臺灣博碩士論文加值系統

由於台灣可利用之土地有限，而人口亦快速成長，為了滿足居住的需求，現在的建築物不僅高度及開挖深度越來越深，也漸漸往山坡地及河川地發展。然而，在施工困難度增加，土地過度開發及未妥善保護環境生態下，往往因人禍或天災而造成了無法彌補的損害，如施工不慎造成鄰房損害、地震引起的土壤液化、暴雨造成的土石流等。因此，如何於施工時提高結構物之安全性，於天災發生時減少人民生命財產之損失，甚至如何準確建立災害預警系統，應是現在大地工程師之重要課題。
近幾年來，隨著試驗技術和分析方法的不斷改進，大地工程師處理模擬與預測問題的能力有著大幅度的進步，原本繁複的計算工作已由計算機代勞，繼之興起的專家系統也因而成為相關學術領域所積極發展的研究主題之一。本研究先應用傳統之倒傳遞類神經網路，來建立一套逆打深開挖連續壁之壁體變位預測模式，而該模式在預測最大壁體變位方面，其相對誤差未超過30％者共佔所有可供預測案例的86.3％；在預測最大壁體位移的位置深度方面，其誤差節點數≦2之案例共佔可供預測案例的85.1％；而本研究與傳統之有限元素法分析深開挖工程的方法相比較，發現傳統方法除了最終階段開挖之外，其餘階段開挖的預測值皆有偏小的現象，且兩者在壁體上半部之預測結果皆有低估的現象；而本研究之預測結果，對於壁體上半部之壁體變位，卻能準確地預測，除了最大壁體變位值在最終開挖階段之預測結果有稍微高估的現象之外，整體而言，可說是相當準確的。
接著，本研究以模糊系統為基礎，結合群聚分析概念與類神經網路，提出一整合式模糊群聚類神經網路架構，並利用921地震的現場觀測數據及國內外已發表之相關資料，來預測土壤液化現象。經本系統進行評估，所得誤判率為1.28%，遠較傳統經驗公式所得誤判率17.25%~26.75%為低，評估結果亦較Goh所提出之倒傳遞類神經網路之誤判率3.85%為佳，顯示其優越的推估能力及學習效果。
最後，利用本研究發展之類神經網路，來預測土石流之發生機率及發生時間。而於土石流發生機率之預測，本模式之誤判率為2.22﹪，準確率已達可接受之範圍；而於預測土石流發生時間方面，其誤判率為71.04%，顯示這方面仍有改善的空間。

Because the usable land in Taiwan is limited, and the population grows up so fast, high-rise buildings with deep excavation and hillside inhabitation are constructed in urban and mountain areas. Deep excavation in soft soil, lateral diaphragm wall deflection is usually a major concern. Heavy rains that accompanied typhoon always cause severe debris flows and landslides. In addition, due to common occurance of earthquake, considerable amount of damages have been caused by earthquake induced liquefaction. How to make a safe design and construction and minimize damage is of utmost importance in a geotechnical engineering project.
The feasibility of using artificial neural networks (ANN) for assessing geotechnical engineering problems have been examined by many researchers .The first objection of this research is to predict diaphragm wall deflection by applying the learning ability of back-propagation ANN to develop a forecast model, based on collected ten top-down cases. The results of this research indicate that ANN can reasonably predict the maguitude, as well as the location of maximum deflection of a diaphragm wall.
Then a neuro-fuzzy system is developed,and the Chi-Chi earthquake data as well as other reported data are used to evaluate earthquake induced liquefaction potentials. With the help of case studies, it is shown that proposed model has less error rate than conventional empirical and traditional ANN methods.
Finally, the proposed neuro-fuzzy model is used to investigate its applicability and practicalibity for debris flow. The results demonstrate that the proposed neuro-fuzzy model is applicable and effective tool for debris flow warning system.

誌謝‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ Ⅰ
摘要‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ Ⅱ
目錄‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ Ⅵ
表目錄‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ XI
圖目錄‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ XⅢ
符號表‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ XⅥI
第一章 緒論‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 1
1.1 研究背景與目的 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 1
1.1.1土石流‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 1
1.1.2土壤液化‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 2
1.1.3深開挖‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 2
1.2 研究動機‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 3
1.3 研究方法‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 4
1.4 研究內容‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 5
第二章 文獻回顧‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 9
2.1 類神經網路‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 9
2.1.1類神經網路的發展背景‥‥‥‥‥‥‥‥‥‥‥ 9
2.1.2生物神經元與人工神經元‥‥‥‥‥‥‥‥‥‥ 11
2.1.3類神經網路在大地工程領域之應用‥‥‥‥‥‥ 12
2.2 群聚分析‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 13
2.2.1 群聚分析演算法‥‥‥‥‥‥‥‥‥‥‥‥‥ 13
2.2.2模糊 C-means群聚分析‥‥‥‥‥‥‥‥‥‥‥ 13
2.2.3機率 C-means群聚分析‥‥‥‥‥‥‥‥‥‥‥ 15
2.3模糊系統‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 17
2.3.1模糊系統的發展背景‥‥‥‥‥‥‥‥‥‥‥‥ 17
2.3.2模糊集合與歸屬函數‥‥‥‥‥‥‥‥‥‥‥‥ 18
2.3.3模糊系統與模糊規則‥‥‥‥‥‥‥‥‥‥‥‥ 18
2.3.4模糊系統在大地工程領域之應用‥‥‥‥‥‥‥ 20
第三章 整合式模糊群聚類神經網路架構‥‥‥‥‥‥‥‥‥‥ 24
3.1 前言‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 24
3.2 系統模式‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 24
3.3 模糊規則萃取‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 25
3.3.1 修正型PCM群聚分析‥‥‥‥‥‥‥‥‥‥‥ 26
3.3.2 規則補集‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 28
3.4 學習法則‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 29
3.4.1 架構學習‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 30
3.4.2 參數學習‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 31
第四章 深開挖‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 37
4.1 逆打工法之概述‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 37
4.1.1 逆打工法之施工特點‥‥‥‥‥‥‥‥‥‥‥ 37
4.1.2 逆打工法施工之優缺點‥‥‥‥‥‥‥‥‥‥ 37
4.2 影響壁體變形之因素‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 39
4.3 壁體規劃設計之特性‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 40
4.3.1 壁體厚度與開挖深度之關係‥‥‥‥‥‥‥‥ 40
4.3.2 貫入深度與開挖深度之關係‥‥‥‥‥‥‥‥ 40
4.4 最大壁體變位與開挖深度之關係‥‥‥‥‥‥‥‥‥ 41
4.5 現行預測壁體變形之研究方法‥‥‥‥‥‥‥‥‥‥ 42
4.5.1 有限元素法‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 42
4.5.2 FLAC程式的應用‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 43
4.5.3 RIDO程式的應用‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 43
4.5.4 TORSA程式的應用‥‥‥‥‥‥‥‥‥‥‥‥‥ 43
4.5.5 類神經網路‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 44
4.6 案例基本相關資料探討‥‥‥‥‥‥‥‥‥‥‥‥‥ 44
4.6.1 壁體厚度與開挖深度之關係‥‥‥‥‥‥‥‥ 44
4.6.2 貫入深度與開挖深度之關係‥‥‥‥‥‥‥‥ 45
4.6.3 最大壁體變位與開挖深度之關係‥‥‥‥‥‥ 45
4.7 網路建構‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 45
4.7.1 決定輸入變數‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 45
4.7.2 決定輸出變數‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 46
4.7.3 資料的前處理與後處理‥‥‥‥‥‥‥‥‥‥ 47
4.7.4 網路之演算法‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 48
4.7.5 轉換函數之選用‥‥‥‥‥‥‥‥‥‥‥‥‥ 49
4.8 壁體變位之預測‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 49
4.8.1 網路模式優劣性之判定‥‥‥‥‥‥‥‥‥‥ 49
4.8.2 程式之預測流程‥‥‥‥‥‥‥‥‥‥‥‥‥ 50
4.8.3 最佳網路模式之選取‥‥‥‥‥‥‥‥‥‥‥ 50
4.9 結果討論‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 53
4.10預測結果分析與案例驗證‥‥‥‥‥‥‥‥‥‥‥‥ 53
4.10.1網路預測結果分析‥‥‥‥‥‥‥‥‥‥‥‥ 53
4.10.2 程式之預測流程‥‥‥‥‥‥‥‥‥‥‥‥‥ 54
第五章 土壤液化潛能評估‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 80
5.1 土壤液化之定義‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 80
5.2 土壤液化之機制‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 81
5.3 影響土壤液化潛能之因素‥‥‥‥‥‥‥‥‥‥‥‥ 82
5.3.1 現地狀況‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 82
5.3.2 土壤性質‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 83
5.3.3 地震特性‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 84
5.4 土壤液化評估方法‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 85
5.4.1 Seed簡易經驗法(Seed法)‥‥‥‥‥‥‥‥‥ 86
5.4.2 Tokimatsu & Yoshimi液化評估法(T&Y法)‥‥ 87
5.4.3 日本道路橋液化評估法(JRA法)‥‥‥‥‥‥‥ 89
5.4.4 新日本道路橋液化評估法(NJRA法)‥‥‥‥‥ 91
5.4.5 NCEER修正的SEED簡易經驗法(NCEER法)‥‥‥ 93
5.5 案例分析‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 95
5.5.1 資料處理‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 95
5.5.2 輸入參數選擇‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 95
5.5.3 數入參數正規化‥‥‥‥‥‥‥‥‥‥‥‥‥ 96
5.5.4 系統參數設定‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 97
5.6 分析結果‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 100
5.6.1與傳統液化評估法分析結果比較‥‥‥‥‥‥‥ 100
5.6.2與倒傳遞類神經網路分析結果比較‥‥‥‥‥‥ 101
5.6.3參數相對重要性‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 102
第六章 土石流預測‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 140
6.1 土石流及其分類‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 140
6.1.1 何謂土石流‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 140
6.1.2 土石流發生條件與發生途徑‥‥‥‥‥‥‥‥ 141
6.2 土石流發生之相關研究‥‥‥‥‥‥‥‥‥‥‥‥‥ 144
6.2.1 土石流發生之理論分析‥‥‥‥‥‥‥‥‥‥ 144
6.2.2 土石流發生之實驗研究‥‥‥‥‥‥‥‥‥‥ 144
6.2.3 土石流發生之經驗或半經驗關係式‥‥‥‥‥ 145
6.2.4 土石流預警系統‥‥‥‥‥‥‥‥‥‥‥‥‥ 148
6.3 影響土石流發生之因素‥‥‥‥‥‥‥‥‥‥‥‥‥ 152
6.3.1 地文因子‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 152
6.3.2 水文因子‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 153
6.4 土石流發生機率預測之案例分析‥‥‥‥‥‥‥‥‥ 153
6.4.1 資料處裡‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 154
6.4.2 輸入參數選擇‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 154
6.4.3 輸入參數正規化‥‥‥‥‥‥‥‥‥‥‥‥‥ 155
6.4.4系統參數設定‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 155
6.4.5 預測成果‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 156
6.4.6 預測成果分析‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 157
6.5土石流發生時間預測之案例分析‥‥‥‥‥‥‥‥‥ 157
6.5.1 資料處理‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 158
6.5.2 輸入參數選擇‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 158
6.5.3 輸入參數正規化‥‥‥‥‥‥‥‥‥‥‥‥‥ 158
6.5.4 系統參數設定‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 159
6.5.5 預測成果‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 159
6.5.6 預測成果分析‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 160
第七章 結論與建議‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 177
7.1 結論‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 177
7.2 建議‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 178
參考文獻‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 179

1. 日本道路協會，道路橋示方書同解說，V耐震設計篇（1990）。
2. 日本道路協會，道路橋示方書同解說，V耐震設計篇（1996）。
3. 王暉文（1994），「有限差分法用於台北地區深開挖工程分析之研究」，國立台灣科技大學營建工程技術研究所碩士論文。
4. 尹承遠、翁勳政、吳仁明、歐陽湘(1994)，，「台灣土石流之特性」」， 工程地質技術應用研討會論文專集，pp.70∼90。
5. 江永哲、鄭瑞昌(1986)，「土石流發生特性之初步研究」，中華水土保持學報，22(2)，pp.21∼37。
6. 江英政(1998)，，「土石流危險溪流判定之研究」」，國立台灣大學土木工程研究所碩士論文。
7. 何敏龍(1997) ，「土石流發生機制與流動制止結構物之研究」，，國立台灣大學土木工程研究所碩士論文。
8. 李毅宏（2004），「土石流預警與降雨關係之研究」，國立中興大學水土保持學系碩士論文。
9. 李磑柏（2000），「以單梁模式分析深開挖引致之擋土壁體變形」，國立台灣科技大學營建工程技術研究所碩士論文。
10. 吳明峰（1999），「軟弱粘土深開挖地表沈陷之分析與探討」，國立台灣科技大學營建工程技術研究所碩士論文。
11. 吳昭慧、歐章煜（2000），「台北盆地T2區深開挖引致之壁體變形與地表沈陷」，中國土木水利學刊，12(3)，pp.499∼510。
12. 吳偉特(1979)，「台灣地區砂性土壤液化潛能之初步分析」，土木水利，6(2)，pp.39∼70。
13. 吳積善、康志成、田連權、章書成 (1990)，”雲南蔣家溝泥石流觀測研究”，中國大陸科學出版社。
14. 林美聆、王幼行(1999) ，「地表水及地下水對土石流破壞型態之影響」，地工技術，第74期，pp.29∼38。
15. 林美聆、詹士勝(1995) ，「地理資訊系統應用於土石流溪流危險度判定之初步研究」，，中國土木水利工程學刊，7(4)，pp.475∼486。
16. 林炳森、馮賜陽、李俊明(1993)，「礫石層土石流發生特性之研究」，中華水土保持學報，24(1)，pp.55∼64。
17. 林耀煌（1982），「高層建築基礎開挖施工法與設計實例」，長松出版社。
18. 高子劍（2001），「機率式土石流臨界降雨線之研究」，國立台灣大學農業工程學研究所碩士論文。
19. 范正成、姚正松(1997)，「台灣東部地區土石流發生的水文及地文條件之初步研究」，八十六年度農業工程研討會，台南市，pp.525-531。
20. 唐雨耕（1998），「土壤參數識別應用於深開挖分析之研究」，國立台灣科技大學營建工程技術研究所博士論文。
21. 陳永義（1997），「逆築工程施工規劃與管制研究行為之研究」，國立台灣科技大學營建工程技術研究所碩士論文。
22. 陳明棠（2002），「台灣北部地區土石流潛勢溪流危險度與預警分析之研究－類神經網路與模糊理論之應用」，國立台灣大學土木工程研究所碩士論文。
23. 陳晉琪（2000），「土石流發生條件及發生機率之研究」，國立成功大學水利及海洋工程學系碩士論文。
24. 陳俶季、李煜仕、張延任、盧致仁（2005），「以整合式模糊群聚類神經網路評估土壤液化」，中國土木水利工程學刊，17(2)，pp.335∼347。
25. 陳俶季、張固宇、蔡宜峰、李煜仕、張延任（2002），「模糊自適應共振類神經網路在大地工程之應用」，中國土木水利工程學刊，14(3)，pp.405∼417。
26. 許琦、李德河（1997），「高雄捷運紅橘線地質與其鄰近開挖沉陷特性」，捷運施工及托底工程研討會，pp.113∼116。
27. 張東炯(2000)，「類神經網路於土石流發生預測模式之研究」，台灣水利，48(2)，pp.92∼98。
28. 張紘愷（2003），「應用分群技術於資料探勘之研究」，國立高雄應用科技大學電子與資訊工程研究所碩士論文。
29. 張基礎（2000），「深開挖引致之地表沉陷特性及其預測模式之研究」，國立成功大學土木工程研究所碩士論文。
30. 黃宏斌(1991)，「土石流之發生模式探討」」，中國農業工程學報，37(4)，pp.35∼47。
31. 曾國源（2003），「以類神經網路架構土石流預警系統之研究」，國立台灣大學生物環境系統工程學系暨研究所碩士論文。
32. 游繁結、陳重光(1987)，「豐丘土石流災害之探討」，中華水土保持學報，18(1)，pp.76∼92。
33. 游繁結(1987)，「土石流之基礎研究(I)：土石流發生機制之研究」，中華水土保持學報，18(2)，pp.28∼40。
34. 游繁結、賴建信(1994)，「不同粒徑組成與土石流發生之關係探討」，中華水土保持學報，25(1)，pp.25∼31。
35. 游繁結(1997)，「賀伯颱風造成之土石流案例研討(上)」，現代營建，第209期，pp.9∼20。
36. 游繁結(1997)，「賀伯颱風造成之土石流案例研討(下)」，現代營建，第210期，pp.19∼23。
37. 詹尚宏（1992），「台北市區深開挖之數值分析」，國立台灣科技大學營建工程技術研究所碩士論文。
38. 詹君治、冀樹勇、陳錦清（2000），「類神經網路於深開挖壁體變形之預測」，中興工程，第六十九期，pp.21∼38。
39. 詹錢登 (1994)，「土石流危險度之評估與預測」，中華水土保持學報，25(2)，第95∼102頁。
40. 詹錢登、陳晉琪（2000），「土石流發生臨界條件之理論分析」，力學系列B，16(2)，pp.119∼129。
41. 蕭景福（1997），「軟弱黏土對深開挖擋土連續壁之研究」，國立台灣海洋大學河海工程研究所碩士論文。
42. 賴宏源（2000），「九二一集集地震中部地區土壤液化案例之研析」，國立成功大學土木工程所碩士論文。
43. 謝正倫、江志浩、陳禮仁 (1992)，「花東兩縣土石流現場調查與分析」，中華水土保持學報，23(2)，pp.109∼122。
44. 謝正倫、陳禮仁(1993)，，「土石流預警系統之研究(Ⅱ) 」，行政院農委會，研究試驗報告第 139 號。
45. 謝正倫、陳禮仁(1993b)，「土石流潛在溪流之危險度的評估方法 」，中華水土保持學報，24(1)，pp.13∼19頁。
46. 謝正倫、張東炯(1996)，「中部地區土石流現場調查與分析」，農業工程學報，43(3)，pp.31∼46。
47. 謝正倫、陸源忠、游保杉、陳禮仁(1995)，「土石流發生臨界降雨線設定方法之研究」，中華水土保持學報，26(3)，pp.167∼172。
48. 謝百鉤、歐章煜（2000），「利用擬塑性模式於黏土不排水條件之深開挖分析」，中國土木水利學刊，12(4)，pp.703∼713。
49. 冀樹勇、陳錦清、王建智（1999），「RIDO程式之最佳化土層參數之探討」，地工技術，第75期，pp.61∼67。
50. Abu, K. M. A.,(1998),“ General Regression Neural Networks for Driven Piles in Cohesionless Soils, ” Journal of Geotechnical and Geoenvironmental Engineering, Vol. 124, No. 12, pp. 177∼1185 .
51. Adeli, H., and Yeh, C.,(1989),“ Perception Learning in Engineering Design, ” Microcomputers in Civil Engineering, Vol. 4, No. 4, pp. 247∼256 .
52. Anderson, J. A., and Rosenfeld, E.,(1989),” Neurocomputing: Foundations of Research, ” Cambridge, MA: MIT Press.
53. Bezdek, J. C.,(1973),“ Fuzzy mathematics in pattern classification, ” ph. D. dissertation, Cornell University, Ithaca, N.Y.
54. Brown, D. A., and Berke, L.,(1991),“ Computational Simulation of Composite Ply Micromechanics Using Artificial Neural Networks, ” Microcomputers in Civil Engineering, Vol. 6, pp.87∼97.
55. Caine, N. (1980), " The Rainfall Intensity-During Control of Shallow Landslides and Debris Flows, " Geografiska Annaler, Vol.62, pp.23-27.
56. Cannon, S. H., S. D. Ellen (1985), " Rainfall Conditions for Abundant Debris Avalanches in the San Francisco Bayegion California, " California Geology, Vol. 38, No.12, pp.267-272.
57. Chen, J. W., and Chen, C. Y.,(1997),“ A Fuzzy Methodology for Evaluation of the Liquefaction Potential, ” Microcomputers in Civil Engineering, Vol. 12, No. 3, pp. 193∼204 .
58. Chern, S. G., Hu, R. F., Chang, Y. J., and Tsai, I. F.,(2002),“ Fuzz-ART Neural Networks for Predicting Chi-Chi Earthquake Induced Liquefaction in Yuan-Lin Area, ” Journal of Marine Science and Technology,Vol. 10, No. 1,.
59. Chern, S. G., Lee, Y. S., Chang, Y. J. and Hu, R. F.,(2005),” A Research Combines Nondestructive Testing and A Neuro-Fuzzy System for Evaluating Rigid Pavement Failure Potential, ” Journal of Marine Science and Technology,Accepted.
60. Dai, H., and Macbeth, C.,(1995),“ Automatic Picking of Seismic Arrivals in Local Earthquake Data Using an Artificial Neural Network, ” Geophysical Journal International, Vol. 120, pp. 758∼774 .
61. Ellis, G. W., Yao, C., Zhao, R., and Penumadu, D., (1995),“ Stress-Strain Modeling of Sands Using Artificial Neural Networks, ” Journal of Geotechnical Engineering, Vol. 121, No. 5, pp. 429∼435 .
62. Elton, D. J., Juang, C. H., and Sukumaran, B.,(1995),“ Liquefaction Susceptibility Evaluation Using Fuzzy Sets, ” Soils and Foundations, Vol. 35, No. 2, pp. 49∼60.
63. Garson, G. D.,(1991),“ Interpreting neural-network connection weights, ” AI Expert, Vol. 6, No. 7, pp. 47∼51.
64. Goh, A. T. C.,(1994),“ Seismic Liquefaction Potential Assessed by Neural Network, ” Journal of Geotechnical Engineering, Vol. 120, No. 9, pp. 1467∼1480.
65. Goh, A. T. C.,(1996),“ Neural-Network Modeling of CPT Seismic Liquefaction Data, ” Journal of Geotechnical Engineering, Vol. 122, No. 1, pp. 70∼73.
66. Hwang, J. H., and Yang, C. W., (2001) ,“ Verification of critical cyclic strength curve by Taiwan Chi-Chi earthquake data, ” Soil Dynamics and Engineering, Vol. 21, pp. 237∼257.
67. Ishibashi, I., Sherif, M. A., and Cheng, W. L.,(1982),“ The Effects of Soil Parameters on Pore-Pressure-Rise and Liquefaction Prediction, ” Soils and Foundations, Vol. 22, No. 1, pp. 39∼48.
68. Juang, C. H., and Chen, C. J.,(2000),“ A Rational Method for Development of Limit State for Liquefaction Evaluation Based on Shear Wave Velocity Measurements, ” International Journal for Numerical and Analytical Method in Geomechanics, Vol. 24, pp. 1∼27.
69. Juang, C. H., and Chen, C. J.,(1999),“ CPT-Based Liquefaction Evaluation Using Artificial neural networks, ” Computer-Aided Civil and Infrastructure Engineering, Vol. 14, No. 3, pp. 221∼229.
70. Juang, C. H., Chen, C. J., and Tien, Y. M.,(1999),“ Appraising CPT-Based Liquefaction Resistance Evaluation Methods: Artificial Neural Networks Approach, ” Canadian Geotechnical Journal, Vol. 36, No 3, pp. 443∼454 .
71. Juang, C. H., Chen, C. J., Jiang, T., and Andrus, R. D.,(2000), “ Risk-Based Liquefaction potential Evaluation Using Standard Penetration Tests, ” Canadian Geotechnical Journal, Vol. 37, pp. 1195∼1208.
72. Juang, C. H., Lee, D. H., and Sheu, C.,(1992),“ Mapping Slope Failure Potential Using Fuzzy Sets, ” Journal of The Geotechnical Engineering, Vol. 118, No. 3, pp. 475∼494.
73. Kishida, H.,(1969),“ Characteristics of Liquefied Sands During Mino-owari, Tohnankai and Kikui Earthquakes, ” Soils and Foundations, STP 450, pp. 71∼96.
74. Krishnapuram, R., and Keller, J. M., (1993), “ A Possibilistic Approach to Clustering, ” IEEE Transactions on Fuzzy Systems, Vol. 1, No. 2, pp. 98∼110.
75. Lee, K. L., and Fitton, J. A.,(1969),“ Factors Affecting the Cyclic Loading Strength of Soil, ” Vibration Effects of Earthquake on Soils and Foundations, STP 450, pp. 71∼96.
76. Madhu, S., Juang, C. H., Chen, J. W., and Lee D. H., (1995),“ A Fuzzy System for Rock Mass Classification and Tunnel Support Selection, ” Journal of Civil Engineering Systems.
77. Ni, S. H., Lu, P. C., and Juang, C. H.,(1996),“ A Fuzzy Neural Network Approach to Evaluation of Slope Failure Potential, ” Microcomputers in Civil Engineering, Vol. 11, pp. 59∼66.
78. Ou, C. Y., Hsieh, P. G., and Chiou, D. C.,(1993)“ Characteristics of ground surface settlement during excavation, ” Canadian Geotechnical Journal, Vol. 30, No. 5, pp.758∼767.
79. Robertson, P. K., and Wride, C. E.,(1997) ,“ Cyclic Liquefaction and its Evaluation Based on SPT and CPT, ” Proceedings of the NCEER Workshop on Evaluation of Liquefaction Resistance of Soils, Edited by Youd, T. L. and Idriss, I. M., NCEER-97∼0022.
80. Ross, G. A., Seed, H. B., and Migliaccio, R. R.,(1969), “ Bridge Foundations in Alaska earthquake, ” Journal of the Soil Mechanics and Foundations Division, Vol. 95, No. SM3, Proc. Paper 4223, May.
81. Seed, H.B., (1979), “ Soil Liquefaction and Cyclic Mobility Evaluation for Level Ground During Earthquakes, ” Journal of The Geotechnical Engineering Division, Vol. 105, No. GT2, Feb., pp. 201∼255.
82. Seed, H. B., and Idriss, I. M., (1971),“ Simplified Procedures for Evaluation Soil Liquefaction Potential, ” Journal of the Soil Mechanics and Foundations Division, Vol. 97, No. SM9, pp. 1249∼1273.
83. Seed, H. B., Idriss, I. M., and Arango I., (1983), “ Evaluation of Liquefaction Potential Using Field Performance Data, ” Journal of the Geotechnical Engineering Division, Vol. 109, No. 3, pp. 458∼482.
84. Seed, H. B., Tokimatsu, K., Harder, L. F., and Chung, R. M., (1985), “ Influence of SPT Procedures in Soil Liquefaction Resistance Evaluation, ” Journal of Geotechnical Engineering, Vol. 111, No. 12, pp. 1425∼1445.
85. Shi, J., Ortigao, J. A. R., and Bai, J., (1998) ,“ Modular Neural Networks for Predicting Settlements During Tunneling, ” Journal of Geotechnical and Geoenvironmental Engineering, Vol. 124, No. 5, pp. 389∼395.
86. Takahashi, T. (1981a), " Estimation of Potential Debris Flows and their hazardous zones, " Journal of Natural Disaster science, Vol.3, No.1, pp.57-89.
87. Tokimatsu, K., and Yoshimi, Y., (1983), “ Empirical Correlation of Soil Liquefaction Based on SPT-N Value and Fines Content, ” Soils and Foundations, Vol. 23, No. 4, pp. 56∼74.
88. Tung, A. T. Y., Wang, Y. Y., and Wong, F. S., “Assessment of Liquefaction Potential Using Neural Networks,” Soil Dynamics and Engineering, Vol. 12, pp. 325-335 (1993).
89. VanDine, D. F.(1985), " Debris Flows and Debris Torrents in the Southern Canadian Cordillera, " Can. Geotech. J., Vol. 22, pp. 44∼68.
90. Wang, J., and Rahman, M. S., (1999) ,“ A Neural Network Model for Liquefaction-Induced Horizontal Ground Displacement, ” Soil Dynamics and Earthquake Engineering, Vol. 18, pp. 555∼568.
91. Wieczorek, G. F. (1987), " Effect of Rainfall Intensity and During on Debris Flows in Central Santa Cruz Mountains, " California, Flows/Avalanches: Process, Recognition and Mitigation, Geological Society of America, Reviews in Engineering Geology, Vol.7, pp.93-104.
92. Wong, R.T., Seed H. B., and Chan, C. K., (1975), “ Cyclic Loading Liquefaction of Gravelly Soils, ” Journal of The Soil Mechanics and Foundations Division, Vol. 101, No. GT6, pp. 571∼583.
93. Woo, S. M., and Moh, Z. C.,(1990)" Geotechnical Characteristics of Soils in the Taipei Basin, " Proceeding of 10th Southeast Asian Geotechnical Conference, Taipei, Vol. 2, pp.51∼65.
94. Zadeh, L. A., (1965), “ Fuzzy Sets, ” Information and Control, Vol. 8, pp. 338∼353.