewed from this source for any purpose, but reproduction or distribution in any format is prohibited without written permission. en_US
dc.subject yapay sinir ağları tr_TR
dc.subject şev tr_TR
dc.subject stabilite tr_TR
dc.subject Artificial neural network en_US
dc.subject slope en_US
dc.subject stability en_US
dc.title Yapay Sinir Ağları Yöntemi Kullanılarak Şev Stabilitesinin İncelenmesi tr_TR
dc.title.alternative Artificial Neural Network Approaches For Slope Stability en_US
dc.type Thesis en_US
dc.type Tez tr_TR
Dosyalar
Orijinal seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.alt
Ad:
7166.pdf
Boyut:
1.37 MB
Format:
Adobe Portable Document Format
Açıklama
Lisanslı seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.placeholder
Ad:
license.txt
Boyut:
3.14 KB
Format:
Plain Text
Açıklama