2 نتیجه برای واژه‌ها مصالح سنگریزه‌ای
عطاء آقایی آرایی، عباس سروش، سعید هاشمی طباطبایی، عباس قلندرزاده،
جلد 5، شماره 2 - ( 11-1390 )
چکیده
در همه مصالح سنگریزه¬ای تحت اثر تنش¬های اعمالی زیاد، شکست دانه ها رخ می¬دهد. شکست دانه‌ها و خرد شدن آنها به دانه‌های کوچک‌تر باعث کاهش مقاومت برشی و افزایش تغییرشکل می‌شود. معمولاً شکست دانه‌ها که در آزمایش‌های سه محوری مشاهده می‌شود را با شاخص شکست مارسال، ، بیان می‌کنند. در این مقاله روشی برای محاسبه در هر سطح از کرنش محوری در آزمایش‌های سه محوری ارائه می‌گردد. بدین منظور از اصل مینیمم انرژیRowe استفاده می‌شود. پارامتر کلیدی در روش یاد شده برای محاسبه ، مقدار ، زاویه اصطکاک مصالح بدون درنظرگرفتن اتساع و شکست ذرات، می‌باشد. بررسی‌ها و آزمایش‌های صورت گرفته نشان داد که ، زاویه اصطکاک مصالح سنگریزه¬ای در تنش¬های محدود کننده موثر کمتر از kPa 200 به شرط ایجاد شرایط حجم ثابت و در کرنش نظیر حالت حجم ثابت می‌باشد. همچنین تغییرات نسبت انرژی شکست و فاکتور شکست مارشال با تنش محدود کننده در کرنش نظیر گسیختگی با رابطه خطی قابل ارائه است.
عطا آقایی آرایی،
جلد 8، شماره 2 - ( 6-1393 )
چکیده
این مقاله امکان توسعه و بکارگیری شبکه‌های عصبی مصنوعی در مدل‌سازی نتایج آزمایش‌های مونوتونیک سه‌محوری قطر بزرگ روی انواع مصالح سنگریزه‌ای تیزگوشه، گردگوشه و مصالح شنی با درصدهای مختلف ریزدانه بهکار رفته در بدنه سدهای مهم کشور را ارائه می‌دهد. در ابتدا قابلیت شبکه‌های عصبی مصنوعی(ANNs) در مدل‌سازی منحنی های رفتاری تنش تفاضلی- اضافه فشار آب حفره‌ای - کرنش محوری بررسی شده است که دلالت بر قابلیت نسبتاً مناسب مدل در شبیه‌سازی رفتار مصالح شن‌دار دارد. بانک اطلاعات بکار رفته در شبکه، شامل 52 گزینه مختلف آزمایش سه محوری کرنش-کنترل تحت شرایط زهکشی نشده است. برای مسئله مورد نظر، یک برنامه شبکه‌های عصبی مصنوعی پیشخوراند سه لایه پرسپترون (MLP) در محیط MATLAB7 نوشته شد و شبکه بهینه (تعداد لایه‌های مخفی، تابع تبدیل و نوع آموزش شبکه) به طریق سعی و خطا، و با توجه به شاخص‌های خطا و تطابق با داده‌های آزمایشگاهی انتخاب شد. پارامترهای ورودی شبکه شامل تنش محدود‌کننده، دانسیته و درصد رطوبت بهینه، توزیع اندازه دانه‌ها و نرخ ایجاد کرنش می‌باشد. نتایج نشان می‌دهد که ANNs قابلیت بسیار مناسبی در تخمین منحنی‌های رفتاری یاد‌شده در کلیه موارد بررسی شده دارد. در ادامه قابلیت شبکه‌های عصبی مصنوعی(ANNs) در بدست آوردن حداکثر زاویه اصطکاک داخلی و نتاطی از منحنی‌های رفتاری شامل تنش های تفاضلی حداکثر و پسماند و اضافه فشارهای آب حفره ای در کرنش‌های نظیر بررسی شد. ضمناً از قابلیت تعمیم شبکه عصبی مصنوعی برای بررسی موارد آزمایش نشده مثل اثر تغییرات دانسیته و درصد کوچک‌تر از mm 2/0 هم بهره گرفته‌شد.
