Application of the ANFIS to analysis of results from soil testings

Ewa Daniszewska

doi:10.35784/bud-arch.1842

Zastosowanie ANFIS w analizie wyników badań gruntów

Ewa Daniszewska

Katedra Geotechniki i Budownictwa Drogowego; Wydział Nauk Technicznych; Uniwersytet Warmińsko-Mazurski (Polska)

DOI: https://doi.org/10.35784/bud-arch.1842

Abstrakt

Adaptacyjny system wnioskowania neuronowo-rozmytego ANFIS (Adaptive Neuro-Fuzzy Inference System) w programie Matlab posłużył modelowaniu i określaniu relacji między prędkością ścinania a parametrami wytrzymałościowymi gruntu. Sprawdzono możliwości i umiejętności narzędzia ANFIS w interpretacji wyników badań trójosiowego ściskania iłów pobranych z okolic Olsztyna. Model neuronowo-rozmyty został zbudowany na podstawie zbioru wartości, którymi dysponowano po szeregu badań eksperymentalnych, łącznie z wartościami parametrów wytrzymałościowych gruntu na ścinanie. Baza danych wykorzystana do modelowania neuronowo-rozmytego składa się z 6 różnych parametrów gruntowych dla każdej z 12 prędkości ścinania stosowanych podczas badań trójosiowych. Umiejętność uczenia zweryfikowano na bazie danych testowych - model neuronowo-rozmyty zbudowany został z zestawów szkoleniowych, a dokładność została zweryfikowana przez zestawy testów, z którymi model miał do czynienia po raz pierwszy. Wyniki z modelu ANFIS nie odbiegały znacznie od tych, które zostały uzyskane bezpośrednio z badań fizycznych. System ANFIS okazał się narzędziem niezwykle uniwersalnym i nieskomplikowanym w obsłudze. Pozwolił uwzględnić wieloaspektowość wzajemnych relacji parametrów gruntowych.

Słowa kluczowe:

adaptacyjny system neuronowo-rozmyty, logika rozmyta, trójosiowe badanie gruntu, prędkość ścinania

Bibliografia

Suchnicka H., Wytrzymałość gruntów – opis i badania. XI Krajowa Konferencja Mechaniki Gruntów i Fundamentowania – Gdańsk, 25-27 czerwca 1997, s. 47-74.
Google Scholar

Rutkowski, L. Flexible neuro-fuzzy systems: structures, learning and performance evaluation. Kluwer Academic Publishers, 2004.
Google Scholar

Akgun A., Sezer E.A., Nefeslioglu H.A., Gokceoglu C., Pradhan B. An easy-to-use MATLAB program (MamLand) for the assessment of landslide susceptibility using a Mamdani fuzzy algorithm. Computers and Geosciences, Volume 38, Issue 1, s. 23-34.
DOI: https://doi.org/10.1016/j.cageo.2011.04.012 Google Scholar

Gokceoglu C., Zorlu K. A fuzzy model to predict the uniaxial compressive strength and the modulus of elasticity of a problematic rock. Engineering Applications of Artificial Intelligence 2004, Vol. 17(1), s. 61–72.
DOI: https://doi.org/10.1016/j.engappai.2003.11.006 Google Scholar

Gokceoglu, C. A fuzzy triangular chart to predict the uniaxial compressive strength of Ankara agglomerates from their petrographic composition. Engineering Geology 2002, Vol. 66, s. 39–51.
DOI: https://doi.org/10.1016/S0013-7952(02)00023-6 Google Scholar

den Hartog M.H., Babuska R., Deketh H.J.R., Alvarez Grima M., Verhoef P.N.W., Verbruggen H.B. Knowledge-based fuzzy model for performance prediction of a rock-cutting trencher. International Journal of Approximate Reasoning 1997, Vol.16, s. 43–66.
DOI: https://doi.org/10.1016/S0888-613X(96)00118-1 Google Scholar

Cabalar A.F., Cevik A., Gokceoglu C. Some applications of Adaptive Neuro-Fuzzy Inference System (ANFIS) in geotechnical engineering. Computers and Geotechnics Vol. 40, March 2012, s. 14–33.
DOI: https://doi.org/10.1016/j.compgeo.2011.09.008 Google Scholar

Provenzano P., Ferlisi S., Musso A. Interpretation of a model footing response through an adaptive neural fuzzy inference system. Computers and Geotechnics 2004, Vol.31, s.251–66.
DOI: https://doi.org/10.1016/j.compgeo.2004.03.001 Google Scholar

Kayadelen C., Gunaydin O., Fener M., Demir A., Ozvan A. Modeling of the angle of shearing resistance of soils using soft computing systems. Expert Systems with Applications 2009, Vol.36,s.11814–26.
DOI: https://doi.org/10.1016/j.eswa.2009.04.008 Google Scholar

Gokceoglu C., Yesilnacar E., Sonmez H., Kayabasi A.A. Neuro-fuzzy model for modulus of deformation of jointed rock masses. Computers and Geotechnics 2004, vol. 31, s.375–83.
DOI: https://doi.org/10.1016/j.compgeo.2004.05.001 Google Scholar

Rangel J.L., Iturraran-Viveros U., Ayala A.G., Cervantes F. Tunnel stability analysis during construction using a neuro-fuzzy system. International Journal for Numerical and Analytical Methods in Geomechanics 2005, Vol. 29, s.1433–56.
DOI: https://doi.org/10.1002/nag.463 Google Scholar

Zounemat-Kermani M., Beheshti A.A., Ataie-Ashtiani B, Sabbagh-Yazdi S.R. Estimation of current-induced scour depth around pile groups using neural network and adaptive neuro-fuzzy inference system. Applied Soft Computing 2009, Vol.9, s.746–55.
DOI: https://doi.org/10.1016/j.asoc.2008.09.006 Google Scholar

Kalkan E., Akbulut S., Tortum A., Celik S. Prediction of the unconfined compressive strength of compacted granular soils by using inference systems. Environmental Geology 2008, Vol.58, s.1429–40.
DOI: https://doi.org/10.1007/s00254-008-1645-x Google Scholar

Kayadelen C., Taskiran T., Gunaydin O., Fener M. Adaptive neuro-fuzzy modeling for the swelling potential of compacted soils. Environmental Earth Sciences 2009, Vol. 59, s.109–15.
DOI: https://doi.org/10.1007/s12665-009-0009-5 Google Scholar

Pradhan B., Sezer E.A., Gokceoglu C., Buchroithner M.F. Landslide susceptibility mapping by neuro-fuzzy approach in a landslide-prone area (Cameron Highlands, Malaysia). IEEE Transactions on Geoscience and Remote Sensing 2010,Vol.48[12], s. 4164–77.
DOI: https://doi.org/10.1109/TGRS.2010.2050328 Google Scholar

Jang, J.S.R. ANFIS: Adaptive-Network-based Fuzzy Inference Systems. IEEE Transactions on Systems, Man, and Cybernetics 1993, vol. 23, s. 665-685.
DOI: https://doi.org/10.1109/21.256541 Google Scholar

Daniszewska E. Zastosowanie adaptacyjnego, neuronowo-rozmytego systemu wnioskowania ANFIS w analizie wyników badania trójosiowego ściskania gruntów. Praca doktorska, Olsztyn 2012.
Google Scholar

Pobierz

Opublikowane

2014-06-11

Cited By / Share

Daniszewska, E. (2014) „Zastosowanie ANFIS w analizie wyników badań gruntów”, Budownictwo i Architektura, 13(2), s. 007–015. doi: 10.35784/bud-arch.1842.