جستجو در تالارهای گفتگو

برآورد پتانسیل وقوع روانگرایی خاک با روش مرکب خوشه‌بندی میانگین مرکزی فازی و شبکه عصبی مصنوعی (FCM-ANN) روح‌اله فاطمی‌کیا, ایمان عشایری, مهنوش بیگلری تاکنون روشها‌ی تجربی و هوشمند مختلفی برا‌ی ارزیابی پتانسیل روانگرایی ارائه شده که روش شبکه عصبی مصنوعی از قدرتمندترین این روشها می‌باشد. این روش، با آموزش داده‌ها‌ی به دست آمده از زلزله‌ها‌ی گذشته، روانگرایی را ارزیابی میکند. با وجود این، به دلیل پیچیدگی رفتار خاك این روش هم با عدم قطعیت همراه است. در این مقاله روش جدید‌ی با عنوان روش مرکب برا‌ی بهبود عملکرد روش شبکه (FCM-ANN) خوشه‌بند‌ی فاز‌ی-شبکه عصبی مصنوعی معرفی و نحوه عملکرد آن تشریح شده است. روش خوشه‌بند‌ی میانگین مرکز‌ی فاز‌ی الگوها‌ی مورد استفاده برا‌ی آموزش شبکه را پالایش و از ورود الگوها‌ی نامناسب به مجموعه آموزش جلوگیر‌ی می‌نماید. برا‌ی به دست آوردن نتایج قابل اعتمادتر در روشها‌ی هوشمند پارامترها‌ی متعدد‌ی از خاك، برا‌ی به کارگیر‌ی در روش مرکب خوشه‌بند‌ی فاز‌ی-شبکه عصبی و شبکه عصبی مورد استفاده قرار میگیرند که از مهمترین آنها میتوان به عدد نفوذ استاندارد و نسبت تنش تناوبی اشاره کرد. در این مقاله از پایگاه داده‌ها‌ی معتبر‌ی شامل مطالعات میدانی وقوع و عدم وقوع روانگرایی در زلزله‌ها‌ی معروف در نقاط مختلف دنیا، استفاده شده است. همچنین سامانه نرم‌افزار‌ی برا‌ی تحلیل روشها‌ی هوشمند شبکه عصبی و روش مرکب خوشه‌بند‌ی فاز‌ی- شبکه SQL Server با پایگاه ،#C به زبان ، Visual Studio عصبی در محیط توسط PILA(Professional Intelligent Liquefaction Assessment) و با نام نویسندگان طراحی شده است. Liquefaction Potential Assessment Using Fuzzy c-Means Clustering - Artificial Neural Network Hybrid Method (FCM-ANN) Keywords: Liquefaction Potential; Fuzzy C-Means Clustering; Artificial Neural Network; Standard Penetration Test منبع دانلود از پیوست 88-157-1-SM.pdf

با سلام امروزه روش های نوین هوش مصنوعی (شبکه های عصبی + الگوریتم های هوشمند.......) در پژوهش های رشته مهندسی ژئوتکنیک، کاربرد چشمگیری دارد که نتایج تحقیقاتی گسترده ای را بدست می دهد. لذا دانشجویان علاقمند و کوشایی که قصد دارند پایان نامه خود را در این زمینه ارائه دهند، رزومه خود را به ایمیل زیر ارسال فرمایند. A.Dehghan1916@yahoo.com با تشکر علی دهقان عضو هیئت علمی دانشگاه آزاد اسلامی

سلام شبکه عصب مصنوعی ابزاری برای تخمین داده هاست که در نرم افزارهایی مثل متلب محاسبه و پردازش می شود. اما در مورد وزن دهی به داده های آموزش و اعتبار سنجی و تست در متلب از چه دستوری استفاده می شود؟ پیش فرض نرم افزار به ترتیب 70 و 15 و 15 درصد برای داده هاست اما برای تغییر این درصدها یا حداقل تغییر پیش فرض نرم افزار به درصدهایی مثل 60 و 20 و 20 برای آموزش و اعتبارسنجی و تست باید چه کارکرد؟ تولباکس nftool یک صفحه برای تغییر درصدها دارد که مربوط به همان صفحه است اما این صفحه شامل همه ی موارد نمی شود و با بستن آن به درصدهای پیش فرض بر می گردد. برای تولباکس nntool و یا دستور تایپی newff اگر بخواهیم درصدهای داده ها را در train , validation , test (آموزش و اعتبارسنجی و تست) تغییر دهیم باید چگونه عمل کرد؟ همچنین اگر کسی جزوه مفید و کاربردی در زمینه آموزش شبکه عصبی در نرم افزارمتلب دارد لطفا در این صفحه قراردهد.

با سلام خدمت دوستان از اساتید محترم و دوستان بزرگوتر در گروهای مختلف کسانی که از کاربرد شبکه عصبی در مهندسی عمران کتابی،مطلبی اطلاعاتی جزوه یا نوشتهای دارند خواهش میشود در صورت امکان به اشتراک قرار بدن موضوعی رابه اتفاق یکی از دوستان انتخاب کردیم که به شبکه عصبی ارتباط داره و نتونستم مطلبی درستی درباره آن پیدا کنم متشکر میشم کمک کنید.

بررسی آزمایشگاهی خواص مکانیکی بتن حاوی نانو ولاستونیت و مدلسازی آن به کمک شبکه های عصبی نوع GMDH نویسندگان محمود میری ؛ حسین بهشتی نژاد؛ ملیحه جعفری ولاستونیت یک ماده طبیعی و نسبتا ارزان قیمت است که می تواند به عنوان جایگزینی مناسب برای سیمان در بتن، مورد استفاده قرار گیرد. در این مقاله تاثیر ذرات نانو ولاستونیت بر روی خواص مکانیکی از طریق اندازه گیری مقاومت فشاری و خمشی و اثر آن بر دوام با اندازه گیری مقاومت در برابر نفوذ آب در سنین 28،7،3 و60 روزه با ساخت نمونه های بتنی بررسی شده است. نتیجه حاکی از افزایش مقاومت خمشی به میزان 63% ، مقاومت فشاری 9% و مقاومت در برابر نفوذ آب حدود 50%با جایگزینی 10% نانو ولاستونیت به جای سیمان است. در بخش نهایی مقاله از شبکه های عصبی تعمیم یافته نوع GS-GMDH برای مدلسازی خصوصیات بتن استفاده شده است . که هدف از این مدلسازی ضمن نشان دادن دقت شبکه های عصبی نوع GS-GMDH، پیش بینی مقاومت فشاری وخمشی بتن با درصدهای مختلف نانو ولاستونیت است. در هر یک از مدلها متغیرهای ورودی سن و درصد نانو ولاستونیت می باشند. این بررسی نشان می دهد که نتایج حاصل از این نوع شبکه انطباق خوبی با نتایج آزمایشگاهی دارد. Experimental Investigation on Mechanical Properties of Concrete containing Nano Wollastonite and Modeling with GMDH-type Neural Networks منبع: [Hidden Content] دانلود: [Hidden Content] CEEJ3931424377800.pdf

بررسی میزان تأثیر پیش پردازش داده ها در دقت نتایج مدلسازی تولید پسماند شهری با استفاده از شبکه عصبینویسندگان ملیحه فلاح نژاد ؛ محمد علی عبدلی تولید پسماند در جوامع بشری امری روزمره و طبیعی است. پسماند از مرحله تولید تا مرحله مصرف و مرحله دفع نهایی تولید شده و امری غیر قابل اجتناب است. توسعه شهرها و صنعتی شدن آنها باعث تولید روزافزون پسماند شهری می‌شوند. برای آگاهی از کمیت این پسماندها گامی ضروری است. در این پژوهش از شبکه عصبی مصنوعی به عنوان یک ابزار کارآمد برای مدل‌سازی میزان پسماند تولیدی شهر مشهد استفاده شده‌است. در این راستا ابتدا پیش‌پردازش‌هایی بر روی داده‌های ورودی متغیرهای مستقل و وابسته انجام شده که اثر اعمال هر روش بر روی دقت مدل تخمین زده شده بررسی می‌شود. نتایج نشان می‌دهد که با انجام پیش پردازشهایی بر روی داده های خام ورودی به مدل، می توان نتایج دقیقتری بدست آورد. سه حالت مختلف بررسی شد و بهترین پیش پردازش شامل لگاریتم‌گیری، حذف روند و استاندارد-سازی داده ها انتخاب شد. معماری شبکه دو لایه مخفی هرکدام با 5 نرون و با MAPE 06/0، MSE 46/0 و ضریب همبستگی 86/0 بدست آمد. Investigating effect of the preprocessing of the data on the accuracy of the modeling solid waste generation through ANNs منبع: [Hidden Content] دانلود: [Hidden Content] CEEJ3821424377800.pdf