Endokronik Model Üzerine Yapay Sinir Ağları İle Bir Uygulama

Abstract

Bu çalışmada, endokronik modelde malzemenin içsel yapısını temsil ettiği Ansal(1977) tarafından ortaya koyulan ve endokronik formülasyonda on adet olarak belirlenen ve ilk değerleri belli olmayan malzeme parametrelerinin tahmininde yapay sinir ağlarının kullanılabilirliği araştırılmıştır. Bir malzeme için belirlenen malzeme parametrelerinin diğer malzemelere uyarlanamaması endokronik teorinin dezavantajı olarak gösterilmektedir. Bu amaçla 9 adet farklı zemine ait sabit üç eksenli basınç deneylerini kullanarak yapay sinir ağının eğitiminde kullanılmak üzere veri tabanı hazırlayan bir C++ programı yazılmıştır. Program üretilen veri miktarı istenen sayıya(100) gelene kadar rassal malzeme değerleri üretmekte, bu malzeme parametrelerini ve deneylerle belirlenmiş malzeme özelliklerini alarak bunlara endokronik formülasyonu uygulamakta ve son olarak da deney verileri ile model verilerini karşılaştırarak çıkan hata miktarlarını hesaplamaktadır. Eğer hata miktarı istenen değerin altındaysa dosyaya malzeme özelliklerini ve malzeme parametrelerini yazmakta değilse yeni malzeme parametreleri üreterek döngüyü yeniden başlatmaktadır. Böylece oluşturulan veri tabanı ile hata geriye yayma metodu yapay sinir ağı eğitilmiştir. Bu aşamada girdi olarak malzeme özelliklerini belirleyen parametreler ve malzemenin deneylerle belirlenmiş özellikleri, çıktı olarak ise hata miktarları kullanılmıştır. Eğitimin ardından yapay sinir ağına eğitim aşamasında kullanılmayan bir deneye ait malzemenin özellikleri girilerek modellemede ortaya çıkacak hata miktarlarının tahmini istenmiş, ve elde edilen sonuçlar gerçek modelleme sonuçları ile grafiksel olarak karşılaştırılarak, tartışmaya sunulmuştur.

In this study it has been searched that if neural networks can build a healthy relationship between actual test datas and the material parameters which are thought to be representitive for the internal structure of the material and according to Ansal’s(1977) endochronic theory formulations the number of them are determined as ten. Material parameters which are determined for a material in endochronic theory can not be adopted to an another material. This is shown as the disadvantage of the endochronic theory. For this purpose a program which uses 9 different monotonic triaxial test data for to build up a data base for neural networks in training is written in C++. This program propagates material parameters randomly until it reaches to the number that is defined(100), and for this material parameters and the characteristics of the material that is used in the test, it applies the enochronic formulation and in the last step by comparing the test results and the model’s results finds the errors. If the errors are under the value that is defined, it writes the material characteristics and material parameters in a file if errors are above the defined value turns to the beginning of the loop and starts to the same process by propagating new random material parameters. The database which is built up in this way than entered to a neural networks that uses back propagation algorithm. In this part the material characteristics and the endochronic model’s material parameters are represented as inputs and error values are represented as outputs to the neural network. After training the material characteristics of a test which is not used during training are presented to the network to predict the error values. The error values which are predicted and which are found by the actual endochronic model are shown grafically and presented for the discussion.