Gulmustafa ŞEN, Erdal AKYOL, Mahmut FIRAT

Sıvılaşmaya karşı güvenlik katsayısının yapay sinir ağları ile tahmin edilmesi:Denizli-Gümüşler örneği

Depremlerin neden olduğu önemli zemin davranışlarından biri de sıvılaşmadır. Sıvılaşma, suya tamamen doygun kohezyonsuz zeminlerin deprem etkisi ile zeminin içindeki boşluk suyu basıncının artması ve zeminin taşıyıcı özelliğini kaybetmesi sonucu meydana gelir. Sıvılaşma Potansiyeli indeksi (SPI), sıvılaşmanm yüzeydeki şiddetini göreceli olarak değerlendirmek amacıyla geliştirilmiştir. Sıvılaşma riskinin belirlenmesi için SPFnin doğru bir şekilde hesaplanması gerekir. Yapay Sinir Ağları (YSA), insan sinir sisteminden esinlenerek geliştirilmiş bir yöntem olup, son yıllarda doğrusal olmayan ve karmaşık mühendislik problemlerinde oldukça başarılı bir şekilde kullanılmaktadır. Bu çalışmada, Denizli ili Gümüşler Belediyesi mücavir alanındaki zeminlerin, sıvılaşma potansiyeli değerlendirilmiş ve YSA yardımı ile sıvılaşmaya karşı Güvenlik Katsayısı (GK) tahmin edilmiştir. GK'nın tahmini için ileri beslemeli sinir ağları kullanılmıştır. Bu amaçla, 7.5 büyüklüğündeki bir deprem için zeminin tekrarlı direnç oranı (CRR7.5), depremin oluşturduğu tekrarlı gerilim oranı (CSR), yeraltı suyu seviyesi, Standart Penetrasyon Deneyi (SPT) derinliği ile darbe sayısı girdi parametreleri olarak seçilmiştir. 21 adet sondaj kuyusuna ait 317 adet verinin 194'ü YSA'nın eğitimi için, 123'ü ise test işlemleri için kullanılmıştır. Test sonuçları ile hesaplanan değerler karşılaştırıldığında, YSA ile elde edilen sonuçların hesaplanan değerlere oldukça yakın çıktığı görülmüştür.

Estimation of liquefaction resistance by artifical neural network:A case study for Denizli-Gümüşler

Liquefaction is one of the major natural hazards caused by earthquakes and it can be defined as an increase of pore pressure and lost of bearing capacity of the soils because of a dynamic impact (earthquake). In order to estimate liquefaction potential, Liquefaction Potential Index (LPI) is calculated. LPI has been developed for evaluating the surface impacts of the liquefaction. Artificial Neural Networks (ANN) developed biological human brain system has been recently used for modeling of complex and nonlinear engineering problems. In this study LPI of the Gümüşler Municipality settlement area has been calculated and factor of safety (FS) against liquefaction has been estimated by using ANN. Feed forward type of ANN is employed. The input parameters are cyclic resistance ratio for Mw=7.5 earthquakes (CRR7.5), cyclic stress ratio (CSR), depth of ground water level, depth and N values of standard penetration test. 194 borehole values have been used in training process while 123 data have been used in test procedure. Satisfactory results havebeen obtained.

___

Baziar, M. H. and Ghorbani, A., 2005, Evaluation of Lateral Spreading Using Artificial Neural Networks, Soil Dynamics and Earthquake Engineering 25, pp. 1-9.

Bodri, L. and Cermak, V., 2000, Prediction of Extreme Precipitation Using a Neural Network: Application.to Summer Flood in Moravia, Advances in Engineering, 31, pp. 311-321.

Casagrande, A. 1975, Liquefaction and Cyclic Deformation of Sands: A Critical Review, Proceedings of the 5th Pan-American Conference on Soil Mechanics and Foundation Engineering, Vol. 5, Buenos Aires, Argentina, pp. 79-133.

Dibike, Y. B. and Solomatine, D. P., 2001, River Flow Forecasting Using Artificial Neural Networks, Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, 26, No.l, pp. 1-7.

Fırat, M., 2002, Doğrusal ve Kıvrımlı Akarsulara Yerleştirilen Köprü Ayakları Etrafında Meydana Gelen Oyulma Derinliğinin Yapay Sinir Ağları ile Belirlenmesi, Yüksek Lisans Tezi, Pamukkale Üniversitesi, 133 s.

Fırat, M. and Güngör, M., 2004, Askı Maddesi Konsantrasyonu ve Miktarının Yapay Sinir Ağları ile Belirlenmesi. İMO Teknik Dergi, Cilt 15 (3), 3267-3282.

Hanna, A. M., Ural, D., and Saygili, G., 2007, Neural Network Model for Liquefaction Potential in Soil Deposits Using Turkey and Taiwan Earthquake Data, Soil Dynamics and Earthquake Engineering 27, pp. 521-540.

Hjelmfelt, A. T. and Wang, M., 1996, Predicting Runoff Using Artificial Neural Networks, Surface Water Hydrology, pp. 233-244.

Hsu, K., Gupta, H. V. and Sorooshian, S., 1998, Streamflow Forecasting Using Artificial Neural Networks, ASCE Water Resources Engineering Conference 98, pp. 967-972.

Ishihara, K. 1985, Stabilitiy of Natural Deposits During Earthquakes, Proceedings of the Eleventh International Conference on Soil Mechanics and Foundation Engineering, vol., 1, San Francisco, pp. 321-376.

Iwasaki, T., Tatsuoka, F., Tokida, K. I., and Yasuda, S., 1978, A Practical Method for Assessing Soil Liquefaction Potential Based on Case Studies at Various Sites in Japan, Proceedings 2nd International Conference on Microzonation, San Francisco, pp. 885-896.

Iwasaki, T., Tokida, K. I., Tatsuoka, F., Watanabe, S., Yasuda, S. and Sato, H., 1982, Microzonation for Soil Liquefaction Potential Using Simplified Methods, Proceedings Third International Earthquake Microzonation Conference, Seattle, pp. 1319-1330.

Jang, J. S. R., Sun, C. T. and Mizutani, E., 1997, Neuro-Fuzzy and Soft Computing, Prentice Hall, ISBN 0-13-261066-3, p. 607.

Luk, C. K., Ball, J. E. and Sharma A., 2001, An Application of Artificial Neural Networks for Precipitation Forecasting, Mathematical and Computer Modelling, 33, p. 683-693.

Mogami, T., and Kubu, K., 1953, The Behavior of Soil During Vibration, Proceedings 3rd International Conference on Soil Mechanics and Foundation Engineering, Zurich, Vol. 1, pp. 152-155.

Nasr, G.E., Badr, E.A. and Joun, C., 2003, Back Propagation Neural Networks for Modelling Gasoline Consumption, Energy Conversion and Management, 44, pp. 893-905.

Seed, H. B., 1970, Soil Problems and Soil Behaviour, Chapter 10 of Earthquake Engineering, Robert L. Wiegel, coordinating ed. Prentice Hall, Englewood Cliffs, NJ, pp. 227-251.

Sönmez, H., 2003, Modification of the Liquefaction Potential Index and Liquefaction Susceptibility Mapping for a Liquefaction-Prone Area (Inegol, Turkey), Environmental Geology, 44, pp. 862-871.

Sönmez, H. ve Gökçeoğlu, C., 2005, A Liquefaction Severity Index Suggested for Engineering Practice, Environmental Geology, 48, pp. 81-91.

Şen, G., 2004, Gümüşler Belediyesi Mücavir Alanının Sıvılaşma Analizi ve Coğrafi Bilgi Sisteminde Uygulaması, Yüksek Lisans Tezi, Pamukkale Üniversitesi, 99 s.

Toprak, S. and Holzer, T. L., 2003, Liquefaction Potential Index: Field Assessment, ASCE Journal of Geotechnical and Geoenvironmental Engineering, 129, pp. 315-322.

Wang, J., 1999, Artificial Neural Network and Fuzzy Neural Integrated Systems for Geotechnical Modeling, PhD Thesis, Graduate Faculty of North Carolina State University, p. 280.

Wang, J. and Rahman, M. S., 1999, A Neural Network Model for Liquefaction-induced Horizontal Ground Displacement, Soil Dynamics and Earthquake Engineering, 18, pp. 555-568.

Young-Su, K. and Byung-Tak, K., 2006, Use of Artificial Neural Networks in the Prediction of Liquefaction Resistance of Sands, Journal of Geotechnical and Geoenvironmental Engineering, ASCE, Vol. 132, No. 11, pp. 1502-1504.

Youd, T.L., Idriss, I.M., Andrus, R.D., Arango, I., Castro, G., Christian, J. T., Dobry, R., Liam Finn, W.D., Harder Jr., L.F., Hynes, M.E., Ishihara, K., Koester, J.P., Liao, S.S.C., Marcuson III, W. F., Martin, G. R., Mitchell, J. K., Moriwaki, Y., Power, M. S., Robertson, P. K., Seed, R. B. and Stokoe II, K. H., 2001, Liquefaction Resistance of Soils: Summary Report from the 1996 NCEER and 1998 NCEER/NSF Workshops on Evaluation of Liquefaction Resistance of Soils, ASCE, Journal of Geotechnical and Geoenvironmental Engineering, 127, pp. 817-833.

Zhang, B. and Govindaraju, R. S., 1998, Using Modular Neural Networks to Predict Watershed Runoff, ASCE Water Resources Engineering Conference 98, pp. 897-902.