İnce daneli zeminlerde sıkışma indisi'nin istatistiksel ve yapay zeka yöntemleri ile tahmin edilmesi

Sıkışma indisi (Cc), ödometre deneyinden elde edilen boşluk oranı - logaritmik efektif gerilme eğrisinin eğimi olup, ince daneli zeminlerde meydana gelebilecek konsolidasyon oturmasının tahmin edilmesinde kullanılan önemli bir parametredir. Bu çalışmada, son yıllarda hızlı bir şekilde gelişen ve birçok bilim dalında kullanım alanı bulan Bulanık Mantık (BM) ve Yapay Sinir Ağları (YSA) yöntemleri ince daneli zeminlerin sıkışma indisinin indeks özellikleri vasıtası ile tahmin edilmesinde kullanılmıştır. Literatür araştırmalarından elde edilen 285 adet veri setinin 200 adeti eğitim aşamasında 85 adeti test aşamasında kullanılmıştır. Bağımlı değişken sıkışma indisine bağımsız değişkenlerin etkisini belirlemek için çoklu regresyon analizi yapılmıştır. Analiz sonuçlarına göre, indeks özelliklerinden likit limit (wL), doğal su muhtevası (wn), plastisite indisi (Ip), doğal birim hacim ağırlık (?n), boşluk oranı (e0) ve doğal efektif gerilme (?´) değişkenlerinin sıkışma indisine tesir eden önemli parametreler olduğu görülmüştür. Çalışma sonucunda, sıkışma indisinin belirlenmesinde, YSA modelinin tüm analizler içinde ölçülen değerlere en yakın tahminde bulunan yöntem olduğu anlaşılmıştır

Prediction of compression index of fine-grained soils using statistical and artificial intelligence methods

Compression index is the slope of the void ratio-effective stres (log) curve obtained in the odometer test. It is an important parameter used to predict consolidation settlement of fine-grained soils. In this study, fuzzy logic and artificial neural Networks methods that rapidly evolved and widely used in many disciplines in recent years, have been employed to estimate the compression index values of fine-grained soils using their index properties. Laboratory data from 285 samples were collected from the literature. 200 of this data were used in the training phase and 85 data were used in testing phase. Multiple regression analysis was conducted to determine the effect of the independent variable on the dependent variable of compression index. The results suggest that liquid limit, natural water content, plasticity index, natural unit weight, void ratio and effective stress variables are the significant parameters that affect the compression index. The results indicate that compression index can best be estimated by the use of fuzzy logic methods. Articial neural networks method is the most suitable method model to estimate predicting Cc from index properties

PDF

___

Mısır G., Granüler Stabilize Dolgu İle İyileştirilen Yumuşak Kil Zeminlere Oturan Temellerin Analizi, Yüksek Lisans Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Adana, 2008.
Dipova N., Cangir B., Lagün Kökenli Kil-Silt Zeminde Sıkışabilirlik Özelliklerinin Regresyon ve Yapay Sinir Ağları Yöntemleri ile Belirlenmesi, İMO Teknik Dergi, 332 (1), 5069-5086, 2010.
Mollamahmutoğlu M., Güler A.R., Ankara Kili için Sıkışma-Yeniden Yükleme İndisi İle Endeks Özellikleri Arasındaki Ampirik Bağıntıların Araştırılması, Zemin Mekaniği ve Temel Mühendisliği Dokuzuncu Ulusal Kongresi, Eskişehir, 10-19, 21-22 Ekim 2002.
ASTM D 2435, Standard Test Method for One dimensional American Society for Testing and Materials, 1996.
BS 1377, Part 5, Compressibility Permeability and Durability Tests, British Standard Institution.
TS 1900-2, İnşaat Mühendisliğinde Zemin Laboratuvar Deneyleri-Bölüm 2-Mekanik Özelliklerin Tayini, Mart 2006.
Orhan M., Işık N. S., Özer M., Toprak B., Killi Zeminlerin Sıkışma İndisinin İstatistiksel Yöntemlerle ve Yapay Sinir Ağlarıyla Tahmin Edilmesi, 5. Uluslararası (IATS'09), Karabük, 2236-2241, 13-15 Mayıs 2009.
Sivakugan N., Eckersley J.D., Li H., Settlement Predictions Using Neural Networks, Australian Civil Engineering Transactions 40 (1), 49-52, 1998.
Turk G., Logar J., Majes B., Modelling Soil Behaviour in Uniaxial Strain Conditions by Neural Networks, Advances in Engineering Software, 32 (10-11), 805- 812, 2001.
Shahin M.A., Jaksa M.B., Maier H.R., Artificial Neural Network Applications in Geotechnical Engineering, Australian Geomechanics, 36 (1), 49-62, 2001.
Çelik S., Zeminlerin Gerilme ve Deformasyon Özelliklerinin Yapay Sinir Ağları İle Modellenmesi, Doktora Tezi, Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Erzurum, 2004.
Arel E., Önalp A., Sert S., Normal Yüklenmiş Zeminlerde Sıkışma İndisinin Yapay Sinir Ağları Kullanımıyla Fiziksel Özelliklerden Tahmini, Zemin Mekaniği ve Temel Mühendisliği Onüçüncü Ulusal Kongresi, İstanbul, 327-336, 30 Eylül-1 Ekim 2010.
Kahraman E., Konsolidasyon Özelliklerinin Arttırılmış Veri Seti İle İstatistiksel Analizi, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2012.
Önalp A., Arel E., Bol E., ÖzocakA., Sert, S., Sıvılaşma Potansiyelinin Belirlenmesinde Koni Penetrasyon Deneyi (CPT) Sönümlenme Yönteminin Uygulanması, TÜBİTAK MAG, Proje No: 104M387, Adapazarı, 2007.
Kılıç E., Konsolidasyon Özelliklerinin İstatistiksel Analizi, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2007.
Aksakal Y.O., Ankara Kilinin Sıkışma İndisinin Belirlenmesi Üzerine Bir Araştırma, Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara, 2005.
Okur M. E., Koni Penetrasyon Çalışmalarında Sönümlenme Karakteristiklerinin Belirlenmesi, Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya, 2010. ile Konsolidasyon
Matlab&Simulink Version-Release 2013a.
IBM SPSS Statistics 20.
Yıldız C., Presiyometre Deneyinden Elde Edilen Taşıma Gücü Değerinin Bilgisayar Yazılımları Yardımıyla Tahmini, Yüksek Lisans Tezi, Niğde Üniversitesi, Fen Bilimleri Enstitüsü, Niğde, 2013.
Es H.A., Kalender F.Y., Hamzaçebi C., Forecasting the Net Energy Demand of Turkey by Artificial Neural Networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 29 (3), 495-504, 2014.
Ünver, Ö., Gamgam, H., Altunkaynak, B., Temel İstatistik Yöntemler, 7. Baskı, Seçkin Yayıncılık, İstanbul, 2013.
Dawson B, Trapp R.G., Basic & Clinical Biostatistics (Lange Basic Science). Lange Medical Books / McGraw-Hill; 4th edition, 2004.
Kul, S., İstatistik Sonuçların Yorumu: P Değeri ve Güven Aralığı, Ekstraplevral, 3 (1), 11-13, 2014.
Baş A., Çetinyokuş T., Decision Support System Based on Fuzzy Queries for Determination of Non Residential Area Base Stations, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (4), 671-682, 2015.
Topçu İ., Sarıdemir M., Yüksek-Düşük Kireçli Uçucu Kül İçeren Betonların Basınç Dayanımının YSA ve BM Kullanarak Tahmini, Eskişehir Osmangazi Üniversitesi Müh. Mim. Fak. Dergisi, 21 (1), 39-56, 2008.
Zadeh L.A., Fuzzy sets, Information and Control, 8 (1), 338-353, 1967.
Çakır S., Efficiency Measurement in Caykur Factories With Fuzzy Data Envelopment Analysis, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (2), 369-381, 2016.
Aksoy S., İnşaat Mühendisliğinde Çok Amaçlı Değerlendirme ve Karar Vermede Fuzzy Yaklaşımı, Yüksek Lisans Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2003.
Tığdemir M., Karaşahin M., Şen Z., Investigation of Fatigue Behaviour of Asphalt Concrete Pavements With Fuzzy-Logic Approach, International Journal of Fatigue, 24 (1), 903-910, 2002.
Uygunoğlu T., Ünal O., Seyitömer Uçucu Külünün Betonun Basınç Dayanımına Etkisi Üzerine Bulanık Mantık Yaklaşımı, Yapı Teknolojileri Elektronik Dergisi (YTED), 1 (1), 13-20, 2005.
Şahin İ., Prediction of Surface Roughness of Al/SiC Composite Material with Artificial Neural Networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 29 (1), 209-216, 2014.
Eker A. M., Dikmen M., Cambazoğlu, S., Düzgün Ş.H.S.B., Application of Artificial Neural Network and Logistic Succeptibility Mapping and Comparison of the Results for the Ulus District, Bartın, Journal of the Faculty of Engineering and Architecture of Gazi University, 27 (1), 163-173, 2012. Methods to Landslide
Öztemel E., Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul, 2012.
Karataş Ç., Sozen A., Dulek E., Modelling of Residual Stresses In The Shot Peened Material C-1020 by Artificial Neural Network, Expert Systems with Applications, 36 (2), 3514-3521, 2009.
Deniz E., Bulanık Mantık Tabanlı Tahmin Modeli ve Uygulaması, Yüksek Lisans Tezi, Muğla Üniversitesi, Fen Bilimleri Enstitüsü, Muğla, 2006.
Mert İ., Karakuş C., Antakya Bölgesinde Rüzgar Gücü Yoğunluğu ve Rüzgar Hızı Dağılımı Parametrelerinin İstatistiksel Analizi, Politeknik Dergisi, 18 (1), 35-42, 2015.
Çuhadar M., Güngör İ., Göksu A., Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi Yöntemleri İle Karşılaştırmalı Analizi: Antalya İline Yönelik Üniversitesi, İktisadi ve İdari Bilimler Fakültesi Dergisi, 14 (1), 99-114, 2009. Süleyman Demirel
Lewis. C.D., Industrial and Business Forecasting Methods, Butterworths Publishing: London, 1982.
Hatipoğlu T., Boran S., Özcan B., Fığlalı A., Yapay Sinir Tahminlenmesi, Sakarya Üniversitesi, Fen Bilimleri Dergisi, 1(1), 60-68, 2013. Çinko Kalınlığının
Yavuz S., Deveci M., İstatistiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performansına Etkisi, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40 (Haziran-Aralık), 167-187, 2012.
Smith G. N., Probability and Statistics in Civil Engineering: An introduction, Collins, London, 1986.