Bücher von Amal Benali

Con il rapido sviluppo tecnologico e industriale che il mondo ha conosciuto, in particolare nella tecnologia delle costruzioni con queste enormi piattaforme petrolifere nelle profondità dell'oceano o del deserto, è necessario un adeguato sistema strutturale portante, in grado di distribuire le forze da un livello all'altro fino a raggiungere il piede della struttura, detto fondazione. Ciò richiede un adeguato sistema strutturale portante, in grado di distribuire le forze da un livello all'altro fino a raggiungere il piede della struttura, noto come fondazione. Il ruolo importante delle fondazioni profonde nella trasmissione dei carichi di servizio dalla sovrastruttura agli strati portanti profondi del terreno ha portato all'utilizzo di metodi empirici e semi-empirici per la progettazione della capacità portante assiale di un palo. In alternativa, le reti neurali artificiali (RNA) sono state recentemente utilizzate per prevedere la capacità ultima dei pali sulla base di prove in situ. Recentemente, diversi ricercatori hanno utilizzato con successo l'approccio delle reti neurali artificiali RNA per lo sviluppo di modelli integrati in combinazione con altri metodi probabilistici ed evolutivi.

With the rapid technological and industrial development that the world has seen, particularly in construction technology with these huge oil platforms in the depths of the ocean or desert. This requires an adequate load-bearing structural system, capable of distributing forces from one level to another until they reach the foot of the structure, known as the foundation. The important role of deep foundations in transmitting service loads from the superstructure to the deep soil bearing layers has prompted the use of empirical and semi-empirical methods for the axial bearing capacity design of a pile. Alternatively, artificial neural networks (ANNs) have recently been used to predict the ultimate capacity of piles based on in situ tests. Very recently, several researchers have successfully used the RNAs artificial neural network approach for the development of integrated models in conjunction with other probabilistic and evolutionary methods.

Mit der rasanten technologischen und industriellen Entwicklung, die die Welt erlebt hat, insbesondere in der Bautechnologie mit riesigen Ölplattformen in den Tiefen des Ozeans oder der Wüste, ist es wichtig, dass das Bauwerk eine tragende Funktion hat. Dies erfordert ein geeignetes Tragsystem, das in der Lage ist, die Kräfte von einer Ebene auf die andere zu verteilen, bis sie am Fuß der Struktur, dem Fundament, ankommen. Die wichtige Rolle der Tiefenfundamente bei der Übertragung von Lasten aus dem Oberbau in die tiefen tragenden Bodenschichten hat dazu geführt, dass empirische und halb-empirische Methoden für den Entwurf eines Pfahls in Bezug auf seine axiale Tragfähigkeit verwendet werden. Alternativ dazu wurden in jüngster Zeit künstliche neuronale Netze (KNN) verwendet, um die ultimative Pfahlkapazität auf der Grundlage von In-situ-Tests vorherzusagen. In jüngster Zeit haben mehrere Forscher den Ansatz der künstlichen neuronalen Netze RNAs erfolgreich für die Entwicklung integrierter Modelle in Verbindung mit anderen probabilistischen und evolutionären Methoden eingesetzt.

Com o rápido desenvolvimento tecnológico e industrial a que o mundo tem assistido, nomeadamente ao nível da tecnologia de construção com estas enormes plataformas petrolíferas nas profundezas do oceano ou no deserto. Para tal, é necessário um sistema estrutural de suporte de carga adequado, capaz de distribuir as forças de um nível para outro até chegarem ao pé da estrutura, conhecido como fundação. O importante papel das fundações profundas na transmissão de cargas de serviço da superestrutura para as camadas profundas de suporte do solo levou à utilização de métodos empíricos e semi-empíricos para o dimensionamento da capacidade de suporte axial de uma estaca. Em alternativa, as redes neuronais artificiais (RNA) têm sido recentemente utilizadas para prever a capacidade última das estacas com base em ensaios in situ. Muito recentemente, vários investigadores utilizaram com sucesso a abordagem das redes neuronais artificiais RNAs para o desenvolvimento de modelos integrados em conjunto com outros métodos probabilísticos e evolutivos.

Con el rápido desarrollo tecnológico e industrial que ha experimentado el mundo, sobre todo en la tecnología de la construcción, con esas enormes plataformas petrolíferas en las profundidades del océano o el desierto. Esto requiere un sistema estructural portante adecuado, capaz de distribuir las fuerzas de un nivel a otro hasta que lleguen al pie de la estructura, lo que se conoce como cimentación. El importante papel que desempeñan las cimentaciones profundas en la transmisión de las cargas de servicio desde la superestructura a las capas profundas del suelo portante ha impulsado el uso de métodos empíricos y semiempíricos para el diseño de la capacidad portante axial de un pilote. Por otra parte, recientemente se han utilizado redes neuronales artificiales (RNA) para predecir la capacidad última de los pilotes basándose en ensayos in situ. Muy recientemente, varios investigadores han utilizado con éxito el enfoque de redes neuronales artificiales RNA para el desarrollo de modelos integrados junto con otros métodos probabilísticos y evolutivos.

Avec le développement technologique et industriel rapide qüà connu le monde, en particulier dans la technologie de la construction avec ces immenses plates formes pétrolières dans les profondeurs océanique ou désertique. Cela nécessite un système structural porteur adéquat, capable de répartir les efforts d¿un niveau à un autre jusqüà arriver au pied de la structure appelé fondation. Le rôle important des fondations profondes à transmettre les charges de service issues de la superstructure vers les couches porteuses profondes de sol a suscité l'initation à des méthodes empiriques et semi empiriques pour La conception d¿un pieu dans son volet capacité portante axiale. Alternativement, des réseaux neuronaux artificiels (RNA) ont été utilisés récemment pour prédire la capacité ultime des piles sur la base des tests in situ. Très récemment, plusieurs chercheurs ont utilisé fructueusement l'approche réseau de neurones artificiel RNAs pour le développement des modèles intégrés en conjonction avec d'autres méthodes probabilistiques et évolutives.

Au cours de ces dernières années la détermination de la capacité portante des pieux à partir de données des essais in-situ en tant qüun complément de l'analyse statique et dynamique, a été utilisée par les ingénieurs géotechniciens. L'essai de pénétration standard (SPT) est souvent le plus couramment utilisé parmi les tests in situ dans certains pays au monde. Le projet présenté dans cet ouvrage est une combinaison de deux approches, les réseaux de neurones artificiels et l¿analyse par les composantes principales a été effectuée. Cette implémentation permettra le développement d¿un modèle réseau de neurone qui donne une prévision plus précise des capacités portantes axiales des pieux en se basant sur l¿essai SPT. Le perceptron multicouche à rétropropagation avec la régularisation bayésienne (RB) a été utilisé pour concevoir ce modèle. Cela a été établi par l'incorporation d'environ 497 données, obtenu à partir de la littérature publiée, de programmes expérimentaux pour une grande variété de pieux. Le procédé de l¿ACP est proposé pour la compression et la suppression de la corrélation entre ces données. Cela permettra l¿amélioration de la performance de généralisation du modèle. La