تخته امتیازات

نویسنده : مهدیزاده - محمدباقر محل نشر : تهران تاریخ نشر : ۱۳۸۳/۰۷/۱۵ رده دیویی : ۰۰۶.۳۰۱۱ قطع : وزیری جلد : شومیز تعداد صفحه : ۱۹۲ نوع اثر : تالیف زبان کتاب : فارسی شماره کنگره : ۳۳۵ل/۹i۸l نوبت چاپ : ۱ تیراژ : ۱۰۰۰ شابک : ۹۶۴-۶۵۳۱-۳۵-۰ در این کتاب ضمن درج اطلاعاتی درباره شبکه‌های عصبی و هوش مصنوعی, کاربرد آن‌ها در مهندسی عمران توضیح داده شده است. موضوعات کتاب ذیل این عناوین سامان یافته است: 'شبکه‌های عصبی مصنوعی و مبانی بیولوژیک آن', 'شبکه‌های عصبی مصنوعی و مبانی مدل ریاضی آن', 'بررسی پرسپترون تک لایه', 'الگوریتم پس از انتشار خطا', 'اصول و مفاهیم شبکه‌های عصبی مصنوعی در مهندسی عمران', 'به کارگیری شبکه‌های عصبی مصنوعی در مهندسی عمران' و 'ترکیب شبکه‌های عصبی با تکنیک'. كاربرد شبكه هاي عصبي مصنوعي در مهندسي عمران مقدمه : شروع شبكة عصبي در سال 1943 ميلادي با بكارگيري شبكه‌اي شامل چند نرون ساده تهيه گرديد كه قدرت محاسباتي قابل توجهي داشت.اولين قانون آموزش براي شبكه‌هاي عصبي را هب(Hebb) در سال 1949 ميلادي ارائه نمود. شبكه‌هاي عصبي مصنوعي بر اساس مدل بيولوژيكي مغز جانوران بوجبد آمده‌اند و در واقع يك سيستم داده‌پردازي اطلاعات است و داراي خصوصيات اجرايي همانند شبكه‌هاي عصبي جانوري مي‌باشد. شبكه‌هاي عصبي مصنوعي ممكن است از چند نرون تا چند هزار نرون تشكيل شده باشند و اندازةشبكه بستگي به پيچيدگي مساله دارد. شبكه‌هاي عصبي را مي‌توان در موارد گوناگون از جمله ذخيره كردن و بازبيني داده‌ها،گروه‌بنديها،شكلها،انجام يك نگاشت كلي از يك مجموعة ورودي به يك مجموعة خروجي،گروه‌بندي اشكالي كه مشابه هم هستند و بهينه سازي و تعين جواب با وجود قيود متعدد بكار گرفت. اصول كار شبكه‌هاي عصبي مصنوعي :نرونها وروديهايي را كه به طرق خاص جمع مي‌شوند را جذب مي‌كنند و اگر اين وروديها از اندازة پيش تعين شده كوچكتر باشند نرون غير فعال مي‌ماند.پس از آنكه نرون فعال مي‌شودوروديها را با يك تابع خاص به خروجي مشخصي محاسبه و انتقال مي‌دهد. در سلول عصبي ،هر ورودي در وزن متناظرش كه بيانگر قدرت اتصالي است ضرب مي‌شود و سپس همة اين وروديهاي وزن دار با يكديگر جمع مي‌شود تا سطح تحريك سلول عصبي را معين نمايند.شكل زير دسته‌اي از وروديها كه بصورت (x1,x2,…,xn) نشان داده شده‌اند،به سلول عصبي اعمال مي‌شوند.اين وروديها كه جمعاً به عنوان يك بردار در نظر گرفته مي‌شوند،مشابه علائمي هستند كه به سيناپسهاي سلول عصبي بيولوژيكي فرستاده مي‌شوند.هر سيگنال قبل از اينكه به واحد جمع كه با علامت  نشان داده شده است،اعمال شود،در يك مربوط به خود (w1,w2,…,wn) ضرب مي‌گردد كه هر وزن مشابه با قدرت يك اتصال سيناپتيك بيلوژيكي منفرد است.واحد جمع كه شباهت خيلي كمي به جسم سلول بيولوژيكي دارد،همة وروديهاي وزن دار را بصورت جبري جمع و خروجي را توليد مي‌كند.كه در اينجا با NET نشان داده‌ مي‌شود.اين روند ممكن است بصورت خلاصه با نماد برداري بصورت زير بيان مي‌شود:NET=X*W خصوصيات يك پردازشگر عصبي مصنوعي :خصوصيات يك پردازشگر عصبي مصنوعي با الگو گرفتن از يك نرون بيولوژيكي به شرح زير است:  هر پردازشگر علائم متعددي را دريافت مي‌كند.  علائم دريافتي با اعمال وزن معين مي‌گردند.  وروديهايي كه بر آنها وزن اعمال شده است در واحد پردازشگر جمع مي‌شوند.  اگر وروديها به اندازة كافي بزرگ باشند،واحد پردازشگر فعال شده و علائم را به خارج منتقل مي‌كند.  گاهي خروجي يك پردازشگر به تعداد زيادي پردازشگر ديگر انتقال مي‌يابد. آموزش شبكه‌هاي عصبي مصنوعي : همچنانكه در مورد اكثر شبكه‌هاي عصبي مطرح است،هدف از آموزش شبكه،رسيدن به شرايطي است كه شبكه قادر به پاسخگويي صحيح به داده‌هاي ارائه شده در آموزش شبكه(به خاطر سپردن) و همچنين داده‌هاي مشابه و متفاوت از ورودي هايي كه از آنها براي آموزش شبكه استفاده شده است(تعميم دادن)،باشد. دو نوع آموزش شبكه به شكل زير است: الف‌ـ‌آموزش با معلم ب‌ـ‌آموزش بدون معلم برتري عمدة شبكه‌هاي عصبي آموزش داده‌شده بر محاسبات كلاسيك اين است كه نتايج مورد نياز با تلاش كمتر و در زمان كمتري قابل حصول است.در نتيجه اين مزايا خصوصاً براي مسائلي كه مستلزم محاسبات طولاني هستند بسيار مفيد و موثر واقع گردد. الف‌- آموزش با معلم آموزش اكثر شبكه‌هاي عصبي با استفاده از زوج بردارهاي نمونه صورت مي‌گيرد به طوري كه به هر بردار ورودي يك بردار خروجي مشخص نسبت داده مي‌شود.با ارائة اين مجموعه بردارها به شبكه،وزنها بر اساس الگوريتم يادگيري شبكه اصلاح مي‌گردند.اينگونه آموزش را آموزش با معلم مي‌نامند. ب-آموزش بدون معلم در اين نوع آموزش،بردارهاي ورودي به شبكه ارائه گرديده بدون اينكه بردارهاي خروجي مربوط به شبكه داده شوند،وزنهاي شبكه بصورتي اصلاح مي‌شوند كه بردارهاي ورودي مشابه در يك گروه‌بندي قرار گيرند.پاسخ شبكه بر اساس نزديكترين بردار به بردار ورودي خواهد بود. يكي از مشخصات بارزي كه استفاده از شبكه‌هاي عصبي را از روشهاي متداول محاسباتي متمايز مي‌كند،آموزش اين شبكه ها براي يادگيري است.يك شبكه آموزش مي‌بيند تا يك سري نتايج مورد انتظار با توجه به اطلاعات ورودي خاصي ايجاد نمايد. هرگاه شبكه‌اي اموزش ببيند،مي‌توان از آن به طور نامحدود و با استفاده از داده‌هاي ورودي،اطلاعاتي را بدست آورد كه شبكه قبلاً با آنها مواجه نبوده است.به عبارت ديگر،شبكه بر اساس تجربه آموزش مي‌بيند و برخلاف آنچه در محاسبات متداول روي مي‌دهد،با وجود يك اشتباه در اطلاعات ورودي تمامي محاسبات دچار اشكال نمي‌گردد. شبكه‌هاي عصبي مصنوعي مورد استفاده در مهندسي :دو نمونه از شبكه‌هاي عصبي مصنوعي كه در رشتة مهندسي در تقريب توابع بكار گرفته مي‌شود،عبارتند از:شبكة عصبي انتشار برگشتي وشبكة عصبي انتشار متقابل شبكه‌هاي عصبي انتشار برگشتي در مقليسه با شبكه‌هاي عصبي انتشار متقابل دقت بيشتري دارند و آن را مي‌توان در مواردي كه نياز به آموزش شبكة عصبي براي يك بار و استفادة دايم از آن باشد،بكار گرفت.به عنوان مثال اين شبكه در كنترل فعال سازه‌ها به هنگام زلزله به كار گرفته شده و نتايج حاصل از آن بسيار مطلوب گزارش شده است. يكي از معايب عمدة شبكه‌هاي عصبي انتشار برگشتي،سرعت كند همگرايي اين شبكه است.اين مشكل زماني كه مقياس مساله بزرگ باشد يعني تعداد واحدهاي ورودي و خروجي زياد شود،مشهود مي‌گردد. شبكة انتشار متقابل دقت كافي و لازم را ندارد و براي آموزش آن،حجم زيادي از زوجهاي آموزشي مورد نياز است،اما در مقابل،سرعت همگرايي اين شبكه بسيار زياد است و اين شبكه چندين برابر موثرتر از شبكة عصبي انتشار برگشتي عمل مي‌كند. وظايفي را كه شبكه‌هاي عصبي گوناگون مي‌توانند به عهده بگيرند عبارتند از:  با توجه به تعريف رياضي و يا مهندسي،شبكةعصبي يك سيستم نگاشت كننده برداري است،بدين معني كه نگاشتي از يك بردار ورودي به يك بردار خروجي مي‌باشد.(Mapping)  يكي‌ازساده‌ترين وظايف شبكه‌هاي عصبي‌گروه‌بندي الگوها (Pattern Classification) است.بدين معني كه تعلق داشتن يك بردار ورودي(الگو)به يك طبقه يا گروه مشخص توسط شبكه تعين مي‌گردد.  در بهينه‌سازي سازه‌ها،هر مرتبه با تغيير در يكي از پارامترهاي طراحي،تحليل سازه مجدداً صورت مي‌گردد.در چنين مواردي بكار گيري يك شبكة عصبي آموزش ديده مي‌تواند انتخاب مناسب بجاي تحليل دقيق سازه باشد.  شبكه‌هاي عصبي ساده تك لايه‌اي كه قادر به فراگيري مجموعه‌اي از زوج بردار هستند،اين نوع شبكه مدل ساده‌اي از حافظة انساني است.با اعمال يك بردار ورودي به شبكه نزديكترين برداري كه شبكه بر اساس آن آموزش داده‌ شده است به عنوان پاسخ انتخاب مي‌گردد.(Pattern Assocation)  شبكه‌هاي عصبي كه بر اساس رقابت عمل مي‌كنند،اين نوع شبكه‌ها بر اساس الگوريتمي خاص و بدون معلم آموزش مي‌بينند و به هنگام آموزش از اين نوع شبكه،با اعمال بردار ورودي،نرونهاي لايه‌هاي پردازش‌ كننده با هم رقابت نموده و يكي از نرون‌هاي اين لايه‌ برنده مي‌گردد. كاربرد شبكه‌هاي عصبي مصنوعي در علوم مختلف در حال حاضر شبكه‌هاي عصبي در علوم مختلف به صورت‌هاي گوناگون بكار گرفته شده‌اند. به طور خلاصه تعدادي از اين كاربردها بدين شرح است:  حل بسياري از مسائل كه شامل اطلاعات ورودي ناقص يا نادرستي هستند.  تشخيص الگوها  حذف نوفه(Nosie) در خطوط تلفن و يا ساير سيگنالهاي دريافتي  فشرده‌سازي اطلاعات تصويري براي كاهش حجم اطلاعاتي كه از يك نقطه به نقطة ديگري ارسال مي‌گردد.  تبديل تصاوير دريافتي به مجموعه‌اي از عكس‌العملها در ربات‌ها  پزشك فوري،شبكة آموزش ديده‌اي كه قادر به شناخت بيماري و تجويز داروست.  انجام هرگونه تصميم گيري در دنياي تجارت كه به سهولت انجام نمي‌گيرد،بلكه نياز به اطلاعات وسيعي در محدودة هدف مورد نظر دارد.در بسياري از كاربردها خصوصاً در مسائل مالي،شبكه‌هاي عصبي آموزش داده شده‌اند و هم‌اكنون مورد استفاده‌اند و تصميم گيري‌ها به عهدة اين شبكه‌ها واگذار شده‌ است. برخي از قابليت‌هاي استفاده از شبكه‌هاي عصبي در مهندسي عمران :  در مسائل بهينه سازي،تحليل خطي و غير خطي سازه‌ها  آموزش شبكه در ايجاد ضرايب المانهاي ماتريس سختي سازه در محدودة مشخصي از اطلاعات ورودي در حل بسياري از مسائل غير خطي كه با استفاده از روشهاي پيچيدة اجزائ محدود صورت مي‌گيرد.  كاربرد قابل توجهي در كنترل فعاليت سازه‌ها تحت اثر نيروهاي ديناميكي دارد.  كاربرد در طراحي اولية سازه‌ها،با استفاده از شبكه‌هاي عصبي امكان رسيدن به طرح اوليه و يا مقدماتي امكان پذير مي‌گردد.  كاربرد شبكه‌هاي عصبي در بررسي رفتار سازه‌ها و تعيين موارد ضعف احتمالي آنها تحت اثر نيروهاي ديناميكي  در كارخانه‌هاي توليد كنندة قطعات پيش ساختة فولادي و بتن مسلح كه در كاربردي محصولات توليدي آنها تغييرات مختصري صورت مي‌گيرد،بكاربستن شبكه‌هاي عصبي مي‌تواند بسيار مفيد و موثر واقع گردد. كاربرد شبكه‌هاي عصبي مصنوعي در بهينه‌سازي سازه‌ها : در طراحي بهينة سازه‌ها لازم است سازه را در دفعات متوالي تحليل نمود،زيرا توپولوژي و مشخصات سازه در پروسة بهينه سازي مرتب تغير پيدا مي‌كند.استفاده از روش‌هاي تقريبي تحليل سازه جانشين مناسبي براي تحليل دقيق مي‌باشد زيرا در روش دقيق مدت زمان محاسبات رايانه‌اي براي بهينه سازي بطور قابل ملاحظه‌اي افزايش مي‌يابد. برتري شبكه‌هاي عصبي بر روش‌هاي ديگر،سرعت بسيار زياد آنها در پاسخ دادن به داده‌ها است.در اين صورت مي‌توان زمان مورد نياز براي بهينه سازي سازه‌ها را كاهش داد و سازه‌هاي بزرگ در دنياي واقعي را بهينه نمود. براي استفاده از يك شبكة عصبي در بهينه سازي به عنوان يك تحليل كنندة سريع،لازم است ابتدا شبكه بر اساس يك سري زوجهاي ورودي خروجي تصادفي آموزش داده شود.بديهي است كه كاركرد شبكه قبلاً بايستس كنترل شود تا دقت خروجي‌ها در محدودة قابل قبول باشد.پس از آموزش شبكهؤدر مرحلة بهينه سازي سازه،ديگر نيازي به تحليل مجدد سازه نيست،بلكه در تكرارهاي بيشمار كه صورت مي‌گيرد شبكة عصبي به عنوان يك تحليل كنندة سريع عمل مينمايد. نتيجه گيــــري: بطور كل مي‌توان گفت كه بكار بستن شبكه‌هاي عصبي در زمينه‌هاي مختلف مهندسي عمران نتايج خوبي در بر دارد و بسياري از محاسبات عددي كه به دليل طولاني بودن زمان اجراي آنها به روش‌هاي معمول مشكل است،توسط اين شبكه ها امكان پذير گرديده است. منبع:www.isoces.ir