ایده شبکه عصبی مصنوعی از سال ۱۸۹۰ بر اساس نظریات ویلیام جیمز^۱ مطرح شد. همچنین فعالیت های پاولف و لوریا در اواسط قرن ۱۹ به شکل گیری این نظریات کمک کرد. در سال ۱۹۴۳، پیتز و مک کالچ^۲ یک مدل سلولی عصبی را به صورت مصنوعی فرمول بندی کردند. در این مدل رفتار همه یا هیچ یک از سلول های عصبی، انبار اطلاعات در اتصالات سیناپسی، تأخیر سیناپسی به عنوان یگانه منبع تأخیر در سلسله عصبی و مکانیزم بازدارندگی کامل سیناپس های بازدارنده گنجانده شده بود. [۵]
در سال ۱۹۴۹، دونالد هب^۳ قانونی را برای آموزش سلول ها معرفی کرد که امروزه، به قانون آموزش هب^۴ شناخته می شود. طبق این قانون چنانچه یک سلول عصبی مانند A به طور پیوسته روی سلول عصبی دیگری مانندB اثر کند، رابطه بین سلول های A و B ( درواقع همان وزن بین سلول های عصبی A وB ) تقویت می یابد. [۵]

William James
Mc Culoch & Pitts
Donald Hebb
Hebian
۱۳
در سال ۱۹۵۸، فرانک روزن بلات^۱ و همکارانش اولین مدل کامپیوتری مربوط به شبکه عصبی، معروف به پرسپترون^۲ راساختند. پرسپترون اولین شبکه عصبی موفق خودسازمانده^۳ و خودانتسابگر^۴ بود . [۹و۱۷]
در سال ۱۹۶۰، ویدرو و هوف^۵ شبکه عصبی^۶ Adaline و Madaline را مطرح کردند وبرای آموزش آن از قانون یادگیری دلتا استفاده نمودند . [۵]
در سال ۱۹۶۹، منسکی و پاپت^۷ با انتشار کتابی با عنوان پرسپترون ایراداتی را به شبکه پرسپترون وارد کردند از جمله اینکه این شبکه قابلیت نگاشت مسأله XOR (یای فصلی) را ندارد. این کتاب باعث شد نزدیک ۱۵ سال مسائل شبکه عصبی از جذابیت افتاده و بودجه پژوهشی به آن تخصیص نیابد. در این مدت افرادی چون کوهنن ، اندرسون ، گراسبرگ و … در این زمینه مشغول تحقیق بودند. در سال ۱۹۸۲ یک فیزیکدان به نام هاپفیلد با انتشار مقاله ای با عنوان شبکه عصبی هاپفیلد باعث توجه مجدد محققان به موضوع شبکه عصبی شد. [۸ و۱۶]
در سال ۱۹۸۶، با انتشار کتابی تحت عنوان پردازش موازی اطلاعات توسط رومل هارت^۸ و کلیلند^۹ حیات مجدد شبکه های عصبی آغاز گردیده و تا امروز پیشرفت های چشمگیری در این زمینه حاصل شده است. [۵]
Frank Rosen Blatt
Perceptron
Self – organizing
Self-associative
Widrow & Hoff
Adaptive linear elemaent
Minsky & Papert
Rumelhart
Kleylend
۱۴
مرضیه حسن آبادی (۱۳۹۰ ) درتحقیقی با عنوان ” استفاده از شبکه های عصبی مصنوعی در تخمین ظرفیت باربری شالوده های سطحی واقع بر بسترهای چند لایه چسبنده ” به کمک پارامترهای چسبندگی و زاویه اصطکاک داخلی خاک و نیز شرایط هندسی مسئله شامل ضخامت لایه های خاک و عرض شالوده توانست ظرفیت باربری شالوده های واقع بربسترهای لایه را به کمک شبکه های عصبی مصنوعی پرسپترون تخمین بزند . [۶]
محمدرضا عسگری (۱۳۸۴) در تحقیقی با عنوان “بکار گیری شبکه های عصبی در پیش بینی مشخصات خاک با در دست داشتن اطاعات گمانه های مجاور” بوسیله داده های بدست آمده از گمانه های موجود در یک منطقه اطلاعاتی در زمینه مختصات و تراز سطح زمین نقاط مختلف را بعنوان ورودی به شبکه عصبی چندلایه پیش خور، ارائه نموده و پس از آموزش شبکه، توزیع فضائی لایه های خاک و پارامترهای ژئوتکنیکی مورد نظر آن منطقه را بدست آورده است که شبکه مذکور نتایجی قابل قبول ارائه نموده است . [۳]
محمد بزمی (۱۳۸۱)، با بهره گرفتن از شبکه های عصبی مصنوعی با الگوریتم های پس انتشار خطا و توابع پایه شعاعی، نشست در شالوده های سطحی روی خاک های غیر چسبنده را بررسی نموده و نتایج دقیقتری را نسبت به روش های معین موجود ارائه نموده است. [۷]
ابو کیفا^۱ (۱۹۹۸)، در تحقیقی به کمک شبکه های عصبی مصنوعی (رگرسیون عمومی شبکه های عصبی مصنوعی)، ظرفیت نهایی شمع های کوبیده شده در خاکهای غیر چسبنده را بررسی نموده و با

1. 1. A. Abu kiefa

۱۵
مقادیر اندازه گیری شده، مقایسه کرده و نشان داد که شبکه های عصبی مصنوعی قادر هستند برای محاسبات انواع شمع های کوبیده شده در خاکهای غیر چسبنده کارآیی داشته باشند. [۱۱]
سلیمان بیگی و هاتف (۲۰۰۵)، با بهره گرفتن از شبکه های عصبی مصنوعی پس انتشار و شعاع مبنا، ظرفیت باربری نهایی پی های سطحی را در خاکهای غیرچسبنده مسلح بررسی نموده و نتایج بدست آمده از شبکه های طراحی شده را با مقادیر مشاهداتی اندازه گیری شده مقایسه کرده و نشان داد شبکه های عصبی مصنوعی در مقایسه با روش های سنتی از درجه دقت و صحت بیشتری برخوردار هستند. [۱۲]
هارندی مایزر^۱ و همکارانش (۲۰۱۳)، به کمک شبکه های عصبی مصنوعی ظرفیت باربری محوری شمع های کوبیده شده را بررسی نموده و نتایج مشاهداتی را با نتایج بدست آمده از شبکه طراحی شده مقایسه کرده و نشان داد که شبکه های عصبی مصنوعی قادرند ظرفیت باربری محوری شمع های کوبیده شده را با دقت بسیار بالایی پیش بینی کنند. [۱۳]
محمد شاهین و همکارانش(۲۰۰۲)، به کمک شبکه های عصبی مصنوعی، نشست پی های سطحی را بررسی نموده و نشان دادند که شبکه های عصبی مصنوعی یک تکنیک مفید برای پیش بینی میزان نشست پایه های کم عمق درخاک های غیرچسبنده به جای استفاده ازروش های سنتی می باشد.[۱۴]
د سی^۲ و همکارانش(۱۹۹۷)، به کمک شبکه های عصبی مصنوعی ظرفیت شمع را با بهره گرفتن از مدل پس انتشار، بررسی نموده و توانایی شبکه های عصبی مصنوعی را در پیش بینی ظرفیت شمع را نشان دادند. [۱۵]
Harnedi Maizir
Teh C
۱۶
فصل سوم
روش ها ومواد
۳-۱ مقدمه
توسعه و ساخت شبکه های عصبی مصنوعی حدوداً ۵۰ سال پیش آغاز شد و انگیزه آن نیز درک مغز انسان و شبیه سازی عملکرد آن بود. در این اواخر، بدلیل ساخت و توسعه الگوریتم های پیچیده تر و ظهور ابزار محاسباتی قویتر، این مقوله حیاتی دوباره را تجربه کرده است. تحقیقات وسیعی در خصوص قابلیت های بالقوه شبکه های عصبی مصنوعی به عنوان ابزاری محاسباتی که نگاشتی از یک محیط ورودی چند متغیره به محیط دیگر را دریافت و محاسبه کرده و نمایش می دهد، انجام شده است. از نقطه نظر ریاضیاتی، شبکه عصبی مصنوعی اغلب به عنوان یک تقریبـزن جهانی دیده می شود. قابلیت شناسایی یک رابطه از الگوهای داده شده امکان حل مسئله های بسیار عظیم و پیچیده از قبیل تشخیص الگو، مدل سازی غیر خطی، طبقه بندی، تجمیع، و کنترل را برای شبکه عصبی مصنوعی ممکن می سازد. علیرغم اینکه ایده شبکه های عصبی مصنوعی توسط مک کالچ و پیت ارائه شد، توسعه تکنیک های شبکه عصبی مصنوعی در دو دهه اخیر به خاطر تلاشهای هاپفیلد در زمینه شبکه های عصبی خود تطبیق تکرار شدنی، رنسانسی را تجربه کرده است. از زمانیکه رومل هارت و همکارانش یک چهارچوب نظری ریاضیاتی دقیق پس انتشار^۱ را برای شبکه های عصبی کشف کردند، رشد
Back-Propagation
۱۸
بسیارعظیمی در میزان علاقه به این مکانیزم محاسباتی اتفاق افتاده است. متعاقباً، شبکه های عصبی مصنوعی درحوزه های متنوعی از جمله نوروفیزیولوژی، فیزیک، مهندسی زیست پزشکی، مهندسی الکترونیک، علوم کامپیوتر، صوت شناسی، فرمانشناسی، علم رباتیک، پردازش تصویر، حسابداری و دیگر زمینه ها کاربردهای متعددی پیدا کرده است. [۱۳]
۳-۲ معرفی متدولوژی و روش انجام کار
متدولوژی استفاده شده برای شبیه سازی و پیش بینی مکانی ظرفیت باربری خاک، روش شبکه عصبی مصنوعی می باشد. در مدل های آماری و دینامیکی سعی بر آن است که با ایجاد یک رابطه ریاضی، ارتباط بین اطلاعات مفروض به نام ورودی و اطلاعات دیگر یعنی خروجی، بیان شود. در این روابط صریح ریاضی، محدودیتی وجود دارد که یک مدل دینامیکی صریح، اگر بخواهد از دقت بالایی برخوردار باشد، باید پارامترهای ورودی آن زیاد بوده و یا برد زمانی پیش بینی آن کم گردد. اما در شبکه عصبی مصنوعی با پردازش غیرخطی اطلاعات به روش خودسازماندهی در عملیاتی موازی در تعداد زیادی از سلول های عصبی ارتباط بین اطلاعات ورودی و خروجی در سطح بالایی شبیه سازی می شود و بدون ساختن و یا ایجاد رابطه صریح می تواند با آموزشی که دیده است رفتار سیستم را پیش بینی کند. در این تحقیق ابتدا شبیه سازی به روش شبکه عصبی برای پیش بینی مکانی ظرفیت باربری خاک به کمک نرم افزار Matlab ارائه شده و سپس نتایج حاصل با نتایج آزمایشات ژئوتکنیک موجود مورد ارزیابی قرار گرفته است.
۱۹
۳-۳ شبکه های عصبی مصنوعی
یک شبکه عصبی مصنوعی عبارتست از یک سیستم عظیم و توزیع شده به روش موازی جهت پردازش اطلاعات که ویژگی های اجرایی مشخصی داشته و شبکه های عصبی بیولوژیکی مغز انسان را شبیه سازی نماید. شبکه های عصبی مصنوعی، بعنوان یک کلیت از مدلهای ریاضیاتی تشخیص انسانی یا شبکه بیولوژیکی ساخته شده اند. ساخت آنها مبتنی بر قوانین زیر است: