Μοντελοποίηση μέγιστης ταχύτητας δόνησης σωματιδίων εδάφους από ανατινάξεις με χρήση Τεχνητών Νευρωνικών Δικτύων

Abstract

Σκοπός της παρούσας διπλωματικής εργασίας είναι να αναδειχθούν οι δυνατότητες τεχνητής νοημοσύνης για εφαρμογές στην γεωτεχνολογία και ειδικότερα να εκτιμηθεί η μέγιστη ταχύτητα των σωματιδίων, που αναπτύσσεται ύστερα από μια ανατίναξη, με τη χρήση ενός πολυεπίπεδου τεχνητού νευρωνικού δικτύου εκπαιδευμένου με τον αλγόριθμο οπίσθιας τροφοδότησης σφάλματος και να συγκριθεί με τις συμβατικές μεθόδους πρόβλεψης. Πιο συγκεκριμένα, παρουσιάζεται ο τρόπος κατασκευής και λειτουργίας των ΤΝΔ με τη βοήθεια του λογισμικού MATLAB R2012b και πραγματοποιείται ανάλυση του θεωρητικού υποβάθρου των νευρωνικών δικτύων, δηλαδή η αρχιτεκτονική, η εκπαίδευση, η συνάρτηση ενεργοποίησης και άλλα. Η δημιουργία μοντέλων που θα έχουν τη δυνατότητα να κάνουν μια ικανοποιητική πρόβλεψη της μέγιστης ταχύτητας των σωματιδίων ύστερα από μία ανατίναξη είναι πάντοτε μια από τις πιο σημαντικές επιδιώξεις των ερευνητών αφού με αυτόν τον τρόπο μπορεί να μειωθεί η ένταση της δόνησης. Η εισαγωγή νέων μεθόδων τεχνητής νοημοσύνης, όπως αυτή των Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ), είναι σε θέση να δώσει πιο ικανοποιητικά αποτελέσματα από τις συμβατικές μεθόδους πρόβλεψης της μέγιστης ταχύτητας των σωματιδίων και να βοηθήσει στη μείωση των δονήσεων που προκαλούνται από τις ανατινάξεις. Αποδεικνύεται στην παρούσα διπλωματική εργασία ότι η ικανότητα πρόβλεψης των τεχνητών νευρωνικών δικτύων που κατασκευάστηκαν είναι αρκετά ικανοποιητική φτάνοντας σε επίπεδα ακρίβειας, που είναι σχεδόν σε όλες τις περιπτώσεις, ανώτερα των εμπειρικών σχέσεων πρόβλεψης. Επομένως τα συγκεκριμένα ΤΝΔ καθίστανται αξιόπιστα και για μελλοντική χρήση με την εισαγωγή νέων δεδομένων.

The purpose of this thesis is to demonstrate the capabilities of artificial intelligence applications in geotechnology and especially to estimate the peak particle velocity, which develops after an explosion, using a multilayer feed forward artificial neural network (ANN), which is trained with the backpropagation algorithm and it is compared with conventional forecasting methods. In particular, this thesis illustrates how the ANN is constructed and operated using the MATLAB R2012b software and analyses the theoretical background of neural networks like the architecture, the training, the activation function and more. Creating models that have the capability to make a good prediction of the peak particle velocity after a blast is always one of the most important goals of the researchers because with this prediction the intensity of the vibrations can be reduced. The introduction of artificial intelligence techniques as the one of artificial neural networks (ANN) can give better results in the prediction of the peak particle velocity than the conventional methods and can help in reducing the vibrations caused by blasting operations. Finally in this thesis it is proven that the forecasting ability of the constructed artificial neural networks is very satisfying. The predictions accuracy level is, in almost all cases, superior to the empirical equations. Therefore, the specific neural networks become reliable for future use with the introduction of new data.