Ann-Based Modelling of Fly Ash Compaction Curve / Modelowanie Krzywej Zageszczalnosci Popiołu Lotnego Za Pomoca Ssn

Abstract

Wykorzystanie popiołu lotnego do konstrukcji ziemnych wymaga jego własciwego zageszczenia. Zageszczanie powoduje wzrost gestosci gruntu, zwieksza jego wytrzymałosc i zdolnosc do przenoszenia obciazen, a takze zmniejsza scisliwosc i przepuszczalnosc. Oznaczenie zageszczalnosci popiołu lotnego musi byc przeprowadzane na próbkach jednokrotnie zageszczanych, poniewaz sferyczne ziarna popiołu sa niszczone w trakcie ubijania, w zwiazku z tym, laboratoryjne ustalenie krzywej zageszczalnosci popiołu jest bardzo czasochłonne. Celem artykułu było wykorzystanie modelowania neuronowego do prognozy kształtu krzywej zageszczalnosci popiołu lotnego. Podjeto próbe zastosowania sztucznych sieci neuronowych SSN typu MLP do opisu punktów krzywej zageszczalnosci. Kazdy punkt krzywej (wi, ρdi) został opisany przez dwie niezalezne SSN. Wykorzystano SSN o róznych wejsciach, którymi były nowo utworzone zmienne - składowe główne, zalezne od uziarnienia (srednic efektywnych d10-d90 oraz wskazników jednorodnosci i krzywizny uziarnienia), metody zageszczenia oraz gestosci własciwej szkieletu gruntowego. Wektorami wyjscia były współrzedne punktów krzywej zageszczalnosci popiołu lotnego. Najlepszymi sieciami neuronowymi były sieci o topologii: 6-3-1, 6-2-1 i 6-4-1 dla prognozy wartosci wilgotnosci wi, oraz 5-3-1 i 6-3-1 dla predykcji wartosci gestosci objetosciowej szkieletu gruntowego ρdi. Uzyskano sieci neuronowe o zadowalajacej precyzji, szczególnie w przypadku wartosci ρdi. Modelowanie krzywej za pomoca SSN umozliwiło ustalenie przyblizonego kształtu krzywej zageszczalnosci popiołu lotnego.

Keywords

• Compaction curve
• fly ash
• fly ash compactibility
• compaction parameters
• geotechnical parameters
• artificial neural networks
• neural modelling