farbodkhani

مفاهیم مکانیک خاک و پی (ویژه آزمون محاسبات)   منطبق با مباحث محاسباتی مبحث هفتم پی و پی سازی  مطابق با آخرین ویرایش سال 92   فایل پی دی اف فارسی در 64 صفحه به نقل از کانال تلگرام Hidden Content
Give reaction or reply to this topic to see the hidden content.  

Hidden Content
Give reaction or reply to this topic to see the hidden content.
Hidden Content
Give reaction or reply to this topic to see the hidden content.
Hidden Content
Give reaction or reply to this topic to see the hidden content.
Hidden Content
Give reaction or reply to this topic to see the hidden content.
Hidden Content
Give reaction or reply to this topic to see the hidden content.

با سلام
 
از لینک زیر می توانید فایل اکسل مربوط به بارگذاری باد طبق مبحث ششم برای سوله ها به همراه فیلم آموزشی نحوه استفاده از آن را دانلود کنید. (بنا به درخواست همکاران محترم)
 

Hidden Content
Give reaction or reply to this topic to see the hidden content.  
لازم به ذکر است با توجه به اینکه جهت تهیه این فیلم آموزشی از نرم افزار Team Viewer استفاده شده جهت مشاهده این فیلم نیاز به این نرم افزار خواهد داشت. لینک دانلود آخرین نسخه از نرم افزار Team Viewer
 

Hidden Content
Give reaction or reply to this topic to see the hidden content.

Hidden Content
Give reaction or reply to this topic to see the hidden content.

سلام 
يك زماني انسان موتور بخار را اختراع كرد . تا آن زمان يك عده رعيت بودند يك عده ارباب . با اختراع موتوربخار عصر صنعت شروع شد و يك عده ارباب هاي با وجدان آمدند كه از حقوق رعيت‌ها دفاع كنند و گفتند بجاي استفاده از نيروي انساني از نيروي موتور بخار استفاده كننداما رعيت‌ها در مقابل اين تغييرات كه به نفع آنانم بود گارد گرفتند و نپذيرفتند و جنگ‌ها شد ولي موتوربخار تثبيت شد  . با اختراع كامپيوتر نيز همين اتفاقات تكرار شد . همواره انسان در مقابل نوآوري ها گارد گرفته است و همواره اين نوآوري‌ها خود را تثبيت كرده‌اند و آناني موفق تر هستند كه زودتر خود را با شرايط جديد وفق دهند .

از آنجا كه مي بينم در اكثر تاپيك‌ها تعداد دريافتهاي فايل‌هاي چند قسمتي متفاوت است لازم ميدانم خدمت دوستاني كه نميدانند عرض كنم كه فايلهاي زيپ تقسيم شده وقتي اكستركت ميشوند كه شما همه قسمت‌ها را دركنار هم داشته باشيد وگرنه پيغام خطا ميدهد . لذا يا دانلود نكنيد يا همه قسمت‌ها را دانلود كنيد تا ترافيك اينترنتان را بيهوده هدر نداده باشيد .

جوشکاری زیرپودری ( فیلم )
مدت فیلم : حدود سه و نیم دقیقه
به نقل از گروه تلگرام
Hidden Content
Give reaction or reply to this topic to see the hidden content. دانلود از پیوست

Hidden Content
Give reaction or reply to this topic to see the hidden content.
Hidden Content
Give reaction or reply to this topic to see the hidden content.

چرا در هیچ پروژه ای با تنش متوسط کنترل نمیکنند؟
اکثرا با حداکثر تنش زیر پی کنترل میکنند
مقاومت مجازی را که ضربدر 1.2 میکنیم قطعا تنش مجاز با معیار نشست هست؟
ایرادی دارد حداکثر تنش با تنش مجاز با معیار نشست کنترل شود؟
اگر ساختمان با اهمیت متوسط بود و فقط یه عدد منطقه ای بعنوان تنش مجاز خاک با معیار نشست موجود باشد چه باید کرد؟
میتوان رابطه ای پیدا کرد تا تنش مجاز خاک با معیار گسیختگی را بدست اورد؟

تنش مجاز خاک که در تمام پروژه ها بدون توجه بکار میبرند بر مبنای نشست هست یا گسیختگی؟
باید هر دو تنش مجاز هم بر مبنای نشست هم گسیختگی در دسترس باشد؟

محاسبه تنش متوسط خاک زیر فونداسیون به چه صورتی است؟

تنش مجاز قاعدتا باید طبق هر دو معیار نشست و مقاومت برش خاک محاسبه شود و هر دو در دفترچه ژئوتکینک ارایه گردد.
وزن سازه در حالت بهره برداری را محاسبه کنید ، وزن تقریبی فونداسیون و خاک و کفسازی و بار زنده تراز روی فونداسیون را هم محاسبه کنید و به وزن ساختمان اضافه کنید و بر مساحت پی تقسیم کنید. مقدار به دست آمده باید از تنش مجاز خاک طبق معیار نشست کمتر باشد

امسال سوالات خیلی از تعریفی بود و محاسباتی کم داشت...مبحث 5 خیلی سوال داشت

Hidden Content
Give reaction or reply to this topic to see the hidden content.

به قول دوستان تلگرامی این مشکل باید از ریشه حل شود: بیشمار فارغ التحصیل رشته عمران! را حل کنند.
در دانشگاههای بی کیفیت را ببندند. چرا مردم را سرگرم می کنند تا عمرشان سربیاید!

درخواست جمعی از اساتید، پژوهشگران و دانشجویان تحصیلات تکمیلی از ریاست محترم جمهور در مورد بنگاه‌های پایان نامه و مقاله نویسی
جناب آقای دکتر حسن روحانی
رئیس محترم جمهوری اسلامی ایران
با سلام،
از دیرباز، علم، مراکز علمی و دانشمندان در فرهنگ غنی ایرانی و تعالیم دینی از جایگاهی والا و بی نظیر برخوردار بوده است. این درحالی است که در سال های اخیر جماعتی منفعت طلب، بازاری برای فروش پایان نامه های جعلی در مقاطع کارشناسی ارشد و دکتری و نیز جعل و فروش مقالات علمی دایر نموده اند. این جماعت که فعالیت های خود را به سطح شرکت، بنگاه و موسسه ارتقا داده اند آزادانه در هر کوی و برزن و نیز در فضاهای مجازی بدون کوچکترین نگرانی مشغول تبلیغات، فعالیت و کسب درآمد می باشند. متاسفانه عدم برخورد نهادهای مسوول با ادامه فعالیت های ضد علمی این دلالان، این نگرانی بزرگ را برای دانشگاهیان و پژوهشگران ایجاد کرده که افتخارات جامعه علمی کشور تحت الشعاع این فعالیت های مخرب قرار گرفته و مایه دلسردی آن ها شود. از سوی دیگر ادامه این وضعیت به زودی باعث بدبینی و بی اعتمادی جامعه جهانی نسبت به تولیدات علمی ایرانیان خواهد شد. این در حالی است که اکثریت قاطع اساتید، پژوهشگران و دانشجویان کشور علی رغم کمبود بودجه و امکانات و فشارهای اقتصادی، با اعتقاد به اعتلای علمی کشور عزیزمان صادقانه مشغول تحقیق و پژوهش بوده و هستند.
نویسندگان این نامه، جمعی از اساتید، پژوهشگران و دانشجویان تحصیلات تکمیلی کشور هستند که به نمایندگی از جامعه علمی کشور، از جنابعالی و نیز سایر نهاد های مسوول (نظیر مجلس شورای اسلامی و وزارت علوم، تحقیقات و فناوری) موکداً انتظار دارند تا با وضع قوانین محکم بازدارنده و نیز اجرای دقیق و بدون اغماض آن ها زمینه برچیدن این نمادهای بی احترامی و توهین آشکار به جایگاه رفیع علم و دانشگاه را فراهم آورند و با کسانی که علم را به سخره گرفته و بی اعتبار نمودن کشور عزیزمان را هدف قرار داده اند با قاطعیت برخورد نمایند.
بدیهی است که رسیدگی بنیادین به ریشه های شروع و شیوع این بیماری در حاشیه سیستم علمی-پژوهشی و آموزش عالی کشور قدم بعدی خواهد بود که انتظار می رود با برنامه های پژوهشی و اجرایی دقیق تر مورد عنایت آن بزرگواران قرار گیرد.


با ورود به لینک ذیل، نامه  راامضا کنید:

Hidden Content
Give reaction or reply to this topic to see the hidden content.
  به نقل از کانال تلگرام
Hidden Content
Give reaction or reply to this topic to see the hidden content.

لغو تفاهم‌نامه همکاری شهرداری اراک و سازمان نظام مهندسی ساختماناراک- سخنگوی شورای اسلامی شهر اراک از ابطال تفاهم نامه همکاری شهرداری اراک و سازمان مهندسی ساختمان استان مرکزی، براساس مصوبه شورای شهر خبر داد.
جمشید زند در گفت و گو با خبرنگار مهر اظهار داشت: تفاهم نامه همکاری میان شهرداری اراک و سازمان نظام مهندسی ساختمان استان مرکزی که چندی پیش منعقد شده و مورد اعتراض سازندگان ساختمان و تراکم سازها قرار گرفته بود، براساس مصوبه شورای اسلامی شهر اراک باطل شد.
وی افزود: براساس این مصوبه و در پی ابطال تفاهم نامه، از این پس نیازی نیست افرادی که در اراک قصد ساخت و ساز دارند به نظام مهندسی ساختمان مراجعه کنند.
زند بیان کرد: براساس مصوبه جدید شورای اسلامی شهر اراک، شهرداری مستقیما افراد را به دفاتر مهندسی ساختمان که مورد تایید و دارای مجوز از وزارت راه و شهرسازی هستند معرفی می کند.
سخنگوی شورای اسلامی شهر اراک بیان داشت: این تصمیم در راستای تحقق رونق کسب و کار و تسریع و تسهیل روند کاری افرادی که در حوزه ساخت و ساز فعالیت دارند اتخاذ شده و امیدواریم این اقدام مورد رضایت مردم قرار گیرد.
زند با اشاره به اینکه سایر مراحل مرتبط با لغو این مصوبه نیز انجام پذیرفته، تصریح کرد: این مصوبه به تایید فرمانداری اراک و کمیته انطباق رسیده است.
سخنگوی شورای اسلامی شهر اراک ضمن بیان اینکه تمامی مصوبات شورا با توجه به منافع شهروندان و آبادانی شهر اتخاذ می شود، گفت: موضوع مجری امور ساخت و ساز نیز در کمیسیون ویژه شورای اسلامی اراک مطرح شد و اعضای کمیسیون براین نظر هستند، چنانچه کسی نیاز به مجری داشته باشد، می تواند مجری انتخاب کند و چنانچه نیاز به انتخاب مجری نباشد، پس از اخذ تعهد می تواند بدون مجری با توجه به رای دیوان عالی کشور و دستورالعمل های ابلاغ شده از سوی وزارت راه و شهرسازی، اقدام کند.
وی خاطرنشان کرد: این موضوع هنوز به صحن شورای اسلامی اراک نیامده و چنانچه در آینده این مصوبه به صحن بیاید به شهرداری اراک ابلاغ خواهد شد تا موضوع مجری هم تعیین تکلیف شود.
سازمان نظام مهندسی ساختمان، سازمانی غیردولتی است که در راستای تحقق قانون نظام مهندسی کنترل و اجرای ساخت و ساز، مصوب سال ۷۴، در این سال به صورت رسمی تاسیس شد.
 
منبع:
Hidden Content
Give reaction or reply to this topic to see the hidden content.

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

فیلم آموزشی : طراحی دالهای بتنی در ETABS 2016
این فیلم به مدت نوزده دقیقه و به زبان انگلیسی میباشد.
دانلود از پیوست
به نقل از کانال تلگرام
Hidden Content
Give reaction or reply to this topic to see the hidden content. دانلود از پیوست

Hidden Content
Give reaction or reply to this topic to see the hidden content.
Hidden Content
Give reaction or reply to this topic to see the hidden content.
Hidden Content
Give reaction or reply to this topic to see the hidden content.
Hidden Content
Give reaction or reply to this topic to see the hidden content.

آقای مهندس این قابلیت ۲۰۱۵ هستش.میشه یکجا تعریف کرد.تو load case خودش سه تا حالات بار را تشخیص میده

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

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

البته میتوان از المان Shell هم استفاده کرد به شرطی که به جهت جلوگیری از مشارکت دال در مقاومت جانبی سازه به ضرایب اصلاح سختی خمشی دال اعدادی کوچک اعمال گردد.
در صورت استفاده از المان شل یک مشکل دیگر هم به وجود می اید و آن ایجاد لنگرهای پیچشی قابل توجه در تیرها خصوصاً در لبه های ساختمان است که این هم با اعمال ضرایب اصلاح سختی پیچشی تیرها به صورت سعی و خطا به گونه ای که لنگر پیچشی تیرها از 0.67 مقدار لنگر پیچشی ترک خوردگی بیشتر نشود قابل اصلاح است.

دریفت تحت زلزله طرح تحت همان ضرایب ترک خوردگی اصلی که سازه با ان طراحی شده و کنترل سازه برای دریفت ناشی از زلزله بهره برداری ( اگر سازه مشمول کنترل برای این زلزله باشد) تحت ضرایب ترک خوردگی 0.5 و 1 برای تیرها و ستونها انجام میگیرد

در صورتی که اطراف دال تیر محیطی وجود نداشته باشه، و طبق گفته دوستمون دال به صورت کنسول باشه و رفتار خمشی داشته باشه بهتره همون shell تعریف کنیم اما در مورد دال هایی که بین تیرهای باربر لرزه ای قرار میگیرن به دلیل اینکه ظرفیت خمشی دال از نوع شل در نتایج تاثیر نذاره بهتره که membrane باشن

حل تحلیلی و عددی پوشش تونل‌ها در اثر بارهای لرزه‌ای و بررسی پارامتر‌های تاثیر گذار بر آنشبنم ولی اسکویی؛ علی لکی روحانی
سازه‌های زیرزمینی از جمله تونل‌ها، المان‌های مهمی در شبکه‌های حمل و نقل و سرویس هستند که به دلیل محصورشدگی در زمین و تحمل تنش‌های برجای بزرگ رفتار لرزه‌ای متفاوتی با سازه‌های سطحی از خود نشان می‌دهند. در این مقاله حل‌های تحلیلی ارائه شده برای تونل‌های دایروی، در مقابل بارهای استاتیکی و لرزه‌ای نشان داده می‌شود، سپس برای یک مقطع از تونل شهری بانکوک، نیروهای داخلی ایجاد شده در پوشش تونل با استفاده از حل‌های تحلیلی بدست آمده و مورد ارزیابی قرار می‌گیرند. همان مساله به صورت عددی و با استفاده از روش تفاضل محدود و برای شتاب‌های افقی و قائم مختلف، نیز حل می‌شود و با حل‌های تحلیلی مقایسه می‌گردد. مطابق با نتایج بدست آمده با افزایش ضریب شتاب افقی زلزله، نیروی محوری و لنگر خمشی پوشش تونل افزایش می‌یابد. همچنین مشاهده شد که با افزایش عمق تونل، نیروی ایجاد شده در پوشش بتنی تونل، افزایش می‌یابد اما شتاب قائم زمین تاثیر کمی بر روی تنش‌ها دارد. در مورد تاثیر نسبت تنش‌های برجا، هر چه که این نسبت از محدوده عدد یک دورتر شود (کمتر یا بیشتر)، تنش ایجاد شده در پوشش افزایش می‌یابد.
Analytical and Numerical Solutions of Tunnel Lining Under Seismic Loading and Investigation of Its Affecting Parameters

Hidden Content
Give reaction or reply to this topic to see the hidden content.
Hidden Content
Give reaction or reply to this topic to see the hidden content.
Hidden Content
Give reaction or reply to this topic to see the hidden content.

سوال 4 مشمول ضوابط فصل 4 ويرايش 4 استاندارد 2800نميشود . موضوع اين است

سلام
ببخشید اقای مهندس، اگر جرم عضو غیر سازه بالا باشه و این عضو روی یک ساختمان 4 طبقه قرار داشته باشه چطور باید نیروی زلزله ان را محاسبه کرد؟ به نظر من در خیلی از موارد باید از قضاوت مهندسی استفاده کرد. من اگر خودم با چنین حالتی مواجه بشم کاری ندارم ساختمان 4 طبقه هست یا 8 طبقه. محاسبه را انجام میدم.

اگر طبق ضوابط فصل چهارم آیین نامه 2800 محاسبه انجام گیرد کار غلطی انجام نشده است ولی اگر محاسبه هم نشود نمیتوان مهندس محاسب را اجبار به انجام آن کرد.  در واقع در ساختمان 4 طبقه مسکونی نیازی به این محاسبه نیست. مثل خیلی موارد دیگر که بدون محاسبه دیتایلهای معمول را قبول میکنیم اینجا هم میتوان با قضاوت مهندسی عمل کرد که البته این قضاوت بسیار خوب خواهد بود که مطابق با فصل چهارم آیین نامه 2800 باشد. در واقع میشود گفت که در ساختمان زیر 8 طبقه مسکونی اینگونه قطعات اهمیت ویژه ای ندارند و چون جزو اجزای غیرسازه ای هستند تخریب آنها مشکل ساز نخواهد بود. ( برای درک بهتر موضوع میشود به بحث زلزله بهره برداری و ساختمانهایی که طرح آنها برابر این زلزله اجباری است مراجعه نمود).
به هر حال در این سوال خاص ابهام وجود دارد و هیچ کدام از گزینه ها نمیتواند لزوماً صحیح فرض شود.