Prediction the Settlement of the Lightweight Road Embankments Using ANN
DOI:
https://doi.org/10.25007/ajnu.v13n2a1518الملخص
The effectiveness of the Artificial Neural Network in modelling the link between the settlement of the embankment and embankment parameters is demonstrated in this study. Data were collected from previous research and the Plaxis 3D program. Eleven factors affecting the settlement of embankments were included in this study. These factors are (Side slope & Height(h) of the embankment), (Axial load, and No. of point axial load), in addition to (γunsat, γsat, Initial void ratio (e), Friction angle (Ø), Cohesion (c), Poisson ratio (ⱱ), and modulus of elasticity (E) which are the properties of the soil under embankment). In the current study, a back-propagation neural network approach was used. The relative importance analysis showed that the soil modulus of elasticity (E) and height (h) of the embankment was the most influential parameters than other inputs. For each training, validation, and testing step, the correlation coefficient R-values of the settlement embankment dataset of the ANN model were obtained to be approximately 0.984. The results revealed the validity of using Artificial Neural Networks to generate settlement embankment soil values.
التنزيلات
المراجع
Marradi, A., et al., The use of lightweight materials in road embankment construction. 2012. 53: p. 1000-1009.
Cai, Y., et al., A combined method to predict the long-term settlements of roads on soft soil under cyclic traffic loadings. 2018. 13(5): p. 1215-1226.
Cui, X., et al., Effects of embankment height and vehicle loads on traffic-load-induced cumulative settlement of soft clay subsoil. 2015. 8(5): p. 2487-2496.
Kim, Z. and C.J.J.o.K.G.S. Lee, Mechanical characteristics of light-weighted foam soil consisting of dredged soils. 2002. 18(4): p. 309-317.
Yoon, G. and B.J.J.o.t.K.G.S. Kim, Compressibility and characteristics of light-weighted foam soil. 2004. 20(4): p. 5-13.
Lu, Z., et al., Evaluation and analysis of the traffic load–induced settlement of roads on soft subsoils with low embankments. 2018. 18(6): p. 04018043.
Liu, H., et al., Performance of a geogrid-reinforced and pile-supported highway embankment over soft clay: case study. 2007. 133(12): p. 1483-1493.
Somantri, A.K. and A. Febriansya. The Effect of EPS Addition to Soil Stabilized with Fly Ash as Lightweight Fill Materials for Embankment Construction. in Journal of Physics: Conference Series. 2019. IOP Publishing.
Goh, A.T.J.J.o.G.e., Seismic liquefaction potential assessed by neural networks. 1994. 120(9): p. 1467-1480.
Shahin, M.A., et al., Predicting settlement of shallow foundations using neural networks. 2002. 128(9): p. 785-793.
Najjar, Y.M. and H.E. Ali. CPT-based liquefaction potential assessment: A neuronet approach. in Geotechnical earthquake engineering and soil dynamics III. 1998. ASCE.
Farrokhzad, F., A. Choobbasti, and A.J.Τ.Ν. Barari, Artificial neural network model for prediction of liquefaction potential in soil deposits. 2010: p. 32.
Al-saffar, R. and S.J.A.-R.E.J. Khattab, Prediction of soil's compaction parameter using artificial neural network. 2013. 21(3): p. 15-27.
Tenpe, A., S.J.I.J.o.S. Kaur, and Research, Artificial neural network modeling for predicting compaction parameters based on index properties of soil. 2015. 4(7): p. 1198-1202.
Uzundurukan, S., S. Nilay Keskin, and T.J.J.o.A.S. Selcuk Göksan, Artificial Neural Network Modelling for Estimation of Suction Capacity. 2005. 5(4): p. 712-715.
Choobbasti, A., et al., Mapping of soil layers using artificial neural network (case study of Babol, northern Iran). 2015. 57(1): p. 59-66.
Shahin, M.A., M.B. Jaksa, and H.R.J.A.g. Maier, Artificial neural network applications in geotechnical engineering. 2001. 36(1): p. 49-62.
Shahin, M.A., M.B. Jaksa, and H.R.J.E.J.o.G.E. Maier, State of the art of artificial neural networks in geotechnical engineering. 2008. 8(1): p. 1-26.
Ripley, B.D., Pattern recognition and neural networks. 2007: Cambridge university press.
Caglar, N., H.J.B.o.E.G. Arman, and t. Environment, The applicability of neural networks in the determination of soil profiles. 2007. 66(3): p. 295-301.
Najemalden, A.M., S.W. Ibrahim, and M.D.J.J.E.S.T. Ahmed, Prediction of collapse potential for gypseous sandy soil using ANN technique. 2020. 15(2): p. 1236-1253.
Mohanty, S., et al., Artificial neural network modeling for groundwater level forecasting in a river island of eastern India. 2010. 24(9): p. 1845-1865.
Singh, T., et al., A neuro-genetic approach for prediction of time dependent deformational characteristic of rock and its sensitivity analysis. 2007. 25(4): p. 395-407.
Garson, D.G., Interpreting neural network connection weights. 1991.
Al-Janabi, K., Laboratory leaching process modeling in Gypseous soils using Artificial Neural Network (ANN). 2006, PhD Thesis, 2006, Building and Construction Engineering Department ….
Yousif, S.T. and A.A.A. Razzak, Artificial neural networks modeling of elasto-plastic plates. 2017: Scholars' Press.
Phutthananon, C., et al., Parametric analysis and optimization of T-shaped and conventional deep cement mixing column-supported embankments. 2020. 122: p. 103555.
Bergado, D., et al., Deep soil mixing used to reduce embankment settlement. 1999. 3(4): p. 145-162.
Haghgouei, H., et al., Semi-analytical study of settlement of two interfering foundations placed on a slope. 2021. 12(2): p. 457-470.
Abusharar, S.W., et al., A simplified method for analysis of a piled embankment reinforced with geosynthetics. 2009. 27(1): p. 39-52.
Zheng, J., et al., The performance of an embankment on soft ground reinforced with geosynthetics and pile walls. 2009. 16(3): p. 173-182.
Duda, A. and T.W.J.T.I.G. Siwowski, Stability and settlement analysis of a lightweight embankment filled with waste tyre bales over soft ground. 2021: p. 1-25.
جمهورية العراق وزارة العمال والسكان. دليل المهندس المقيم للمشاريع الانشائية2015. الطبعة الثانية. من الرابط. https://www.scribd.com/doc/
التنزيلات
منشور
كيفية الاقتباس
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2024 المجلة الأكاديمية لجامعة نوروز
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
بيان الحقوق الفكرية
حقوق التأليف
يوافق المؤلفون الذين ينشرون في هذه المجلة على المصطلحات التالية:
١. يحتفظ المؤلفون بحقوق الطبع والنشر ومنح حق المجلة في النشر الأول مع العمل المرخص له في نفس الوقت بموجب ترخيص المشاع الإبداعي [سيسي بي-نك-ند 4.0] الذي يسمح للآخرين بمشاركة العمل مع الإقرار بحقوق التأليف والنشر الأولي في هذه المجلة.
٢. يمكن للمؤلفين الدخول في ترتيبات تعاقدية إضافية منفصلة للتوزيع غير الحصري للنسخة المنشورة من المجلة من العمل (على سبيل المثال، نشرها في مستودع مؤسسي أو نشرها في كتاب) مع الإقرار بنسخة أولية نشر في هذه المجلة.
٣. يسمح للمؤلفين وتشجيعهم على نشر عملهم عبر الإنترنت (على سبيل المثال، في المستودعات المؤسسية أو على موقعهم على الويب) قبل وأثناء عملية التقديم، حيث يمكن أن يؤدي إلى التبادلات الإنتاجية، فضلا عن الاستشهاد المبكر والأكبر للعمل المنشورة ( انظر تأثير النفاذ المفتوح).
نقل حقوق الطبع والنشر
بيان الخصوصية
المجلة الأكاديمية لجامعة نوروز ملتزمة بحماية خصوصية مستخدمي موقع المجلة هذا. سيتم استخدام الأسماء والتفاصيل الشخصية وعناوين البريد الإلكتروني التي تم إدخالها في هذا الموقع الإلكتروني فقط للأغراض المعلنة لهذه المجلة ولن يتم إتاحتها لأطراف ثالثة بدون إذن المستخدم أو الإجراءات القانونية الواجبة. موافقة المستخدمين مطلوبة لتلقي الاتصالات من المجلة الأكاديمية لجامعة نوروز للأغراض المعلنة للمجلة. ويمكن توجيه الاستفسارات المتعلقة بالخصوص إلى [email protected]
