این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جاده، جلد ۳۳، شماره ۱۲۴، صفحات ۴۳۹-۴۶۴
عنوان فارسی ارزیابی ظرفیت باربری خاک رس تقویت شده با ستونهای اختلاط عمیق دارای کلاهک ژئوتکستایل با آزمایشات بزرگ مقیاس و شبکه های عصبی مصنوعی
چکیده فارسی مقاله ستونهای اختلاط عمیق(DSM) خاک یکی از روشهای بهبود مقاومت و ظرفیت باربری خاک برای توسعه مناطق شهری می باشد.هدف این تحقیق ارزیابی ظرفیت باربری خاک رس تقویت شده با ستونهای اختلاط عمیق و کلاهک ژئوتکستایل با آزمایشات بزرگ مقیاس و شبکه های عصبی مصنوعی بود. ابتدا مشخصات اولیه ئوتکنیکی بستر خاک توسط آزمونهای آزمایشگاهی اولیه از قبیل دانه بندی، درصد رطوبت طبیعی، حدود اتربرگ، pH، مقاومت فشاری تک محوری بدست آمد. سپس تعیین درصد مقدار رطوبت و مقدار افزودنی شیمیای بهینه های خاک تثبیت شده توسط آزمایشات تراکم استاندارد و مقاومت فشاری تک محوری جهت اعمال در ساخت ستونهای اختلاط عمیق خاک در حالات بدون و با کلاهک ژئوتکستایل انجام شد. در مرحله دوم آزمایش‌های آزمایشگاهی، نمودارهای بار - نشست برای هر سناریو با ساخت مناسب برای مدل آزمایشگاهی، پیکربندی‌های مختلف ستون‌های سیمانی و بدون شرایط و با کلاهک ئوتکستایل بر روی ستون‌های سیمانی ایجاد شد. مطالعات آزمایشگاهی نشان داد که وجود ستون های سیمانی می تواند ظرفیت باربری پی را تا 18 برابر در مقایسه با عدم وجود آنها افزایش دهد. حداکثر بار عمودی اعمال شده در تغییر شکل ثابت 30 میلیمتر بترتیب برابر با 37/18 و 59/24 کیلونیوتن در حالات بدون و با کلاهک ژئوتکستایل بود، که افزایش33درصدی در میزان بار اعمالی را نشان داد. شبکه مصنوعی مصنوعی برای هر چهار فرم مجزا سطح قابل قبولی از دقت را با مقدار همبستگی 94/0 را نشان داد.
کلیدواژه‌های فارسی مقاله شبکه‌های عصبی مصنوعی،آزمایشات بزرگ مقیاس،ستون های سیمانی،خاک رس،اختلاط عمیق خاک،
عنوان انگلیسی Evaluation of Bearing Capacity of Clay Reinforced with Deep Mixing Columns and Geotextile Caps by Large-Scale Experiments & Artificial Neural Networks
چکیده انگلیسی مقاله Soil Deep mixing columns (DSM) is one of the methods to improve the resistance and bearing capacity of soil for the development of urban areas. The purpose of this research was to evaluate the carrying capacity of clay reinforced with deep mixing columns and geotextile caps with large-scale experiments and artificial neural networks. . First, the basic technical characteristics of the soil bed were obtained by preliminary laboratory tests, such as granulation type, natural percentage, Etterberg limits, pH, and uniaxial compressive strength. Then, determination of moisture content percentage and optimum chemical additive amount of soil was done by standard compaction tests and uniaxial compressive strength to apply in the construction of deep soil mixing columns in situations without and with geotextile cap. In the second stage of the laboratory tests, load-settlement diagrams were created for each scenario with suitable construction for the laboratory model, different configurations of cement columns and without conditions and with geotextile caps on the cement columns. Laboratory studies showed that the presence of cement columns can increase the bearing capacity of the foundation up to 18 times compared to their absence. The maximum vertical load applied at a constant deformation of 30 mm was equal to 18.37 and 24.59 kN in the cases without and with the geotextile cap, respectively, which showed a 33% increase in the amount of applied load. The artificial neural network for all four separate forms showed an acceptable level of accuracy with a correlation value of 0.94.
کلیدواژه‌های انگلیسی مقاله شبکه‌های عصبی مصنوعی,آزمایشات بزرگ مقیاس,ستون های سیمانی,خاک رس,اختلاط عمیق خاک
نویسندگان مقاله فرزاد پور ابراهیم |
دانشجوی دکترا، گروه مهندسی عمران، واحد نجف آباد، دانشگاه آزاد اسلامى، نجف آباد، ایران

سید یعقوب ذوالفقاری فر |
دانشیار، گروه مهندسی عمران و معماری، دانشکده صنعت ساختمان و محیط زیست، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران

نشانی اینترنتی https://road.bhrc.ac.ir/article_191641_915bdb9b103a4edc5a4bf1765059eba4.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات