‫‪Paper 39‬‬

‫ﺧﺎﻟ ﺪ ﻣﺼ ﻄﻔﻰ ﻣﺤﻤ ﺪ ﻋﻠ ﻲ‪ ،‬اﻟﺤﺴ ﻴﻦ اﻟﻌﺮﺑ ﻰ " ﺗﻄﺒﻴﻘ ﺎت اﻟ ﺬآﺎء اﻻﺻ ﻄﻨﺎﻋﻲ ﻓ ﻲ اﻟﻬﻨﺪﺳ ﺔ اﻟﺠﻴﻮﺗﻘﻨﻴ ﺔ"‪ ،‬اﻟﻤ ﺆﺗﻤﺮ اﻷول ﻟﻬﻨﺪﺳ ﺔ‬
‫اﻷﻧﺸﺂت‪ ،‬ﺁﻓﺎق اﻟﻬﻨﺪﺳﺔ اﻹﻧﺸﺎﺋﻴﺔ و ﺻﻨﺎﻋﺔ اﻟﺘﺸﻴﻴﺪ ﻓﻰ اﻟﻮﻃﻦ اﻟﻌﺮﺑﻰ‪ ،‬ﻋﻤﺎن ‪ ،‬اﻟﻤﻤﻠﻜﺔ اﻷردﻧﻴﺔ اﻟﻬﺎﺷﻤﻴﺔ‪ ،‬ﻳﻮﻧﻴﻮ ‪2013‬‬

‫ﺗﻄﺒﻴﻘﺎت اﻟﺬآﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫ﻓﻲ‬
‫اﻟﻬﻨﺪﺳﺔ اﻟﺠﻴﻮﺗﻘﻨﻴﺔ‬

‫ﺧﺎﻟﺪ ﻣﺼﻄﻔﻰ ﻣﺤﻤﺪ ﻋﻠﻲ‪.‬‬

‫ﺑﻜﺎﻟﻮرﻳﻮس هﻨﺪﺳﺔ ﻣﺪﻧﻴﺔ ﺟﺎﻣﻌﺔ اﻟﺨﺮﻃﻮم)‪(1998‬‬
‫ﻣﺎﺟﺴﺘﻴﺮ هﻨﺪﺳﺔ اﻧﺸﺎءات ﺟﺎﻣﻌﺔ اﻟﺨﺮﻃﻮم)‪(2006‬‬

‫د‪ .‬اﻟﺤﺴﻴﻦ اﻟﻌﺮﺑﻰ‬

‫ﻣﻌﻬﺪ ﺑﺤﻮث اﻟﺒﻨﺎء واﻟﻄﺮق ﺟﺎﻣﻌﺔ اﻟﺨﺮﻃﻮم‬

‫ﻣﻠﺨﺺ اﻟﺒﺤﺚ‬

‫اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ اﻟﺼﻨﺎﻋﻴﺔ هﻰ ﺷﻜﻞ ﻣﻦ اﺷﻜﺎل اﻟﺬآﺎء اﻟﺼﻨﺎﻋﻲ ‪ ،‬اﻟﺬى ﻳﺘﻤﺜﻞ ﻓﻰ ﺷﻜﻞ ﻧﻤﺎذج‬
‫رﻳﺎﺿﻴﺔ ﻣﺴﺘﻮﺣﺎة ﻣﻦ ﻋﻨﺎﺻﺮ اﻟﻤﻌﺎﻟﺠﺔ ﻟﻠﻤﻌﻠﻮﻣﺎت ﺑﺎ ﻟﺪﻣﺎغ و ﻳﻨﺘﺞ ﺣﻠﻮ ﻻً ذات ﻣﻌﻨﻰ ﺗﻔﻮق اﻣﻜﺎﻧﻴﺎت‬
‫اﻟﻜﻤﺒﻴﻮﺗﺮات اﻟﺮﻗﻤﻴﺔ اﻟﺘﻘﻠﻴﺪﻳﺔ ‪.‬‬
‫ﻓﻰ اﻻﻋﻮام اﻟﺤﺪﻳﺜﺔ ‪ ،‬آﺜﺮ اﺳﺘﻌﻤﺎل اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ اﻟﺼﻨﺎﻋﻴﺔ ﻓﻰ ﺷﺘﻰ اﻟﻨﻮاﺣﻰ اﻟﻬﻨﺪﺳﻴﺔ ‪.‬‬
‫وﺑﺼﻔﺔ ﺧﺎﺻﺔ ﺗﻢ ﺗﻄﺒﻴﻘﻬﺎ ﻓﻰ آﺜﻴﺮ ﻣﻦ ﻣﻌﻀﻼت اﻟﻬﻨﺪﺳﻴﺔ اﻟﺠﻴﻮﺗﻘﻨﻴﺔ‪ ،‬وﻗﺪ اﻋﻄﺖ ﻧﺘﺎﺋﺞ ﻧﺎﺟﺤﺔ ‪.‬‬
‫ﺑﺎﻟﺮﻏﻢ ﻣﻦ ان اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ اﻟﺼﻨﺎﻋﻴﺔ ﻗﺪ اﺗﺜﺒﺘﺖ ﺗﻔﻮﻗ ﺎً ﻋﻠﻰ ﻣﺜﻴﻼﺗﻬﺎ ﻣﻦ اﻟﻨﻤﺎذج ﻓﻰ ﺣﻞ‬
‫اﻟ ﻤﺸﺎآﻞ اﻟﻤﻌﻘﺪة ‪ ،‬إﻻ أن ﺗﻄﺒ ﻴ ﻘ ﻬﺎ ﻣﺤﺪود ﻓﻰ اﻟﻬﻨﺪﺳﺔ اﻟﺠﻴﻮﺗﻘﻨﻴﺔ ﻓﻰ اﻟﺴﻮدان ‪.‬‬

‫‪1‬‬ ‫)‪(302‬‬
‫ﻣﻊ اﻷﺧﺬ ﻓﻰ اﻻﻋﺘﺒﺎر اﻟﻜﻤﻴﺔ اﻟﻜﺒﻴﺮة ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬واﻻﺧﺘﻼﻓﺎت اﻟﻤﻘﺪرة ﻓﻰ ﻃﺒﻘﺎت اﻟﺘﺮﺑﺔ ﻓﻰ‬
‫اﻟﺴﻮدان‪ ،‬ﺛﻼﺛﺔ ﻣﻮاﻗﻊ ﻣﺨﺘﻠﻔﺔ ﺗﻢ اﺧﺘﻴﺎرهﺎ ﻟﻠﺪراﺳﺔ ﺳﻨﺴﺘﻌﺮض واﺣﺪا " ﻣﻨﻬﺎ ﻓﻰ هﺬﻩ اﻟﻮرﻗﺔ ‪ .‬اﻟﺒﻴﺎﻧﺎت‬
‫اﻟﻌﻤﻠ ﻴﺔ واﻟﻨﻤﺎذج ﻣﻘﺪﻣﺔ ﻓﻰ ﺟﺪاول ﻣﺨﺘﻠﻔﺔ ‪.‬‬
‫اﻟﻨﺘﺎﺋﺞ ﺗﺸﻴﺮ اﻟﻰ ان اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ اﻟﺼﻨﺎﻋﻴﺔ ﻋﺒﺎرة ﻋﻦ ﺗﻘﻨﻴﺔ ﻣﻔﻴﺪة ﻟﺘﻘﺪﻳﻢ ﻋﻼﻗﺔ ﺑﻴﻦ‬
‫اﻻﺣﺪاﺛﻴﺎت اﻟﻜﺎرﺗﻴﺰﻳﺔ ﺛﻼﺛﻴﺔ اﻻﺑﻌﺎد اﻟﻤﺪﺧﻠﺔ ‪ ،‬واﻻﺣﻮال اﻟﻔﻴﺰﻳﺎﺋﻴﺔ وﺗﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ وﻋﻮاﻣﻞ اﻟﺘﺮﺑﺔ‬
‫ﻟﻠﻤﻮاﻗﻊ ﻣﻮﺿﻮع اﻟﺪراﺳﺔ ‪ .‬ﻟﺬﻟﻚ ﻳﻤﻜﻦ اﻋﺘﺒﺎره ﺎ وﺳﻴﻠﺔ ﻓﻌﺎﻟﺔ ﻟﺘﺨﻤﻴﻦ ﻧﻮع اﻟﺘﺮﺑﺔ ﻓﻰ اﻟﺴﻮدان ‪.‬‬
‫‪ . 1‬اﻟ ﻤﻘﺪﻣﺔ ‪:‬‬
‫ﻋ ﻠﻰ ﻣﺪى اﻟﻌﻘﻮد اﻟﺜﻼﺛﺔ اﻟﻤﺎﺿﻴﺔ ) ‪ ، ( 1‬آﺎن هﻨﺎك اهﺘﻤﺎم ﻣﺘﺰاﻳﺪ ﻓﻲ ﻓﺌﺔ ﺟﺪﻳﺪة ﻣﻦ أﻧﻈﻤﺔ اﻟﺬآﺎء‬
‫اﻟﺤﺴﺎﺑﻰ اﻟﻤﻌﺮوﻓﺔ ﺑﺎﺳﻢ اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ اﻻﺻﻄﻨﺎﻋﻴﺔ ) ‪ ، ( ANN‬وﺟﺪ أﻧﻬﺎ أدوات ﺣﺎﺳﻮﺑﻴﺔ ﻓﻌﺎﻟﺔ‬
‫ﻟﺘﻨﻈﻴﻢ ورﺑﻂ اﻟﻤﻌﻠﻮﻣﺎت ﺑ ﻄﺮق أﺛﺒﺘﺖ ﺟﺪواهﺎ ﻓﻲ ﺣﻞ أﻧﻮاع ﻣﻌﻴﻨﺔ ﻣﻦ اﻟﻤﺸﺎآﻞ اﻟﻤﻌﻘﺪة ‪ ،‬أو اﻟ ﻐﻴﺮ‬
‫ﻣﻔﻬﻮﻣﺔ‪ ،‬أو ذات اﻟﻤﻮارد اﻟﻜﺜﻴﺮةﺟﺪا " ﻟ ﻠﻤﻌﺎﻟﺠﺔ ﺑﺎﺳﺘﺨﺪام أآﺜﺮ اﻷﺳﺎﻟﻴﺐ اﻟﺘﻘﻠﻴﺪﻳﺔ اﻟﺤﺴﺎﺑﻴﺔ ‪ .‬وﻗﺪ‬
‫اﺳﺘﺨﺪﻣﺖ أ ﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ اﻟﺼﻨﺎﻋﻴﺔ ﺑﻨﺠﺎح ﻓﻰ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻤﻬﺎم ﺑﻤﺎ ﻓﻲ ذﻟﻚ اﻟﺘﻌﺮف ﻋﻠﻰ اﻷﻧﻤﺎط‪،‬‬
‫واﻟﺘﺤﺴﻴﻦ‪ ،‬واﻟﺘﻨﺒﺆ‪ ،‬واﺳﺘﺮﺟﺎع اﻟﺒﻴﺎﻧﺎت‪ ،‬و اﻟﺘﺤﻜﻢ اﻵﻟﻲ ‪.‬‬
‫اﻟﻬﻨﺪﺳﺔ اﻟﺠﻴﻮﺗﻘﻨﻴﺔ ﻣﻌﺮوﻓﺔ آﺠﺰﺋﻴﺔ ' ﻏﻴﺮ دﻗﻴﻘﺔ ' ﻓﻰ اﻟﻬﻨﺪﺳﺔ و ﻳﺮﺟﻊ ذﻟﻚ إﻟﻰ ﺣﻘﻴﻘﺔ أن اﻟﺘﺮﺑﺔ‬
‫هﻰ اﻟﻤﺎدة اﻟﺘﻲ ﺗﻨﺘﺠﻬﺎ اﻷرض ‪ .‬ﻓﻲ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﺤﺎﻻت‪ ،‬ﻳﻜﻮن ﻓﻬﻤﻨﺎ اﻷﺳﺎﺳﻲ ﻟﺴﻠﻮك اﻟﺘﺮﺑﺔ ﻻ ﻳﺰال أﻗﻞ‬
‫ﻣﻦ اﻟﻘﺪرة ﻋﻠﻰ اﻟﺘﻨﺒﺆ ﺑﻜﻴﻔﻴﺔ ﺳﻠﻮ ك اﻷرض ‪ .‬ﻟﺬا رأي اﻟﺨﺒﺮاء ﻳﻠﻌﺐ دورا هﺎﻣﺎ‪ ،‬و ﻳ ﺴﺘﺨﺪم اﻟﻨﻬﺞ‬
‫اﻟﺘﺠﺮﻳﺒﻲ ﻟﻠﺘﺼﻤﻴﻢ ﻋﻠﻰ ﻧﻄﺎق واﺳﻊ ‪ .‬ﺑﻤﺎ أن ﺗﻘﻨﻴﺎت اﻟﺬآﺎء اﻻﺻﻄﻨﺎﻋﻲ ) ‪ ( AI‬ﺗ ﻤﻜﻦ ﻣﻦ اﻻﺳﺘﻔﺎدة ﻣﻦ‬
‫اﻟﻤﻌﺮﻓﺔ اﻻ رﺷﺎدﻳ ﺔ أو ﻧﻤﻂ ﺗﻘﻨﻴﺎت ﻣﻄﺎﺑﻘﺔ ﺑﺪﻻ ﻣﻦ ﺣﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻤﻌﺎدﻻت اﻟﺮﻳﺎﺿﻴﺔ‪ ،‬اذا " ﻳﻨﺒﻐﻲ أن‬
‫ﺗﻜﻮن ﻣﻨﺎﺳﺒﺔ ﺑﺸﻜﻞ ﻣﺜﺎﻟﻲ ﻟﺘﻄﺒﻴﻘﻬﺎ ﻓﻲ ﻣﺠﺎل اﻟﻬﻨﺪﺳﺔ اﻟﺠﻴﻮﺗﻘﻨﻴﺔ ‪.‬‬
‫ﺗﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ هﻮ ﺟﺎﻧﺐ هﺎم ﻓﻲ ﻣﺠﺎل اﻟﻬﻨﺪﺳﺔ اﻟﺠﻴﻮﺗﻘﻨﻴﺔ ‪ ،‬و ﻓﻬﻤ ﻬﺎ ﻳﻮﻓﺮ إرﺷﺎدات ﻋﺎﻣﺔ ﺣﻮل‬
‫اﻟﺘﺮﺑﺔ ﻋﻠﻰ أﺳﺎس اﻟﻨﺘﺎﺋﺞ اﻟﺘﺠﺮﻳﺒﻴﺔ اﻟﺴﺎﺑﻘﺔ ‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻻ ﻳﻨﺒﻐﻲ ﻟﻠﻤﺮء أن ﻳﻌﺘﻤﺪ ﻋﻠﻰ اﻟﻤﻌﻠﻮﻣﺎت‬
‫اﻟﺘﺠﺮﻳﺒﻴﺔ ﻣﻦ هﺬﻩ اﻟﺘﺼﻨﻴﻔﺎت ﻟﺤﻞ ﻣﺸﺎآﻞ اﻟﺘﺼﻤﻴﻢ ‪ .‬وﻗﺪ ﺗﻢ ﺗﻄﻮﻳﺮ ﻣﺠﻤﻮﻋ ﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ ﻧﻈﻢ اﻟﺘﺼﻨﻴﻒ‬
‫ﻟﻠﺘﺮﺑﺔ ﻟﺘ ﺰوﻳﺪ اﻟﻤﻬﻨﺪﺳﻴﻦ واﻟﻌﻠﻤﺎء وﻣﺪﻳﺮي اﻟﻤﻮارد ﺑﻤﻌﻠﻮﻣﺎ ت ﻋﺎﻣﺔ ﻋﻦ ﻃﺒﻴﻌﺔ اﻟﺘﺮﺑﺔ اﻟﻤﻮﺟﻮدة ﻓﻲ‬
‫ﻣﻮﻗﻊ ﻣﻌﻴﻦ ‪ .‬ﺗﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ اﻷآﺜﺮ اﺳﺘﺨﺪاﻣﺎ هﻮ ﻧﻈﺎم ﺗﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ اﻟﻤﻮﺣﺪ ) ) ‪، ( US Army1960‬‬
‫) هﻮارد ‪ ، ( 2 )( 1977‬اﻟﺬي ﺗﻢ ﺗﻄﻮﻳﺮﻩ ﻓﻲ اﻟﺒﺪاﻳﺔ ﻣﻦ ﻗﺒﻞ آﺎزاﻗﺮاﻧﺪى ﻓﻲ ﻋﺎم ‪. 1952‬‬
‫واﺧﺘﺼﺎر ﻩ ) ‪ ( USCS‬و ﺳﻮف ﻳﺘﻢ ﺗﻄﺒﻴﻘﻪ ﻓﻲ هﺬا اﻟﺒﺤﺚ ‪.‬‬
‫ﻋﻨﺪ ارﺗﺒﻄﻬﺎ ﺑ ﺘﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ‪ ،‬ﻳﻤﻜﻦ أن ﻳ ﻜﻮن اﻟﺬآﺎء اﻻﺻﻄﻨﺎﻋﻲ ﻣﻔﻴﺪ ﻟﺘﻘﻴﻴﻢ وﺻﻨﻊ اﻟﻘﺮار ‪.‬‬
‫اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ اﻻﺻﻄﻨﺎﻋﻴﺔ )‪ ( ANN‬؛ ‪(Fausett 1994; Flood and Kartam 1994); Hecht-‬‬
‫)‪ ( 3 ) ( Nilsen 1990; Maren et al. 1990; Zurada 1992‬ه ﻰ أﻧﻮاع ﻣﻦ اﻟﺬآﺎء اﻻﺻﻄﻨﺎﻋﻲ‪،‬‬
‫واﻟﺘﻲ ﻓﻰ اﻟﺴﻠﻮك اﻟﺨﺎص ﺑﻬ ﺎ ‪ ،‬ﺗ ﺤﺎول ﻣﺤﺎآﺎة ﺑﻨﻴﺔ اﻟﺪﻣﺎغ اﻟﺒﺸﺮي اﻟﺒﻴﻮﻟﻮﺟﻴﺔ واﻟﺠﻬﺎز اﻟﻌﺼﺒﻲ ‪ .‬ﺗﻢ‬
‫ﺗﻄﺒﻴﻖ اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ اﻟﺼﻨﺎﻋﻴﺔ ﻋﻠﻰ ﻧﻄﺎق واﺳﻊ ﻟﻜﺜﻴﺮ ﻣﻦ ﻣﻬﺎم اﻟﺘﻨﺒﺆ‪ ،‬وذﻟﻚ ﻷن ﻟﺪﻳﻬﺎ اﻟﻘﺪرة ﻋﻠﻰ‬
‫ﺗﺼﻤﻴﻢ ﻧﻤﻮذج اﻟﻌﻼﻗﺔ ﻏﻴﺮ اﻟﺨﻄﻴﺔ ﺑﻴﻦ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻤﺘﻐﻴﺮات اﻟﻤﺪﺧﻼت واﻟﻤﺨﺮﺟﺎت اﻟﻤﻨﺎﻇﺮة ‪ .‬وﻗﺪ‬
‫أﻇﻬﺮت اﻟﺪراﺳﺎ ت اﻟﺤﺪﻳﺜﺔ أن اﻟﻄﺮﻳﻘﺔ اﻟﺘﻲ ﻳﺘﻢ ﺑﻬﺎ ﺗﻘﺴﻴﻢ اﻟﺒﻴﺎﻧﺎت ﻳﻤﻜﻦ أن ﻳﻜﻮن ﻟﻬﺎ ﺗﺄﺛﻴﺮ آﺒﻴﺮ ﻋﻠﻰ‬
‫اﻟﻨﺘﺎﺋﺞ اﻟﺘﻲ ﺗﻢ اﻟﺤﺼﻮل ﻋﻠﻴﻬﺎ ) ﻃﻮآﺮ وﺟﻮﻧﺴﻮن ‪.( 4 ) ( 1999‬‬
‫‪ . 2‬ﺗﺤﻠﻴﻞ ﺑﻴﺎﻧﺎت اﻟﺒﺤﺚ ‪:‬‬
‫ﺗﻢ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت اﻟﻤﺴﺘﺨﺪﻣﺔ ﻓﻲ هﺬا اﻟﺒﺤﺚ‪ ،‬ﻣﻦ ﺳﺠﻼت اﻵﺑﺎر ) ‪ ( boreholelogs‬ﻓﻲ ﻣﻨﺎﻃﻖ‬
‫اﻟﺪراﺳﺔ ﻣﻦ ﻣﻌﻬﺪ ﺑﺤﻮث اﻟﺒﻨﺎء واﻟﻄﺮق ) ‪ ( BRRI‬ﺑﺠﺎﻣﻌﺔ اﻟﺨﺮﻃﻮم ) ‪ ( U of K‬ﻷﻏﺮاض ﻣﺨﺘﻠﻔﺔ ‪.‬‬

‫‪2‬‬ ‫)‪(303‬‬
‫ﺑﺎﻟﻮﺿﻊ ﻓﻰ اﻻﻋﺘﺒﺎراﻟ ﻌﺪد اﻟ ﻜﺒﻴﺮ ﻣﻦ اﻟﺒﻴﺎﻧﺎت و اﻻ ﺧﺘﻼﻓﺎت اﻟ ﻜﺒﻴﺮة ﻓﻲ ﻃﺒﻘﺎت اﻟﺘﺮﺑﺔ ﻓﻰ‬
‫اﻟﺴﻮدان‪ ،‬ﺗﻢ اﺧﺘﻴﺎر ﺛﻼﺛﺔ ﻣﻮاﻗﻊ ﺗﺤﺘﻮي ﻋﻠﻰ ﻋﺪد آﺒﻴﺮ ﻧﺴﺒﻴﺎ ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻟﻬﺬﻩ اﻟﺪراﺳﺔ ‪ .‬اﺛﻨﺎن ﻣﻨﻬﻢ ﻓﻲ‬
‫ﻣﺪﻳﻨﺔ اﻟﺨﺮﻃﻮم اﻟﻌﺎﺻﻤﺔ وﻳﻘﻊ اﻟﻤﻮﻗﻊ اﻟﺜﺎﻟﺚ ﻓﻲ وﻻﻳﺔ اﻟﻨﻴﻞ اﻷﺑﻴﺾ ‪ .‬اﻟﺒﻴﺎﻧﺎت ﺗﺸﻤﻞ أﺳﺎﺳﺎ ‪ :‬اﺳﻢ اﻟﻤﻮﻗﻊ‬
‫واﻟﻤﻜﺎن وﻋﺪد اﻵﺑﺎر‪ ،‬و اﻟ ﻌﻤﻖ‪ ،‬و رﻣﺰ ﻣﺠﻤﻮﻋﺔ اﻟﺘﺮﺑﺔ ‪ ،‬و ﻋﻮاﻣﻞ اﻟﺘﺮﺑﺔ اﻷﺧﺮى ﻣﺜﻞ اﻟﺤﺪ ا ﻟﺴﺎﺋﻞ‬
‫) ‪ ( LL‬و ﺣﺪ اﻟﻠﺪوﻧﺔ ) ‪ ، ( PL‬ﻣﺆﺷﺮ اﻟﻠﺪوﻧﺔ ) ‪ ( PI‬و اﺧﺘﺒﺎر ﻣﺴﺘﻮى اﻻﺧﺘﺮاق ﻗﻴﻤﺔ ) ‪.( SPT-N‬‬
‫اﻟﻤﻔﺘﺎح ﻟﺘﺼﻤﻴﻢ ﺷﺒﻜﺔ ﻋﺼﺒﻴﺔ ﻧﺎﺟﺤﺔ هﻮ أن ﺗﻜﻮن هﻨﺎك اﻟﻜﺜﻴﺮ ﻣﻦ اﻟﺒﻴﺎﻧﺎت اﻟﺠﻴﺪة‪ ،‬ﻟﺬﻟﻚ ﻓﻲ‬
‫هﺬﻩ اﻟﺪراﺳﺔ‪ ،‬ﻓﻘﻂ اﺧﺬت ﻋﻮاﻣﻞ اﻟﺘﺮﺑﺔ ذات اﻟﻜﻤﻴﺔ اﻟﻤﻨﺎﺳﺒﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻣﻦ اﻟﺘﻘﺎرﻳﺮ اﻟﻔﻨﻴﺔ ) ‪، PI ، LL‬‬
‫‪ .( USCS ، N‬و ﺗﻢ اﺳﺘﺒﻌﺎد ﻋﻮاﻣﻞ اﻷﺧﺮى ﻣﻦ اﻟﻨﻤﺎذج ﻟﺘﻤﻜﻴﻦ اﻟ ﻨﻤﺎذج ﻣﻦ ﺑﻨﺎء ﻋﻼﻗﺎت ﺻﺤﻴﺤﺔ ‪.‬‬
‫ﻷن وﻇﻴﻔﺔ ﻣﻌﺎﻣﻞ اﻟﺘﻨﺸﻴﻂ ) ‪ ( function activation‬ﻧﻘﻞ اﻟﻨﺎﺗﺞ ﻣﻦ اﻟﺨﻼﻳﺎ اﻟﻌﺼﺒﻴﺔ إﻟﻰ ﻗﻴﻢ‬
‫ﺑﻴﻦ ‪ 0‬و ‪ ، 1.0‬ﺳﻴﺘﻢ ﺗﻄﺒﻴﻊ ) ‪ ( normalized‬اﻟﺘﺪرﻳﺐ ﻗﺒﻞ ﻋﺮﺿﻪ ﻋﻠﻰ اﻟﻨﻤﻮذج ‪ .‬و اﻟﺘﻌﺒﻴﺮ ) ‪ ( 5‬ﺗﺴﺘﺨﺪم‬
‫ﻟﺘﻄﺒﻴﻊ اﻟﺒﻴﺎﻧﺎت ﺑﻮاﺳﻄﺔ ‪:‬‬
‫)‪Actual (value) − Minimum(value‬‬
‫= )‪Normalized (value‬‬
‫)‪Maximum(value) − Minimum(value‬‬
‫و ﺗﺴﺘﺨﺪم اﻟﻤﻌﺎدﻟﺔ اﻟﺘﺎﻟﻴﺔ ﻟﺘﺤﻮﻳﻞ اﻟﻨﺎﺗﺞ إﻟﻰ ﻗﻴﻢ ﻓﻌﻠﻴﺔ ﻃﺒﻴﻌﻴﺔ ‪:‬‬
‫‪Model (value ) = Model (output ) * [ Max.(value ) − Min.(value )] + Min.(value ).‬‬
‫‪ . 3‬ﻧﻤﺬﺟﺔ اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﻴﺔ اﻻﺻﻄﻨﺎﻋﻴﺔ ‪:‬‬
‫‪ 3.1‬اﺧﺘﻴﺎر ﻋﻮاﻣﻞ اﻹدﺧﺎل واﻹﺧﺮاج‬
‫آﻤﺎ ذآﺮ ﻣﻦ ﻗﺒﻞ‪ ،‬ﺑﺸﺄن اﻟﺒﻴﺎﻧﺎت اﻟﻤﺘﺎﺣﺔ وﺟﻮدﺗﻬﺎ ‪ ،‬ﺗﻢ إ ﺳﺘﺨﺪام ﻃﺒﻘﺎت اﻟﺘﺮﺑﺔ وﺗﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ‬
‫ﻓﻲ " ﻧﻤﻮذج ‪ ، " 1‬وﻋﻮاﻣﻞ اﻟﻄﻴﻦ ﻓﻲ " ﻧﻤﻮذج ‪ " 2‬وﻋﻮاﻣﻞ اﻟﺮﻣﻞ ﻓﻰ " ﻧﻤﻮذج ‪ ." 3‬و ﻳﺘﻢ ﺗﺤﺪﻳﺪ اﻟﻄﺒﻘﺔ‬
‫اﻟﺘﺮﺑﺔ ﻋﻦ ﻃﺮﻳﻖ ﻧﻈﺎم ﺗﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ اﻟﻤﻮﺣﺪ ) ‪ ( USCS‬وﻓﻘﺎ ﻟﺘﺤﻠﻴﻞ ﺣﺠﻢ اﻟﺠﺴﻴﻤﺎت وﺣﺪود اﺗﺮﺑﻴﺮج ‪.‬‬
‫ﻓﻲ هﺬﻩ اﻟﺪراﺳﺔ ﺗﻢ ﺗﻌﻴﻴﻦ آﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻊ ﻋﺪد ﻣﻌﻴﻦ ﻋﻠﻰ اﻟﻨﺤﻮ اﻟﺘﺎﻟﻲ ‪:‬‬

‫‪GW‬‬ ‫‪GP‬‬ ‫‪GM‬‬ ‫‪GC‬‬ ‫‪SW‬‬ ‫‪SP‬‬ ‫‪SM‬‬ ‫‪SC‬‬ ‫‪ML‬‬ ‫‪CL‬‬ ‫‪MH‬‬ ‫‪CH‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬ ‫‪12‬‬

‫ﺣﻴﺚ ‪ M C ، S ، G‬وﺗﻤﺜﻞ ﻋﻠﻰ اﻟﺘﻮاﻟﻲ اﻟﺤﺼﻰ واﻟﺮﻣﻞ واﻟﻄﻴﻦ واﻟﻄﻤﻲ و ‪ L H ، P ، W‬ﺗﺮﻣﺰ‬

‫ﻟﺠﻴﺪ اﻟﺘﺪرج‪ ،‬ﻓﻘﻴﺮ اﻟﺘﺪرج‪ ،‬ﻋﺎﻟﻰ اﻟﻠﺪوﻧﺔ و ﻓﻘﻴﺮ اﻟﻠﺪوﻧﺔ ‪ .‬ﻋﻠﻰ ﺳﺒﻴﻞ اﻟﻤﺜﺎل ‪ GW‬ﺳﻴﻤﺜﻞ اﻟﺤﺼﻰ ﺟﻴﺪ‬
‫اﻟﺘﺪرج ‪ .‬آﻤﺎ أن ﻧﻮع اﻟﺘﺮﺑﺔ ﻓﻲ ﻣﻨﻄﻘﺔ اﻟﺪراﺳﺔ ﺳﻴﻘﺘﺼﺮ ﻋﻠﻰ اﻟ ﺜﻤﺎﻧﻴ ﺔ ﻣﺠﻤﻮﻋﺎت اﻷﺧﻴﺮ ة ﻣﻦ اﻟﺠﺪول‬
‫أﻋﻼﻩ ‪ .‬ﻟﺬﻟﻚ‪ ،‬ﻓﻲ اﻻ ﺧﺘﺒﺎر ﺳ ﻴﺘﻢ اﺳﺘﺒﻌﺎد اﻟﺠﺰﻳﺌﺎت آﺒﻴﺮة اﻟﺤﺠﻢ ﻟﺬا ﺗﻢ اﺧﺘﻴﺎر ﻣﺠﻤﻮﻋﺘﻴﻦ ﻣﻦ أﺟﻞ ﺗﻤﺜﻴﻞ‬
‫اﻟﺒﻴﺎﻧﺎت إﻟﻰ اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﻴﺔ ‪.‬‬

‫‪SW‬‬ ‫‪SP‬‬ ‫‪SM‬‬ ‫‪SC‬‬ ‫‪ML‬‬ ‫‪CL‬‬ ‫‪MH‬‬ ‫‪CH‬‬

‫‪Sand‬‬ ‫‪Clay‬‬
‫‪2‬‬ ‫‪3‬‬
‫ﻓﻲ اﺧﺘﻴﺎر ﻋﻼﻣﺎت اﻟﻤﺠﻤﻮﻋﺎت اﻟﺮﻗﻤﻴﺔ أﻋﻼﻩ ‪ ،‬ﺗﻢ وﺿﻊ ﺣﺠﻢ اﻟﺠﺴﻴﻤﺎت اﻟﻌﺎم ﻓﻰ اﻻﻋﺘﺒﺎر ‪.‬‬
‫‪ 3.1.1‬ﻧﻤﻮذج اﻟﺘﺼﻨﻴﻒ " ﻧﻤﻮذج ‪:" 1‬‬

‫‪3‬‬ ‫)‪(304‬‬
‫ﻓﻲ " ﻧﻤﻮذج ‪ " 1‬ﻣﻌﺎﻣﻼت اﻹدﺧﺎل ﺗﺸﻤﻞ ﺷﺒﻜﺔ إﺣﺪاﺛﻴﺎت اﻵﺑﺎر وﻋﻤﻖ ﻃﺒﻘﺔ اﻟﺘﺮﺑﺔ و ﻣﻌﺎﻣﻼت‬
‫اﻹﺧﺮاج ﺳﻴﻜﻮن ﺗﺼﻨﻴﻒ اﻟ ﻄﺒﻘﺔ ‪ .‬أﻇﻬﺮ اﻟﺘﻘﺪﻳﺮ اﻻﺑﺘﺪاﺋﻰ ﻟﻤﻌﺎﻣﻼت ا ﻟﺘﺼﻨﻴﻒ أﻧﻪ ﻻ ﻳﻤﻜﻦ اﺳﺘﺨﺪام‬
‫اﻷرﻗﺎم ‪ 1‬و ‪ 2‬ﻓﻰ ﻗﻴﻢ ﺷﺒﻜﺔ اﻹﺧﺮاج ‪ .‬ﻟﺬا وﻣﻦ أﺟﻞ ﺗﺼﻨﻴﻒ اﻟ ﻄﺒﻘﺎت‪ ،‬ﺗﺴﺘﺨﺪم اﺛﻨﻴﻦ ﻣﻦ ﻋﻘﺪ اﻟﻨﺎﺗﺞ ‪،‬‬
‫وﻣﻤﺜﻞ اﻟﻄﺒﻘﺔ ﻣﻦ ﻃﺒﻘﺎت اﻟﺘﺮﺑﺔ ﺳﺘﻜﻮن ﻋﻠﻰ اﻟﺘﻮاﻟﻲ‪ 0 ،‬و ‪ . 1‬وﺑﻌﺒﺎرة أﺧﺮى‪ ،‬ﻓﺈن ﻋﻤﻮد " اﻹﺧﺮاج "‬
‫" ﻋﻘﺪة ‪ " 1‬ﻳﺘﻮاﻓﻖ ﻣﻊ اﻟﺮﻣﻞ إذا آﺎن ‪ ، 1‬و ﻻ ﻳﺘﻮاﻓﻖ إذ ا آﺎن ﺻﻔﺮ‪ ،‬و " ﻋﻘﺪة ‪ " 2‬ﻳﺘﻮاﻓﻖ ﻣﻊ اﻟﻄﻴﻦ إذا‬
‫آﺎن ‪ ، 1‬وﻻ ﻳﺘﻮاﻓﻖ إذا آﺎن ﺻﻔﺮ ‪ .‬و ﻓﻲ اﻟﻤﺨﺮﺟﺎت ﻓﺎن ﻣﺼﻨﻒ اﻟﺮﻣﻞ وا ﻟﻄﻴﻦ ' هﻮ اﻟﺮﻗﻢ اﻟﻨﻬﺎﺋﻲ‬
‫اﻟﻤﺴﺘﺨﺪم ﻟﺘﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ ‪.‬‬
‫‪ 3.1.2‬ﻧﻤﻮذج اﻟﻄﻴﻦ " ﻧﻤﻮذج ‪:" 2‬‬
‫ﻓﻲ " ﻧﻤﻮذج ‪ " 2‬ﻣﻌﺎﻣﻼت اﻹدﺧﺎل ﺗﺸﻤﻞ ﺷﺒﻜﺔ إﺣﺪاﺛﻴﺎت اﻵﺑﺎر وﻋﻤﻖ ﻃﺒﻘﺔ اﻟﺘﺮﺑﺔ وﻣﻌﺎﻣﻼت‬
‫اﻹﺧﺮاج ﺳﺘﻜﻮن ﻣﻌﺎﻣﻼت ﻃﺒﻘﺔ اﻟﻄﻴﻦ ﺣﺪ اﻟﺴﻴﻮﻟﺔ ) ‪ ، ( LL‬و ﺣﺪ اﻟﻠﺪوﻧﺔ ) ‪ ( PL‬وﻣﺆﺷﺮ اﻟﻠﺪوﻧﺔ ) ‪. ( PI‬‬
‫‪ 3.1.3‬ﻧﻤﻮذج اﻟﺮﻣﻞ " ﻧﻤﻮذج ‪:" 3‬‬
‫ﻓﻲ " ﻧﻤﻮذج ‪ " 3‬ﻣﻌﺎﻣﻼت اﻹدﺧﺎل ﺗﺸﻤﻞ ﺷﺒﻜﺔ اﺣﺪاﺛﻴﺎت اﻟﺒﺌﺮ وﻋﻤﻖ ﻃﺒﻘﺔ اﻟﺘﺮﺑﺔ و ﻣﻌﺎﻣﻼت‬
‫اﻹﺧﺮاج ﺳﺘﻜﻮن ﻣﻌﺎﻣﻼت ﺗﺼﻨﻴﻒ ﻃﺒﻘﺔ اﻟﺮﻣﻞ ‪ .‬ﻧﺴﺒﺔ ﻷن اﻟﻨﻤﺎذج اﻟﺘﺄﺳﻴﺴﻴﺔ ﺗﺘﻄﻠﺐ ﻣﻌﺎﻣﻼت اﻟﻤﻮاد و‬
‫ﻷن آﻤﻴﺔ ﻣﺤﺪودة ﻣﻨ ﻬﺎ ﻋﺎدة ﻣﺎ ﺗﻜﻮن ﻣﺘﺎﺣﺔ ﻓﻲ اﻟﻤﻮﻗﻊ ‪ ،‬ﻳﺘﻢ اﻟﺤﺼﻮل ﻋﻠﻰ ﻣﻌﺎﻣﻼت اﻟﻤﻮاد اﻟﻤﻄﻠﻮﺑﺔ‬
‫ﻣﻦ ﻣﻌﺎدﻟﺔ ارﺗﺒﺎط ) ‪ ( correlation formula‬ﻓﻲ هﺬا اﻟﻨﻤﻮذج‪ ،‬و ﺑﺎﺳﺘﺨﺪام اﻻرﺗﺒﺎﻃﺎت اﻟﻤﻮﺟﻮدة وهﺬﻩ‬
‫اﻟﻤﻌﺎﻣﻼت اﻟﻤﻮﺟﻮدة ‪ ،‬ﻳﺘﻢ ﺗﺤﺪﻳﺪ اﻟﻘﻴﻢ اﻟﻤﻨﺎﻇﺮة ﻟﻤﻌﺎﻣﻼت اﻟﺘﺮﺑﺔ ﻏﻴﺮ اﻟ ﻤﻌﺮوﻓ ﺔ ‪ .‬و و ﻓﻘﺎ ﻟﻨﻈﺎم ﺗﺼﻨﻴﻒ‬
‫اﻟﺘﺮﺑﺔ اﻟﻤﻮﺣﺪ‪ ،‬ﺗﺼﻨﻒ آﻞ ﺣﺎﻟﺔ ﻣﻦ اﻟﺤﺎﻻت ﻓﻲ هﺬا اﻟﻨﻤﻮذج ﻋﻠﻰ أﻧﻪ ﻧﻮع اﻟﺘﺮﺑﺔ اﻟﺮﻣﻠﻴﺔ ‪ .‬ﺛﻢ‪ ،‬ﻳﺘﻢ‬
‫ﺗﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ آﻞ ﺣﺎﻟﺔ ﻋﻠﻰ اﻟﻨﺤﻮ اﻟﻤﻌﺘﺎد ‪ .‬اﻟﺮﻣ ﺎ ل ‪ .‬اﻟﺮﻣ ﺎ ل اﻟﻐﺮﻳﻨﻲ ‪ ،‬و اﻟﺮﻣﺎل اﻟﻄﻴﻨﻴﺔ ‪.‬‬
‫ﺑﺎﺳﺘﺨﺪام اﻟﻘﻴﻢ ‪ SPT-N‬واﻻرﺗﺒﺎﻃﺎت اﻟﺘﻲ اﻗﺘﺮﺣﻬﺎ ﻣﺎﻳﺮهﻮف ) ‪ ( 5 ، 6‬وﺑﻴﻚ ) ‪ ( 7 ، 6‬اﻟﻜﺜﺎﻓﺔ‬
‫اﻟﻨﺴﺒﻴﺔ ) ‪ ( DR‬وزاوﻳﺔ اﻻﺣﺘﻜﺎك ) ‪ ( ¢‬ﻟﻜﻞ ﺣﺎﻟﺔ ﻳﺘﻢ ﺗﺤﺪﻳﺪ هﺎ ‪ .‬و اﻟﻌﻼﻗﺎت ‪ ¢ -N-DR‬آﻤﺎ ه ﻮ ﻣﺒﻴﻦ ﻓﻲ‬
‫اﻟﺠﺪول ) ‪ ( 3.1‬ﻳﺘﻢ اﺳﺘﺨﺪاﻣﻬﺎ ‪.‬‬

‫‪SPT-N Values‬‬ ‫)‪Relative Density (DR) (kN/m3‬‬ ‫)‪Friction Angle(¢‬‬

‫)‪(Meyerhof, 1956‬‬ ‫)‪(Peck, 1974‬‬

‫‪<4‬‬ ‫‪<20‬‬ ‫‪<28.50‬‬

‫‪4 -10‬‬ ‫‪20 – 40‬‬ ‫‪28.6 - 30‬‬
‫‪10 - 30‬‬ ‫‪40 – 60‬‬ ‫‪30 - 36‬‬
‫‪30 - 50‬‬ ‫‪60 – 80‬‬ ‫‪36 - 41‬‬
‫‪50‬‬ ‫‪>80‬‬ ‫‪41‬‬
‫اﻟﺠﺪول ) ‪ ( 3.1‬اﻟﻌﻼﻗﺔ ‪N-DR‬‬
‫ﻗﻴﻢ ‪ N‬ﻓﻲ اﻟﺠﺪول )‪ (3.1‬هﻰ ﻣﻘﺎوﻣﺔ ﻗﻴﺎس ﻏﻴﺮ ﻣ ﺼﺤﺤﺔ ‪.‬‬
‫ﺑﻤﺎ أﻧﻪ ﻣﻄﻠﻮب ﻋﺪد آﺒﻴﺮ ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻟﺘﺤﻠﻴﻞ ﻣﻮﺛﻮق ﻟﻠﺸﺒﻜﺔ اﻟﻌﺼﺒﻴﺔ اﻻﺻﻄﻨﺎﻋﻴﺔ‪ ،‬ﺗﺴﺘﺨﺪم آﻞ ﻣﻦ‬
‫اﻟﺒﻴﺎﻧﺎت ‪ SPT‬و ‪ . CPT‬ﺑﻴﺎﻧﺎت اﺧﺘﺒﺎر ‪ CPT‬ﺗﺤﻮل إﻟﻰ ﻗﻴﻢ ‪ SPT-N‬ﺑﻘﻴﻢ ﻣ ﻌﺎدﻟ ﺔ ﺑﺎﺳﺘﺨﺪام اﻻرﺗﺒﺎﻃﺎت‬
‫اﻟﻤﺘﻮﻓﺮة ﺑﻴﻦ ‪ SPT‬وﺑﻴﺎﻧﺎت اﻻﺧﺘﺒﺎر ‪ . CPT‬ﻟﺬا ﺗ ﺴﺘﺨﺪم اﻟﻌﻼﻗﺔ اﻟﺘﺎﻟﻴﺔ )) ‪: ( 8 ، Schmertmann (6‬‬
‫‪ qc= 4 to 5 N‬ﻟﻠﺮﻣﺎل‬
‫‪ qc= 3,5 to 4,5 N‬ﻟ ﻠﺮﻣﺎل ا ﻟﻐﺮﻳﻨﻴ ﺔ‬
‫ﺑﻌﺪ هﺬا اﻟﺘﺤﻮﻳﻞ‪ ،‬ﻳﺘﻢ ﺗﻨﻔﻴﺬ اﻟﻌﻤﻠﻴﺎت اﻟﺤﺴﺎﺑﻴﺔ اﻟﻼزﻣﺔ ﻓﻲ أﻋﻘﺎب اﻹﺟﺮاء اﻟﻤﺬآﻮرة أﻋﻼﻩ ‪.‬‬
‫‪4‬‬ ‫)‪(305‬‬
 ‫‪ 3.2‬اﻟﺘﺪرﻳﺐ واﻻﺧﺘﺒﺎر واﻟﺘﺤﻘﻖ ﻣﻦ ﻣﺠﻤﻮﻋﺎت اﻟﺒﻴﺎﻧﺎت ‪:‬‬
‫ﺗﻢ اﺳﺘﺨﺪام ﺑﺮ ﻧﺎﻣﺞ اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﻴﺔ اﻟﺬى ﻳﺴﺘﺨﺪم ) ‪ ( 13 ) ( Back Propagation‬ﻟﻬﺬﻩ اﻟﺪراﺳﺔ ‪ .‬هﺬﻩ‬
‫اﻟﺤﺰﻣﺔ ﺗﺴﻤﺢ ﻻﻧﺘﺸﺎر اﻟﺸﺒﻜﺎت ﻣﻊ ﻃﺒﻘﺎت ﻣﺤﻜﻤﺔ ‪ ،‬واﻟﻌﻘﺪ ﻟﻜﻞ ﻃﺒﻘﺔ‪ ،‬وﺻﻼت اﻟﺮﺑﻂ ﺑﻴﻦ اﻟﻄﺒﻘﺎت‪،‬‬
‫وﻏﻴﺮهﺎ ﻣﻦ ﻣﻜﻮﻧﺎت ﺗﺼﻤﻴﻢ اﻟﺸﺒﻜﺎت اﻷﺳﺎﺳﻴﺔ ‪ .‬ﻋﻤﻮﻣﺎ‪ ،‬ﻳﻔﻀﻞ ﻟﻠﻤﺴﺘﺨﺪم ﻋﻤﻞ ﺗﺠ ﺎرب ﻋﺪة ﻣﻊ ﺗﺸﻐﻴﻞ‬
‫اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﻴﺔ ﻟﻤﻌﺮﻓﺔ أي ﻣﺠﻤﻮﻋ ﺔ ﻣﻦ اﻟﻌﻮاﻣﻞ آﺎﻓﻴﺔ ﻟﺘﺤﻘﻴﻖ ﻧﺘﺎﺋﺞ ذات ﻣﻌﻨﻰ ‪ .‬اﻟ ﺸﺒﻜﺔ ﺗﻌﻤﻞ ﻋﻠﻰ ﺣﻞ‬
‫ﻣﺴﺎﺣﺔ اﻟﺤﻞ ﻏﻴﺮ ﻣﻌﺮوف ﻣﻦ ﺧﻼل اﺳﺘﻜﺸﺎف هﺬﻩ اﻟﻤﺴﺎﺣﺔ ‪ .‬ﻓﻰ آﻞ دورة ﺗﺪرﻳﺒﻴﺔ ﺗﺒﺪأ ﺷﺒﻜﺔ ﻣﻦ ﺧﻼل‬
‫اﻟﺒﺤﺚ اﻟﻌﺸﻮاﺋﻲ ﻟ ﻨﻘﻄﺔ اﻧﻄﻼق‪ ،‬وﻣﻦ ﺛﻢ ﻳﺴﺘﻤﺮ اﺳﺘﻨﺎدا " ﻋ ﻠﻰ ﻋﻮاﻣﻞ اﻟﻤﺴﺘﺨﺪم اﻟﺘﻲ ﺗﻢ ﺗﺤﺪﻳﺪهﺎ ‪ .‬ﻋﻠﻰ‬
‫اﻟﺮﻏﻢ ﻣﻦ أن اﻟﻤﺴﺘﺨﺪم ﻗﺪ ﻳ ﻘﺮر ا ﻻﺣﺘﻔﺎظ ﺑ ﻬﻴﺎآﻞ اﻟﺸﺒﻜﺔ ﻣﺘﻄﺎﺑﻘﺔ واﻟﻌﻮاﻣﻞ ﻓﻲ أﺷﻮاط ﻣﺘﺘﺎﻟﻴﺔ‪ ،‬ﻗﺪ‬
‫ﺗﻌﻄﻰ ﺗﻤﺎرﻳﻦ اﻟ ﺸﺒﻜﺔ ﺣﻠﻮل ﻣﺨﺘﻠﻔﺔ ﻗﻠﻴﻼ‪ ،‬ﻋﻠﻰ أﺳﺎس ﻣﺠﻤﻮﻋﺔ ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻷوزان ﻳﺘﻢ اﺧﺘﻴﺎر ﻋﺸﻮاﺋﻲ‬
‫ﺗﻠﻘﺎﺋﻴﺎ ﻓﻲ ﺑﺪاﻳﺔ ﺗﻬﻴﺌﺔ اﻟ ﺸﺒﻜﺔ ‪ .‬ﺷﺮوط اﺑﺘﺪاﺋﻴﺔ ﻣﺨﺘﻠﻔﺔ ﻗﺪ ﺗ ﺒﺪأ اﻟﺸﺒﻜﺔ ﺑﻬﺎ ﻋﻠﻰ ﻣﺴﺎر اﻟﺤﺪ ا ﻷدﻧﻰ ﻣﻦ أﺟﻞ‬
‫إﻳﺠﺎد ﺣﻠﻮل ﻣﺤﻠﻴﺔ ﻣ ﺨﺘﻠﻔﺔ ‪ .‬هﺬا و ﻋﻠﻰ اﻟﺮﻏﻢ ﻣﻦ أن ﻋﺎدة ﻣﺎ ﺗﺴﺘﺨﺪم ﺑﻴﺎﻧﺎت اﻟﺘﺪرﻳﺐ ﻋﻠﻰ أﺳﺎس‬
‫ﻋﺸﻮاﺋﻲ‪ ،‬ﻳﻨﺒﻐﻲ اﻟﻨﻈﺮ ﻓﻲ ﺑﻌﺾ اﻟﻨﻘﺎط ‪ .‬اﻟﻨﻘﻄﺔ اﻷآﺜﺮ أ هﻤﻴﺔ هﻮ أن اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ ﻓﻲ اﻟ ﻤﺮاﺣﻞ‬
‫اﻻوﻟﻰ ) اﻻﻧﺘﺸﺎر واﻟﺘﺤﻜﻢ ( ﻟﻴﺴﺖ ﻗﺎدرة ﻋﻠﻰ اﻟﺘﻨﺒﺆ ﺑﺎﻟﺤﺎﻻت اﻟﺘﻲ ﻻ ﺗﻘﻊ ﻓﻲ ﻧﻄﺎق ﺑﻴﺎﻧﺎت اﻟﺘﺪرﻳﺐ ‪.‬‬
‫وﻟﺬﻟﻚ ﻳﺠﺐ أن ﺗﻜﻮن اﻟﺒﻴﺎﻧﺎت ﺗﺤﺘﻮي ﻋﻠﻰ ﻗﻴﻢ اﻟﺘﺪرﻳﺐ ﻓﻰ ﺣﺪود آﻞ ﻣﺘﻐﻴﺮ ﻻﺧﺘﻴﺎر ﺑﻴﺎﻧﺎت اﻟﺘﺪرﻳﺐ‬
‫واﻻﺧﺘﺒﺎر و ﻟﺘﺤﻘﻖ دورا ﺣﻴﻮﻳﺎ ﻓﻲ ﻋﻤﻠﻴﺔ اﻟﺘﺪرﻳﺐ ﺣﻴﺚ أن ﻣﺰﻳﺞ ﻏﻴﺮ ﻣﺘﺠﺎﻧﺲ ﻗﺪ ﻳﻌﺮﻗﻞ اﻟﺘﻘﺎرب ﺑﻴﻨﻬﺎ ‪.‬‬
‫ﺑﻌﺪ ﻓﺮز اﻟﺒﻴﺎﻧﺎت وﺗﺤﺪﻳﺪ إﺣﺪاﺛﻴﺎت اﻵﺑﺎر )‪ ، (Boreholes‬ﺗ ﺒﺪأ ﺷﺒﻜﺔ اﻹﺣﺪاﺛﻴﺎت ﺛﻼﺛﻴﺔ اﻷﺑﻌﺎد وﻣﺆﺷﺮ‬
‫اﻟﺘﺼﻨﻴﻒ ‪ .‬هﺬا وﻗﺪ ﺗﻢ ﻓﺼﻞ ﻃﺒﻘﺎت اﻟﺘﺮﺑﺔ ﻣﻦ اﻟﻨﻮع ﻧﻔﺴﻪ ﻣﻦ اﻟﺒﻴﺎﻧﺎت اﻷﺳﺎﺳﻴﺔ وﺟﻤﻌﻬﺎ ﻓﻲ ﻣﺠﻤﻮﻋﺘﻴﻦ‬
‫ﻣﻨﻔﺼﻠﺘﻴﻦ ﺗﻤﺜﻞ اﻟﺮﻣﺎل واﻟﻄﻴﻦ ‪ .‬هﺬا و ﺑ ﺎﻟﻨﻈﺮ ﻟ ﻼﺧﺘﻼف ﻓﻰ اﻟﺘﺮﺑﺔ و اﻷ ﺻﻮل اﻟ ﻤﺨﺘﻠﻔﺔ ﻣﻦ ﻃﺒﻘﺎت اﻟﺘﺮﺑﺔ‬
‫وﻣﺆﺷﺮ اﻟﺘﺼﻨﻴﻒ‪ ،‬ﺗﻤ ﺖ ﺗﺠﺰﺋﺔ اﻟ ﻄﺒﻘﺎت اﻟ ﺴﻤﻴﻜﺔ اﻟﻰ ﻋﺪة ﻃﺒﻘﺎت رﻗﻴﻘﺔ ﺑﺴﻤﻚ ‪ 2‬ﻣﺘﺮ آﺤﺪ أﻗﺼﻰ ‪ .‬و ﻷن‬
‫اﻟﻌﺪﻳﺪ ﻣﻦ اﻵﺑﺎر آﺎن ذو أﻋﻤﺎق ﻗﺮﻳﺒﺔ ﻣﻦ ‪ 20‬ﻣﺘﺮ ﺗﻢ اﺳﺘﺒﻌﺎد اﻟﺒﻴﺎﻧﺎت أﺑﻌﺪ ﻣﻦ ذﻟﻚ اﻟﺤﺪ ‪.‬‬
‫‪ 3.2.1‬هﻴﺌﺔ ﺗﻜﻮﻳﻦ اﻟﺸﺒﻜﺔ ‪:‬‬
‫ﺗﻢ اﺳﺘﺨﺪام ﺛﻼث ﺷﺒﻜﺎت ﻟﻠﺘﻨﺒﺆ ﺑﻨﻮع اﻟﺘﺮﺑﺔ وﺳﻤﻚ اﻟﻄﺒﻘﺔ وﻋﻮاﻣﻞ اﻟﺘﺮﺑﺔ ‪ ،‬ﺑ ﻌﺪد ﻃﺒﻘﺎت ﻣﺨﻔﻴﺔ ﺗﺼﻞ إﻟﻰ‬
‫ﺛﻼﺛﺔ ﻃﺒﻘﺎت ‪ ،‬و ﺗﻢ اﺧﺘﺒﺎر آﻞ ﺷﺒﻜﺔ ﺑ ﺎﺳﺘﺨﺪام أﺳﻠﻮب اﻟﺘﺠﺮﺑﺔ واﻟﺨﻄﺄ‪ ،‬ﺛﻢ ﺗﻢ ﺗﺤﺪﻳﺪ ﻋﺪد ﻣﻦ اﻟﺨﻼﻳﺎ‬
‫اﻟﻌﺼﺒﻴﺔ اﻟﺨﻔﻴﺔ‪ ،‬وﻃﺮﻳﻘﺔ اﻟﺘﺪرﻳﺐ اﻟﻤﻨﺎﺳﺒﺔ‪ ،‬و اﻟﻌﻮاﻣﻞ اﻟﻔﻌﺎﻟﺔ ﻓﻲ ﻋﻤﻠﻴﺔ اﻟﺘﺪرﻳﺐ ﻣﺜﻞ ﻣﻌﺪل اﻟﺘﻌﻠﻢ‪،‬‬
‫واﻟﺰﺧﻢ‪ ،‬وﻋﺪد اﻟﺪورات ا ﻟﻼزﻣﺔ ‪.‬‬
‫‪ 3.2.2‬ﻧﻤﺬﺟﺔ أﻧﻮاع اﻟﺘﻌﻠﻢ ‪:‬‬
‫ﻣﻦ أﺟﻞ ﺗﻠﺒﻴﺔ اﻷهﺪاف اﻟﻤﺤﺪدة أﻋﻼﻩ‪ ،‬ﻳﺘﻢ دراﺳﺔ ﻧﻮﻋﻴﻦ ﻣﻦ اﻟﻨﻤﺬﺟﺔ ‪ .‬أوﻻ‪ ،‬ﻣﻦ أﺟﻞ اﻟﺘﺤﻘﻴﻖ ﻓﻲ اﻟﻌﻼﻗﺔ‬
‫ﺑﻴﻦ ﻧﺴﺒﺔ اﻟﺒﻴﺎﻧﺎت اﻟﻤﺴﺘﺨﺪﻣﺔ ﻟﻠﺘﺪرﻳﺐ واﻟﺘﺤﻘﻖ ﻣﻦ ﺻﺤﺔ وأداء اﻟﻨﻤﻮذج‪ ،‬ﻳﺘﻢ ﺗﻘﺴﻴﻢ اﻟﺒ ﻴﺎﻧﺎت اﻟﻤﺘﺎﺣﺔ‬
‫إﻟﻰ ﻣﺠﻤﻮﻋﺎت ﻓﺮﻋﻴﺔ ‪ .‬اﻟ ﻮﺳﻴﻠﺔ اﻟﻤﻘﺘﺮﺣﺔ ﻓﻲ هﺬا اﻟﻌﻤﻞ‪ ،‬واﻟﺬي ﻳﺴﺘﺨﺪم اﻟﺘﻨﻈﻴﻢ اﻟﺬاﺗﻲ ﻣﻊ ﺷﺒﻜﺎت‬
‫)‪ (backprop‬آﻨﺎﺗﺞ ﻣﻊ اﻟﺒﻴﺎﻧﺎت اﻟﻤﺘﺎﺣﺔ ‪ .‬وﺗﺴﺘﺨﺪم واﺣﺪ أو اﺛﻨﻴﻦ ﻣﻦ اﻟﺒﻴﺎﻧﺎت اﻟﻤﺘﺎﺣﺔ ﻟﻠﺘﺤﻘﻖ ﻣﻦ‬
‫ﺻﺤﺔ اﻟﺒﻴﺎﻧﺎت اﻵﺑﺎر وﻳﺘﻢ اﺳﺘﺨﺪام اﻟﺒﻴﺎﻧﺎت اﻟﻤﺘﺒﻘﻴﺔ ﻟﻠﺘﺪرﻳﺐ ‪ .‬وﺗﺴﺘﺨﺪم هﻨﺎ اﺛﻨﻴﻦ ﻣﻦ اﻟﺘﻤﺎذج ) ‪Ward‬‬
‫‪ ( Nets architecture‬و ) ‪.( Standard Connections architecture‬‬
‫ﺛﺎﻧﻴﺎ‪ ،‬ﻳﺘﻢ ﺗﻘﺴﻴﻢ اﻟﺒﻴﺎﻧﺎت إﻟﻰ ﻣﺠﻤﻮﻋﺎت ﻓﺮﻋﻴﺔ ﻣﻤﺎﺛﻠﺔ ﻟﻬﺎ ‪ .‬وﺗﺴﺘﺨﺪم واﺣﺪ أو اﺛﻨﻴﻦ ﻣﻦ اﻟﺒﻴﺎﻧﺎت اﻟﻤﺘﺎﺣﺔ‬
‫ﻟﻠ ﺒﺌﺮ ) ‪ ( borehole‬ﻟﻠﻤﺼﺎدﻗﺔ‪ ،‬و ﻳﺘﻢ اﺳﺘﺨﺪام اﺛﻨﻴﻦ أو ﺛﻼﺛﺔ ﻟﻼﺧﺘﺒﺎر واﻟﺒﻴﺎﻧﺎت اﻟﻤﺘﺒﻘﻴﺔ ﻟﻠﺘﺪرﻳﺐ‪ ،‬وذﻟﻚ‬
‫ﺑﺎﺳﺘﺨﺪام وارد ﻧﺘﺲ ﺑﺎ ﺷﺮ ا ف ﻋﻜﺴﻲ ﻟﻠ ﺸﺒﻜﺎت ) ‪Nets architecture supervised‬‬
‫‪ ( backpropagation networks‬و ﺗﺸﻤﻞ ﻣﻴﺰة اﻟ ﻤﻌﺎﻳﺮة ) ‪. ( Calibration‬‬
‫‪ 3.2.3‬ﺗﺪرﻳﺐ اﻟﺸﺒﻜﺎت ‪:‬‬

‫‪5‬‬ ‫)‪(306‬‬
‫ﻳﻤﻜﻦ ﻣﻼﺣﻈﺔ اﻟﺘﻐﻴﺮات اﻟﺘﻲ ﻃﺮأت ﻋﻠﻰ ﻗﻴﻤﺔ ﺧﻄﺄ ) ‪ ( RMS‬ﻣﻘﺎﺑﻞ ﻋﺪد ﻣﻦ اﻟﺪورات ) ‪ ( epochs‬وذﻟﻚ‬
‫ﻓﻲ اﺛﻨﺎء ﻋﻤﻠﻴﺔ اﻟﺘﺪرﻳﺐ ‪ .‬اﻟﻰ ﺟﺎﻧﺐ ذﻟﻚ‪ ،‬ﻳﺘﻢ رﺳﻢ ﻗﻴﻢ اﻟﺨﻄﺄ ﻓﻲ اﻟﻤﺪرج اﻻﺣﺼﺎﺋﻲ اﻟﻨﻬﺎﺋﻲ وذﻟﻚ‬
‫ﻳﻮﺿﺢ اﻷﺧﻄﺎء اﻟﻔﺮدﻳﺔ ﻟﻜﻞ إدﺧﺎل ﻟ ﻠﺒﻴﺎﻧﺎت ‪ .‬ﻋﻨﺪﻣﺎ ﻳﺘﻮﻗﻒ اﻟﺘﻜﺮار‪ ،‬ﻳﺤﺴﺐ ﺟﺬر ﻣﺘﻮﺳﻂ ﻣﺮﺑﻊ اﻟﺨﻄﺄ‬
‫ﻟﻜﻞ ﻣﻦ ﻣﺮاﺣﻞ اﻟﺘﺪرﻳﺐ واﻻﺧﺘﺒ ﺎر واﻟﺘﺤﻘﻖ واﻟﻤﻘﺎرﻧﺔ ‪ .‬ﺛﻢ ﻳﺘﻢ رﺳﻢ اﻟﻘﻴﻢ اﻟﻔﻌﻠﻴﺔ ﻟﻜﻞ ﻣﺘﻐﻴﺮ اﻟﻨﺎﺗﺞ ﻣﻘﺎﺑﻞ‬
‫اﻟﻘﻴﻢ اﻟﻤﺘﻮﻗﻌﺔ ﻟﻤﻨﺎﻗﺸﺔ أداء اﻟﺸﺒﻜﺔ ‪ .‬وﺗﻌﺘﺒﺮ أآﺜﺮ اﻟﻨﻘﺎط اﻟﻤﺮﺳﻮﻣﺔ ﻗﺮﻳﺒﺔ ﻣﻦ اﻟﻤﻨﺼﻒ ﻟﻠﺘﻨﺴﻴﻖ أآﺜﺮ‬
‫ﻓﻌﺎﻟﻴﺔ ﻓﻰ اﻟﺘﺪرﻳﺐ وﺗﻌﺘﺒﺮ ﻣﺠﻤﻮﻋﺎت اﻟﺘﺪرﻳﺐ اﻟﻔﻌﻠﻴﺔ واﻟﻤﺮﺟﻮة ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻣﺮﺗﺒﻄﺔ ﺑﺸﻜﻞ ﺟﻴﺪ ‪.‬‬
‫‪ 3.2.4‬أداء اﻟﺸﺒﻜﺎت اﻟﻤﺪرﺑﺔ ‪:‬‬
‫ﺑﻌﺪ اﻻﻧﺘﻬﺎء ﻣﻦ ﻋﻤﻠﻴﺔ اﻟﺘﺪرﻳﺐ‪ ،‬ﻣﻦ اﻟﻤﻬﻢ ﻟﻠﺘﺤﻘﻖ ﻣﻦ أداء وﻣﻮﺛﻮﻗﻴﺔ اﻟﻨﺘﺎﺋﺞ اﻟﻤﺤﺪدة و اﻟﺘﻰ ﺗﻢ ﺗﻘﻴﻴﻤﻬﺎ‬
‫ﻣﻦ ﻗﺒﻞ ﺑ ﺤﺴﺎب ﻗﻴﻤﺔ ‪ R‬وهﻮ ﻣﻌﺎﻣﻞ اﻟﺘﺤﺪﻳﺪ اﻟ ﻤﺘﻌﺪدة ) ‪coefficient of multiple‬‬
‫‪ ، ( 9 )( determination‬ﻓﺈﻧﻪ ﻳﻘﺎرن دﻗﺔ اﻟﻨﻤﻮذج ﺑﺪﻗﺔ اﻟﻨﻤﻮذج اﻟﻘﻴﺎﺳﻲ ﺣﻴﺚ أن اﻟﺘﻨﺒﺆ هﻮ ﻣﺠﺮد ﻣﺘﻮﺳﻂ‬
‫ﺟﻤﻴﻊ اﻟﻌﻴﻨﺎت ‪ .‬اﻗﺘﺮاب ﻗﻴﻤﺔ ‪ R‬ﻣﻦ ‪ 1‬ﻳﻌﻨﻰ أن اﻟﻨﻤﻮذج ﺟﻴﺪ‪ ،‬وﻋﻨﺪﻣ ﺎ ﺗﻜﻮن ﻗﻴﻤﺔ ‪ R‬ﺑﺎﻟﻘﺮب ﻣ ﻦ ‪ 0‬ﺗﺪل‬
‫ﻋﻠﻰ أن اﻟﻨﻤﻮذج ﻏﻴﺮ ﺟﻴﺪ ‪ .‬ﻋﻼﻗﺔ ﻣﻌﺎﻣﻞ ) ‪ ( Correlation Coefficient) (r‬و ﻣﻌﺎﻣﻞ ارﺗﺒﺎط ﺑﻴﺮﺳﻮن‬
‫اﻟﺨ ﻄﻲ ‪ ،‬هﻰ ﻣﻘﻴﺎس إﺣﺼﺎﺋﻲ ﻟﻘﻮة اﻟﻌﻼﻗﺔ ﺑﻴﻦ اﻟﻤﺨﺮﺟﺎت اﻟﻔﻌﻠﻴﺔ و اﻟﻤﺨﻤﻨﺔ ‪ .‬و ﻳﻤﻜﻦ ﻟﻠﻤﻌﺎﻣﻞ ‪ r‬أن‬
‫ﻳ ﺘﺮاوح ﻣﻦ ‪ 1 -‬إﻟﻰ ‪ . 1 +‬أﻗ ﺘ ﺮ ا ب ‪ r‬إﻟﻰ ‪ 1‬ﻳﺪل ﻋﻠﻰ أﻗﻮى ﻋﻼﻗﺔ إﻳﺠﺎﺑﻴﺔ ﺧﻄﻴﺔ‪ ،‬وأﻗ ﺘ ﺮ ا ب ‪ r‬إﻟﻰ ‪ 1 -‬ﻳﺪل‬
‫ﻋﻠﻰ أﻗﻮى ﻋﻼﻗﺔ ﺳﻠﺒﻴﺔ ﺧﻄﻴﺔ ‪ .‬و ﻋﻨﺪﻣﺎ ﻳﻜﻮن ‪ r‬ﺑﺎﻟﻘﺮب ‪ ، 0‬ﻓ ﻠﻴﺲ هﻨﺎك ﻋﻼﻗﺔ ﺧﻄﻴﺔ ‪ .‬ﻳﻌﺘﺒﺮ ‪ R‬ﻣﻘﻴﺎس‬
‫أﻓﻀﻞ ﺑﻜﺜﻴﺮ ﻣﻦ ‪ r‬ﻟ ﻘﺮﺑﻪ ﻣﻦ اﻟﻘﻴﻢ اﻟﻔﻌﻠﻴﺔ واﻟﻤﺘﻮﻗﻌﺔ ﻣﻦ اﻟﺒﺤﺚ ‪ .‬ﻳﻌﺘﺒﺮ ﻣﻘﺎرﻧﺔ اﻟﻨ ﺘ ﺎ ﺋ ﺞ اﻟﻔﻌﻠﻴﺔ ﻟ ﻠﺘﻨﻔﻴﺬ‬
‫و اﻟ ﺘﻮﻗﻊ ﻋﻠﻰ ﺑﻴﺎﻧﺎت اﻻﺧﺘﺒﺎر ﺑﺄﻧﻪ ﻧﺠﺎح ﺗﺪرﻳﺐ اﻟﺸﺒﻜﺔ ‪.‬‬
‫‪ 3.2.5‬اﻟﺘﺤﻘﻖ ﻣﻦ ﺻﺤﺔ اﻟﻨﻤﺎذج ‪:‬‬
‫ﻋﻨﺪ اﻻﻧﺘﻬﺎء ﻣﻦ ﻣﺮﺣﻠﺔ اﻟﺘﻌﻠﻢ و اﻟﺘﺤﻘﻖ ‪ ،‬ﻳﺘﻢ اﻟﺘﺤﻘﻴﻖ ﻣﻦ دراﺳﺔ اﻟﺘﻨﺒﺆ ‪ .‬و ذﻟﻚ ﻟ ﻠﺘﺄآﺪ ﻣﻦ أن اﻟ ﻨﻤﻮذج ﻟﺪﻳﻪ‬
‫اﻟﻘﺪرة ﻋﻠﻰ اﻟﺘﺨﻤﻴﻦ ﺿﻤﻦ اﻟﺤﺪود اﻟﺘﻲ وﺿﻌﺖ ﻟﺘﺪرﻳﺐ اﻟﺒﻴﺎﻧﺎت ﺑﺪﻻ ﻣﻦ ﻣﺠﺮد ﺣﻔﻆ ﻋﻼﻗﺎت اﻟﻤﺪﺧﻼت‬
‫واﻟﻤﺨﺮﺟﺎت اﻟﻤﻮﺟﻮدة ﻓﻲ ﻣﺮﺣﻠﺔ اﻟﺘﺪرﻳﺐ ‪ .‬ﻳﻤﻜﻦ اﺳﺘﺨﺪام اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﻴﺔ اﻟﻨﺎﺗﺠﺔ آﻨﻤﻮذج ﻋﻤﻠﻲ‬
‫ﻟﺘﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ واﻟﺘﻨﺒﺆ ﺑﺎﻟﻤﻌﺎﻣﻼت ‪ .‬وﺗﻈﻬﺮ ﻧﺘﺎﺋﺞ أﻓﻀﻞ ﻧﻤﺎذج اﻟﺸﺒﻜﺎت ﻓﻲ ﺷﻜﻞ رﺳﻮم ﺑﻴﺎﻧﻴﺔ ‪.‬‬
‫‪ . 4‬دراﺳﺔ ﺣﺎﻟﺔ ‪ :‬ﻣﺸﺮوع ﻣﺠﻤﻊ إﺳﻜﺎن ﺑ ﻮﻻﻳﺔ اﻟﺨﺮﻃﻮم ) ‪:( AAP‬‬
‫‪ 4.1‬ﻣﻘﺪﻣﺔ‬
‫ﺣﺎﻟﺔ اﻟﺪراﺳﺔ اﻷوﻟﻰ ه ﻰ ﻣﺸﺮوع ﻣﺠﻤﻊ ﺳﻜﻨﻲ آﺒﻴﺮ‪ ،‬ﻣﻤﻠﻮآﺔ ﻟﺼﻨﺪوق اﻹﺳﻜﺎن واﻟﺘﻨﻤﻴﺔ ﺑﻮزارة‬
‫اﻟﺘﺨﻄﻴﻂ واﻟﻤﺮاﻓﻖ اﻟﻌﺎﻣﺔ ﻓﻲ وﻻﻳﺔ اﻟﺨﺮﻃﻮم ﺑ ﻤﺴﺎﺣﺔ ‪ 75480‬ﻣﺘﺮ ﻣﺮﺑﻊ ﺗﻘﺮﻳﺒﺎ ‪ .‬اﻟﺒﻴﺎﻧﺎت اﻟﻤﺴﺘﺨﺪﻣﺔ‬
‫ﻓﻲ هﺬا اﻟﻤﺸﺮوع‪ ،‬ﺗﺸﻤﻞ ‪ 20‬ﺣﻔﺮة ﺑﺌﺮ ﺗﻢ ﺣﻔﺮ هﺎ ﻷﻋﻤﺎق ﺗﺘﺮاوح ﺑﻴﻦ ‪ 15‬و ‪ 20‬ﻣﺘﺮ ﺗﺤﺖ ﻣﺴﺘﻮي ﺳﻄﺢ‬
‫اﻷرض ‪ .‬ﺗﻢ ﺗﻘﺴﻴﻢ اﻟﺒﻴﺎﻧﺎت اﻟﺮﺋﻴﺴﻴﺔ إﻟﻰ ﻣﺠﻤﻮﻋﺎت ﻓﺮﻋﻴﺔ ﻟ ﻠﺘﺪرﻳﺐ واﻻﺧﺘﺒﺎر ‪ .‬ﻣﺠﻤﻮﻋﺔ ﻓﺮﻋﻴﺔ ﺗﺘﻜﻮن‬
‫ﻣﻦ ‪ 18‬ﻣﻦ اﻵﺑﺎر ﻟﻠﺘﺪرﻳﺐ و ﺑﻘﻴﺔ ا ﻵﺑﺎر ﻟﻠﻤﺼﺎدﻗﺔ ﻋﻠﻰ ﺗﻠﺒﻴﺔ آﻔﺎﻳﺔ ﺗﻌﻤﻴﻢ ﻧﻤﺎذج اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﻴﺔ‬
‫اﻟﻤﻘﺘﺮﺣﺔ ‪.‬‬
‫‪ 4.2‬اﻟﻨﻤﺬﺟﺔ ‪:‬‬
‫‪ 4.2.1‬ﻣﺼﻨﻒ اﻟﺸﺒﻜﺔ ) ‪:( The Classifier Network‬‬
‫‪Parameters‬‬ ‫‪Model 1‬‬ ‫‪Model‬‬ ‫‪2‬‬
‫‪Standard‬‬ ‫‪Ward Nets‬‬
‫‪Nets‬‬
‫‪No. of hidden layer‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪No. of units in hidden layer‬‬ ‫‪8-8‬‬ ‫‪5-5-5‬‬

‫‪6‬‬ ‫)‪(307‬‬
Learning rate 0.1 0.1
Momentum factor 0.5 0.1
Initial weights 0.05 0.3
R squire 0.9574 0.9231
r squire 0.9786 0.9622
( Network Parameters ) ‫ ﻋﻮاﻣﻞ ﺷﺒﻜﺔ‬.( 4.1 ) ‫اﻟﺠﺪول‬
: ‫اﻟﻨﺘﺎﺋﺞ‬
‫ ( ﺑ ﻨﺴﺒﺔ‬4.2 ) ‫ ( و‬4.1 ) ‫ ﻓﻲ أرﻗﺎم‬1 ‫وﺻﻔﺖ ﻧﺘﺎﺋﺞ " ﻣﺮﺣﻠﺔ اﻟﺘﻌﻠﻢ " ﻣﻦ ﺗﺤﻠﻴﻞ اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ ﻟﻠﻨﻤ ﻮ ذج‬
. ‫ ﻓﻲ ﺗﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ‬٪ 95،74 ‫ﻧﺠﺎح‬

Clay Classification (Model 1)

1.2
0.9
0.6
0.3
Error

0 Clay
-0.3
-0.6 1 26 51 76 101 126 151 176 201
-0.9
-1.2
Data Set Number
Figure (4.1). Error for Model 1 (Clay).
Sand Classification (Model 1)

1.2
0.9
0.6
0.3
Error

0 Sand
-0.3
-0.6 1 26 51 76 101 126 151 176 201
-0.9
-1.2
Data Set Number
Figure (4.2). Error for Model 1 (Sand).
:( The Sand Network) ‫ ﺷﺒﻜﺔ اﻟﺮﻣﻞ‬4.2.2
Parameters Model 1 Model2
Standard Nets Ward Nets

7 (308)
No. of hidden layer 2 2
No. of units in hidden layer 15-15 8-8
Learning rate 0.1 0.3
Momentum factor 0.5 0.5
Initial weights 0.3 0.05
R squire 0.9114 0.846
r squire 0.9547 0.9212
( 4.2 ) ‫ﺟﺪول ﻋﻮاﻣﻞ ﺷﺒﻜﺔ‬
: ‫اﻟﻨﺘﺎﺋﺞ‬
‫ ( و ﻳﺒﻴﻦ ﻧﺴﺒﺔ ﻧﺠﺎح‬4.3 ) ‫ ﻓﻲ اﻟﺮﻗﻢ‬1 ‫وﺻﻒ ﻧﺘﺎﺋﺞ " ﻣﺮﺣﻠﺔ اﻟﺘﻌﻠﻢ " ﻣﻦ ﺗﺤﻠﻴﻞ اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ ﻟﻠﻨﻤ ﻮ ذج‬
. ‫ ﻓﻲ ﺗﻘﻴﻴﻢ اﻟﺘﻨﺒﺆ ﻟ ﻠﺮﻣﻞ‬٪ 91،14

SPT (Model 1)

15
10
5
Error

0 SPT
-5 1 23 45 67 89 111 133 155 177
-10
-15
Data Set Number

Figure (4.3). Error for Mode 1

: ‫ ﺷﺒﻜﺔ اﻟﻄﻴﻦ‬4.2.3
:( LL ) ‫ اﻟﺤﺪ اﻟﺴﺎﺋﻞ‬. 1
Parameters Model 1 Model 2
Standard Ward Nets
Nets

No. of hidden layer 2 3

No. of units in hidden layer 8-8 5-5-5
Learning rate 0.1 0.1
Momentum factor 0.1 0.5

8 (309)
Initial weights 0.3 0.05
R squire 0.9431 0.937
r squire 0.9716 0.9681
( 4.3 ) ‫ ( اﻟﺠﺪول‬Network Parameters ) ‫ﻋﻮاﻣﻞ ﺷﺒﻜﺔ‬
: ‫اﻟﻨﺘﺎﺋﺞ‬
‫ ( ﺑ ﻨﺴﺒﺔ ﻧﺠﺎح‬4.4 ) ‫ ﻓﻲ اﻟﺮﻗﻢ‬1 ‫وﺻﻒ ﻧﺘﺎﺋﺞ " ﻣﺮﺣﻠﺔ اﻟﺘﻌﻠﻢ " ﻣﻦ ﺗﺤﻠﻴﻞ اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ ﻟﻠﻨﻤ ﻮ ذج‬
. ‫ ( ﻟﻠﻄﻴﻦ‬LL ) ‫ ﻓﻲ ﺗﻘﻴﻴﻢ اﻟﺘﻨﺒﺆ‬٪ 94،31

LL (Model 1)

100
80
60
Error

40
LL
20
0
-20 1 24 47 70 93 116 139 162 185
-40
Data Set Number

Figure (4.4). Error for Model 1.

:( PI ) ‫ ﻣﺆﺷﺮ اﻟﻠﺪوﻧﺔ‬. 2
Parameters Model 1 Model 2
Ward Nets Ward Nets
No. of hidden layer 3 2
No. of units in hidden layer 4-4-4 6-6
Learning rate 0.1 0.1
Momentum factor 0.5 0.1
Initial weights 0.05 0.3
R squire 0.9166 0.8786
r squire 0.9579 0.9387
( 4.4 ) ‫ ( ﺟﺪول‬Network Parameters ) ‫ﻋﻮاﻣﻞ اﻟﺸﺒﻜﺔ‬
: ‫اﻟﻨﺘﺎﺋﺞ‬
‫ ( ﺑ ﻨﺴﺒﺔ ﻧﺠﺎح‬4.5 ) ‫ ﻓﻲ اﻟﺮﻗﻢ‬1 ‫وﺻﻔﺖ ﻧﺘﺎﺋﺞ " ﻣﺮﺣﻠﺔ اﻟﺘﻌﻠﻢ " ﻣﻦ ﺗﺤﻠﻴﻞ اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ ﻟﻠﻨﻤﻮذج‬
. ‫ ( ﻟﻠﻄﻴﻦ‬PI ) ‫ ﻓﻲ ﺗﻘﻴﻴﻢ اﻟﺘﻨﺒﺆ‬٪ 91،66

9 (310)
 PI (Model 1)

80
60
40
Error

20
PI
0
-20 1 13 25 37 49 61 73 85 97
-40
-60
Data Set Number

Figure (4.5). Error for Model 1.

: ‫ ﻧﻤﺎذج اﻟﺘﺤﻘﻖ‬. 5
:( Classifier Network ) ‫ ﻣﺼﻨﻒ اﻟﺸﺒﻜﺔ‬5.1

depth AAP depth AAP

0 BH No.13 0 BH No.10

1.5 1.5

SC S S SC S S
3 3 3 3

10 (311)
 SM S C SM S S
4.5 4.5 4.5 4.5

CH C SC S
6 C 6 6 S 6
S C
CH SC
C C S S
7.5 7.5 7.5 7.5

CH C C SC S S
9 9 9 9
C
CH C C SC S S
10.5 10.5 10.5 10.5

ML S S SM S S
12 12 12 12

SM S S SM S S
13.5 13.5 13.5 13.5

SM S S SM S S
15 15 15 15
‫ﺷﻜﻞ‬ Actual model1 model2 Actual model1 model2
:( 5.1 )
. 10 ‫ و‬13 ‫ﻣﻘﺎرﻧﺔ ﺑﻴﻦ اﻟﻨﺘﺎﺋﺞ اﻟﻔﻌﻠﻴﺔ واﻟﻤﺘﻮﻗﻌﺔ ﻟﺘﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ ﻵﺑﺎر اﻻﺧﺘﺒﺎر‬
:( Sand Network ) ‫ ﺷﺒﻜﺔ اﻟﺮﻣﺎل‬5.2

11 (312)
 ‫‪SPT‬‬

‫‪60‬‬
‫‪50‬‬
‫‪40‬‬ ‫‪Actual‬‬
‫‪SPT‬‬

‫‪30‬‬ ‫‪model1‬‬
‫‪20‬‬ ‫‪model2‬‬
‫‪10‬‬
‫‪0‬‬
‫‪1‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪9 11 13 15 17 19‬‬

‫ﺷﻜﻞ ) ‪ :( 5.2‬ﻣﻘﺎرﻧﺔ ﺑﻴﻦ اﻟﻨﺘﺎﺋﺞ اﻟﻔﻌﻠﻴﺔ واﻟﻤﺘﻮﻗﻌﺔ ‪ SPT‬ﻻﺧﺘﺒﺎر اﻵﺑﺎر ‪ 13‬و ‪. 10‬‬

‫‪ 5.3‬ﺷﺒﻜﺔ اﻟﻄﻴﻦ ) ‪: ( Clay Network‬‬

‫‪ 5.3.1‬اﻟﺤﺪ اﻟﺴﺎﺋﻞ ) ‪:( LL‬‬

‫)‪AAP (LL‬‬

‫‪150‬‬

‫‪100‬‬ ‫‪Actual‬‬
‫‪LL‬‬

‫‪model1‬‬
‫‪50‬‬ ‫‪model2‬‬

‫‪0‬‬
‫‪1‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪9 11 13 15 17 19‬‬

‫ﺷﻜﻞ ) ‪ :( 5.3‬ﻣﻘﺎرﻧﺔ ﺑﻴﻦ اﻟﻨﺘﺎﺋﺞ اﻟﻔﻌﻠﻴﺔ واﻟﻤﺘﻮﻗﻌﺔ ﺣﺪ اﻟﺴﺎﺋﻞ ﻻﺧﺘﺒﺎر اﻵﺑﺎر ‪ 13‬و ‪. 10‬‬

‫‪ 5.3.2‬ﻣﺆﺷﺮ اﻟﻠﺪوﻧﺔ ) ‪:( PI‬‬

‫‪12‬‬ ‫)‪(313‬‬
 ‫)‪APP (PI‬‬

‫‪120‬‬
‫‪100‬‬
‫‪80‬‬ ‫‪Actual‬‬
‫‪PI‬‬

‫‪60‬‬ ‫‪model1‬‬
‫‪40‬‬ ‫‪model2‬‬
‫‪20‬‬
‫‪0‬‬
‫‪1 2 3 4 5 6 7 8 9 10 11‬‬

‫ﺷﻜﻞ ) ‪ :( 5.4‬ﻣﻘﺎرﻧﺔ ﺑﻴﻦ اﻟﻨﺘﺎﺋﺞ اﻟﻔﻌﻠﻴﺔ واﻟﻤﺘﻮﻗﻌﺔ ﻣﺆﺷﺮ اﻟﻠﺪوﻧﺔ ﻻﺧﺘﺒﺎر اﻵﺑﺎر ‪ 13‬و ‪. 10‬‬

‫‪ . 6‬اﻟﺨﻼﺻﺔ ‪:‬‬
‫اﺳﺘﻨﺎدا إﻟﻰ ﻧﺘﺎﺋﺞ اﻟﺘﻰ ﺗﻢ اﻟﺤﺼﻮل ﻋﻠﻴﻬﺎ‪ ،‬و ﻋﻠﻰ اﻟﺮﻏﻢ ﻣﻦ ﺣﻘﻴﻘﺔ أﻧﻪ ﻟﻢ ﻳﺘﻢ ﺗﻘﺪﻳﻢ اﺧﺘﺒﺎر اﻵﺑﺎر إﻟﻰ‬
‫اﻟﺸﺒﻜﺔ ﻓﻲ ﻋﻤﻠﻴﺔ اﻟﺘﺪرﻳﺐ‪ ،‬ﻳﻤﻜﻦ اﻟﻘﻮل إن أداء اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ اﻻﺻﻄﻨﺎﻋﻴﺔ اﻟﻤﺪرﺑﺔ واﻋﺪ " ‪ ،‬وﻳﺤﺪد‬
‫ﻧﺘﺎﺋﺞ إﻳﺠﺎﺑﻴﺔ ﻓﻲ ﺗﺼﻨﻴﻒ اﻟﺘﺮﺑﺔ وﺗﺨﻤﻴﻦ ﻋﻮاﻣﻞ اﻟﺘﺮﺑﺔ ﺑ ﻤﺴﺘﻮى ﻣﻘﺒ ﻮل ﻣﻦ اﻟﺜﻘﺔ ‪.‬‬
‫ﺑﺴﺒﺐ ﺗﻌﻘﻴﺪ ﺳﻠﻮك اﻟﺘﺮﺑﺔ‪ ،‬ﻣﺰﻳﺞ ﻣﻦ أآﺜﺮ ﻣﻦ ﻧﻤﻮذج واﺣﺪ ﻳﺆدي إﻟﻰ ﻣﺰﻳﺪ ﻣﻦ اﻣﻜﺎﻧﻴﺔ دﻗﺔ اﻟ ﻨﺘﺎﺋﺞ ‪ ،‬أو‬
‫ﻳﺠﺐ اﺳﺘﺨﺪام اﻟﻤﺰﻳﺪ ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻟﻠﺤﺼﻮل ﻋﻠﻰ آﻔﺎءة أﻋﻠﻰ ﻟ ﻠﻨﻤﺎذج ‪ .‬وﻳﻤﻜﻦ أﻳﻀﺎ اﺳﺘﺨﺪام اﻟﺸﺒﻜﺎت‬
‫اﻟﻌﺼﺒﻴﺔ اﻻﺻﻄﻨﺎﻋﻴﺔ آﻤﺼﺪر ﻟﺘﻮﻟﻴﺪ ﺑﻴﺎﻧﺎت ﺟﻴﺪة ﻟﻠﺘﺮﺑﺔ ‪ .‬هﺬﻩ ا ﻟﻤﺴﺎهﻤﺔ ﺗ ﻤﺜﻞ ﻣﺤﺎوﻟﺔ ﻟﺘﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ‬
‫ﺣﺪﻳﺜﺔ ﻟﻠﺸﺒﻜﺎت اﻻﺻﻄﻨﺎﻋﻴ ﺔ اﻟﻌﺼﺒﻴﺔ ﻟﻤﻨﺎﻃﻖ واﺳﻌﺔ وذات ﻣﺴﺎﻓﺎت ﺑﻌﻴﺪة و ﻋﻮاﻣﻞ ﺟﻴﻮﺗﻘﻨﻴﺔ ﻣﺨﺘﻠﻔﺔ ‪.‬‬

‫اﻟﻤﺮاﺟﻊ ‪:‬‬
‫‪1.Eisa Abdalla Mohamed, “Subsoil Analysis of Khartoum City”, (2000). MSc thesis University‬‬
‫‪of Khartoum, (BRRI), Sudan.‬‬
‫‪2. Robert W. Day, (1985) “Soil Testing Manual” McGraw-Hill, Inc. New York.‬‬
‫‪3. M A Shahin,H R Maier M B Jaksa(2000), “Evolutionary data division methods for developing‬‬
‫‪artificial neural network models in geotechnical engineering” Journal of Geotechnical‬‬
‫‪Engineering - ASCE, Vol.1.‬‬

‫‪13‬‬ ‫)‪(314‬‬
4.Basheer, I.A. & Najjar, Y.M. (1995) “A Neural-Network For Soil Compaction”, Proc. 5th Int.
Symp. Numerical Models in Geomechanics, Davos, Switzerland (eds. Pande, G.N. &
Pietruszczak, S.), Rotterdam: Balkema, pp 435-440.
5. Walid Lotfi, (2002) , “Analysis of Reinforced Concrete Deap Beam Using Artificial Neural
Networks”, MSc thesis University of Khartoum, Sudan, pp26-90.
6. Hasan Saka, D.Ural (2002), “Liquefaction Assessment by Artificial Neural Networks”,
Journal of Geotechnical Engineering - ASCE, Vol.1
7. Peck, R.B., Hansen, W.E., Thornburn, T.H., (1974). "Foundation Engineering", 2d edition,
John Wiley&Sons, Inc., New York.
8. Schertmann, J. H.(1978). "Guidelines for Cone Penetration Test Performance and Design,"
Report No. FHWA-TS-78-209, U.S. Department of Transportation, Federal Highway
Administration, Washington, D.C.
9. Goh, A.T.C (1994) “Seismic Liquefaction Potential Assessed by Neural Networks”, Journal
of Geotechnical Engineering - ASCE, Vol. 120, No. 9, pp 1467-1480.
10.Cai, Y.D. (1995) “The Application of Artificial Neural-Network in Determining the Blasting
Classification of Rocks”, Proc. 2nd Int. Conf. Engineering Blasting Technique, Kunming, P. R.
China, Beijing: Peking Univ Press, pp 24-27.
11.Cal, Y. (1995) “Soil Classification by Neural-Network”, Advances in Engineering
Software,Artificial Intelligence Applications in Geotechnical Engineering. Electronic
Journal of Geotechnical Engineering, Vol. 1, October 1996. Vol. 22, No. 2, pp 95-97.
12.David Geoffrey Toll,D., “Artificial Intelligence Applications in Geotechnical Engineering”.
Electronic Journal of Geotechnical Engineering, Vol. 1, October 1996.
13.Ward Systems Group, Inc. Web Sites: www.wardsystems.com, www.neuroshell.com.

14 (315)