جستجو در تالارهای گفتگو

استخراج شی‌ءگرای ساختمانها از تصاویر ماهواره‌ای VHR و آشکارسازی تخریب لرزه‌ای آنها بر مبنای آنالیز بافتی و استفاده از شبکه عصبی بابک منصوری, مونا‌السادات مصطفی‌زاده اطلاع سریع، دقیق و جامع از موقعیت ساختمانهای آسیب‌دیده، پس از وقوع زلزله، مبنای بسیاری از مراحل مطرح در روند مدیریت بحران از قبیل امداد و نجات، اسکان، آواربرداری و حتی بازسازی است. در سالهای اخیر استفاده از تصاویر ماهواره‌ای با قدرت تفکیک مکانی زیاد، یکی از اصلی‌ترین منابع اطلاعاتی به شمار می‌رود. هدف از این پژوهش استخراج خودکار ساختمانها و برآورد میزان آسیب لرزه‌ای آنها توسط پردازش تصاویر ماهواره‌ای است. به‌ منظور اجرای روش پیشنهادی در این پژوهش، از تصاویر ماهواره QuickBird در قبل و بعد از زلزله بم 2003 استفاده شد. پس ‌از انجام عملیات پیش‌پردازش نظیر هم مرجع کردن، انطباق هیستوگرام‌ها و تلفیق تصاویر، روش قطعه‌بندی شیءگرا با استفاده از سه پارامتر مقیاس، شکل و فشردگی انجام شد و با استفاده از الگوریتم نزدیکترین همسایه، عوارض شهری، به صورت مدیریت شده طبقه‌بندی شدند. سپس با مقایسه نقشه پارسل‌های ساختمانی (بانک داده‌های مرجع)، ارزیابی صحت نقشه استخراج ساختمانها صورت گرفت. نتایج ماتریس خطا صحت کلی را برابر 91% گزارش داده است. برآورد میزان تخریب ساختمانهای منطقه و تولید نقشه خسارت در سه درجه "سالم تا آسیب‌‌دیدگی جزئی"، "خرابی زیاد" و "ویرانی کامل" بر اساس میزان تغییرات نسبی در شاخصهای بافتی مرتبه اول و شاخص بافتی مرتبه دوم هارالیک بر روی ساختمانها، در تصاویر قبل و بعد از زلزله انجام شد. طبقه‌بندی فوق با استفاده از بکارگیری شبکه عصبی مصنوعی به ‌دست ‌آمده چهار ویژگی بافتی کنتراست، گشتاور دوم، میانگین و آنتروپی به عنوان ویژگیهای بافتی بهینة مرتبه دوم انتخاب شدند. صحت کلی نقشه تهیه شده تخریب برای ویژگیهای بهینه مرتبه دوم برابر 73% به ‌دست ‌آمده است. Object-Oriented Building Extraction from VHR Satellite Data and Earthquake Damage detection based on textural Analysis Using Artificial Neural Network Keywords: Object-Oriented Image Processing, Damage Detection, Textural Analysis, Artificial Neural Network منبع دانلود از پیوست 47-85-1-SM.pdf 47-85-1-SM.pdf

پیش‌بینی غلظت آلاینده‌های گازی در هوای شهر تبریز با استفاده از شبکه عصبی ناهیده محمدی؛ خالد ظروفچی بنیس؛ محمد شاکر خطیبی؛ اسماعیل فاتحی فر؛ علیرضا بهروز سرند؛ امیر محمودیان؛ فرید شیخ الاسلامی آلودگی هوا به عنوان یک چالش مهم در شهرهای بزرگ مطرح می­باشد که در نتیجه صنعتی شدن، گسترش شهرنشینی، رشد سریع ترافیک و افزایش فعالیت­های انسان تشدید شده است. آلاینده­های هوا باعث بروز اثرات منفی بر سلامت انسان و تخریب محیط زیست شده لذا آگاهی از غلظت آلاینده­ها می­تواند به عنوان اطلاعات کلیدی در برنامه­های کنترل آلودگی مورد استفاده قرار گیرد. روش­های متعددی برای پیش­بینی غلظت آلاینده­های هوا وجود دارد و در این میان، در سال­های اخیر پیشرفت قابل توجهی در توسعه مدل­های شبکه عصبی برای پیش­بینی غلظت آلاینده های هوا صورت گرفته است. در این مطالعه، از شبکه­های عصبی مصنوعی به منظور پیش­بینی غلظت آلاینده­هایCO، SO2 و NOXدر هوای شهر تبریز استفاده شده است. داده­های غلظت آلاینده­ها از ایستگاه سنجش ثابت مستقر در میدان نماز و داده­های هواشناسی شامل سرعت و جهت باد، دما و رطوبت هوا از اداره کل هواشناسی جمع­آوری شده و پس از نرمال­سازی به عنوان متغیرهای ورودی شبکه عصبی مورد استفاده قرار گرفت. تعداد 5-3 لایه مخفی و 25-8 نرون در هر لایه مخفی نتایج قابل قبولی داشته است. از تابع تانژانت سیگموئید به عنوان تابع انتقال و الگوریتم لونبرگ مارکوآت برای بهینه­سازی وزن­ها و بایاس­های شبکه استفاده شد. بر اساس نتایج به دست آمده، شبکه عصبی مصنوعی روشی قابل اعتماد برای پیش­بینی غلظت ساعتی آلاینده­های هوا بوده به طوری که، ضریب همبستگی بالای 90/0 بین غلظت آلاینده­های پیش­بینی شده و غلظت واقعی آلاینده­های CO، SO2 و NOX به دست آمد. Forecasting Concentrations of Gaseous Air Pollutants Using Artificial Neural Networks in Tabriz منبع دانلود CEEJ51921471807800.pdf

استفاده از مدل هوش مصنوعی مرکب نظارت شده برای پیش‌بینی سطح آب زیرزمینی عطاالله ندیری؛ فاطمه واحدی؛ اصغر اصغری مقدم؛ علی کدخدایی منابع آب زیرزمینی از مهم­ترین منابع تأمین آب هستند، لذا مدل­سازی آن­ها حائز اهمیت می­باشد. در این میان مطالعه و بررسی نوسانات سطح آب زیرزمینی از نظر مطالعات مدیریتی، ایجاد سازه­های مهندسی، مصارف کشاورزی و حصول آب­های زیرزمینی با کیفیت بالا از اهمیت بالایی برخوردار است. عمده تقاضا برای آب شرب و کشاورزی در دشت مشگین­شهر نیز از طریق آب زیرزمینی تأمین می­شود. در این تحقیق چهار مدل هوش مصنوعی که عبارتند از شبکه عصبی پیشرو، شبکه عصبی برگشتی، منطق فازی ساگنو و ماشین­بردار پشتیبان برای پیش­بینی سطح آب زیرزمینی استفاده شدند. با توجه به نزدیک بودن نتایج به دست آمده و با توجه به این مسئله که مدل­های مختلف در مراحل مختلف مدل­سازی نتایج متفاوتی ارائه دادند، انتخاب یکی از مدل­ها به عنوان مدل منتخب معقول به نظر نمی­رسید. لذا از ترکیب غیر خطی این چهار مدل که مدل هوش مصنوعی مرکب نظارت شده نامیده می­شود، برای ترکیب نتایج این مدل­ها استفاده شد تا نتایج به دست آمده تقویت شده و از توانایی مدل­های مختلف به طور هم­زمان استفاده شود. به منظور ارزیابی کارایی و دقت مدل­ها در پیش­بینی، از دو معیار مختلف RMSE و R2 استفاده شد. نتایج نشان دادند که مدل SCMAI با مقادیر R2 برابر 85/0 و 90/0 به ترتیب برای پیزومترهای شماره 1 و 22 در مرحله آموزش بهترین پیش­بینی را نسبت به هر کدام از چهار مدل منفرد هوش مصنوعی ارائه کرده است. همچنین مدل SCMAI توانست RMSEE پیش­بینی را تا 9% درصد برای پیزومتر شماره یک و 17% درصد برای پیزومتر شماره دو کاهش دهد. Supervised Intelligent Committee Machine Method for Groundwater Level Prediction منبع دانلود CEEJ56041479673800.pdf

کاربرد روش‌های شبکه عصبی و مدل‌های سری زمانی در پیش‌بینی مصرف آب شرب، مطالعه موردی شهر رشتسیدنعمت اله موسوی؛ محمد کاوسی کلاشمی پیش‌بینی تقاضای آب شهری و طراحی ظرفیت مناسب برای سامانه عرضه آب شهری شامل شبکه‌های انتقال و مجتمع‌های تصفیه آب، ضرورت استفاده از الگوهای رفتاری و پیش‌بینی مقدار مصرف آب در شهرها را آشکار می‌نماید. قرار گرفتن شهر رشت در مسیر کریدور شمال- جنوب و پیش‌بینی ایفای نقش جدید آن به‌عنوان قطب تجارت و بازرگانی خارجی لزوم بازنگری در ساختارهای شهری و اخذ آمادگی برای گسترش زیرساخت‌ها و زیربناهای لازم را گوشزد می‌نماید. در پژوهش حاضر با بهره‌گیری از سه رهیافت خود توضیح جمعی میانگین متحرک فصلی، شبکه عصبی مصنوعی و الگوی هیبرید خود توضیح جمعی میانگین متحرک فصلی در ترکیب با الگوریتم پس انتشار خطا به الگوسازی و پیش‌بینی مقدار مصرف آب شرب شهر رشت پرداخته شد. در این راستا، سری زمانی ماهانه مصرف آب شهر رشت طی سال‌های 1380 تا 1387 مورد استفاده قرار گرفت. به‌منظور ایجاد الگوی SARIMA، کاربرد آزمون ریشه واحد مدنظر قرار گرفت. نتایج بیانگر وجود ریشه‌ها در تمامی فراوانی‌ها برای سری زمانی ماهانه مصرف آب شرب شهر رشت بود. از این رو، با انتخاب فیلتر مناسب، برازش الگوهای SARIMA انجام شد. پس از تعیین خروجی الگوی ANN، با استفاده از خروجی‌های الگوی SARIMA، ساختار الگوی هیبرید SARIMABP نیز ایجاد شد. پیش‌بینی مقدار مصرف آب شهر رشت برای ماه‌های سال 1388 با استفاده از سه الگوی یادشده گویای برتری و قدرت پیش‌بینی بالای الگوی هیبرید SARIMABP بود به‌طوری که شاخص‌های دقت پیش‌بینی مقدار خطای 41/0 درصد را برای این الگو نشان داد. از سوی دیگر، دو الگوی SARIMA و ANN نیز با خطای پیش‌بینی کمتر از یک درصد نتایج مطلوبی را برای استفاده مدیران شهری فراهم نموده است. Evaluation of Seasonal, ANN, and Hybrid Models in Modeling Urban Water Consumption A Case Study of Rash City منبع دانلود WWJ139961474489800.pdf

ميراگر جرمي هماهنگ شده بهينه در سازه غيرخطي تحت اثر زلزله هاي مختلف نویسنده(گان) : کاظم شاکری, محتشم محبی, قربان علیزاده, از آنجايي كه جهت طراحي بهينه ميراگرجرمي هماهنگ شده در سازههاي غيرخطي تحت اثر زلزله روابط رياضي مشخصي وجود ندارد؛ استفاده از روش هاي بهينهسازي عددي در سال هاي اخير رواج يافته است. در روش هاي عددي، بهينهسازي پارامترهاي ميراگر تحت اثر يك زلزله مشخص صورت ميگيرد و با تغيير مشخصات زلزله ورودي، كارائي ميراگر تغيير ميكند. براي رفع اين مشكل، در اين مقاله با استفاده از روش الگوريتم ژنتيك و شبكه عصبي مصنوعي روش جديدي ارائه گرديده كه در آن اثرات هفت زلزله سازگار با شرايط زمينساختي منطقه در بهينهسازي پارامترهاي ميراگر همزمان لحاظ ميشود. روش پيشنهادي در يك سازه نمونه به كار رفته و نتايج حاكي از موفقيت آن در كاهش متوسط ماكزيمم پاسخ حاصل از هفت زلزله است . منبع: [Hidden Content] دانلود: [Hidden Content] 21159_092715180004.pdf

ارائه مدل شیارشدگی مخلوط‏های آسفالتی با استفاده از نتایج آزمایش مقاومت کششی غیرمستقیم و پارامترهای مارشال1 حسن دیواندری ؛ 2 امیر مدرس؛ 3 سید مسعود حسینی علی آباد؛ 3 مسعود رستمی انکاس شیارشدگی یکی از مهمترین انواع خرابی­های روسازی انعطاف‌پذیر است که سالیانه بخش عمده­ای از هزینه­های تعمیر و نگهداری راه‌ها، صرف ترمیم آن می‌گردد. افزایش میزان تغییر شکل‌های ماندگار که خود منجر به افزایش عمق شیار می­گردد، می­تواند مشکلات جبران‌ناپذیری را در روسازی ایجاد کند. از سوی دیگر، در روش مارشال، که به عنوان اصلی­ترین روش طرح اختلاط آسفالت در کشور شناخته می­شود، فقدان یک آزمایش ساده برای تعیین مقاومت نمونه­ها در مقابل تغییر شکل دائم کاملاً محسوس است. اگرچه امروزه دستگاه­های متعددی برای سنجش شیارشدگی استفاده می­شوند، اما هیچ­یک قابلیت استفاده وسیع در سطح کارگاهی را ندارند. از طرفی، روش­های موجود ارزیابی پتانسیل شیارشدگی مخلوط­های آسفالتی اغلب پرهزینه و زمان­بَر می­باشند. مجموع موارد ذکرشده، لزوم ارائه روشی ساده که ضمن دارا بودن دقت لازم، بتواند در مدت زمان کوتاه و با هزینه­ی اندک، وضعیت نمونه­ها را از نظر شیارشدگی در آزمایشگاه مشخص نماید، آشکار می­سازد. در این مقاله، با ساخت نمونه­های آسفالتی مارشال با استفاده از سنگدانه­های آهکی، دو نوع قیر، فیلر پودر سنگ و سه درصد قیر مختلف، یک مدل ریاضی جهت تخمین عمق شیار ناشی از ویل­تراک ارائه شده است. مدل­ ارائه ‌شده، مقاومت شیارشدگی مخلوط­های آسفالتی را با استفاده از ترکیب نتایج آزمایش مقاومت کششی غیرمستقیم و پارامترهای مارشال مشخص می­کند. اعتبار مدل حاصل با استفاده از شبکه عصبی مصنوعی با درصد اطمینان مناسبی تأیید شده است. این مدل می­تواند همزمان با ارائه طرح اختلاط آسفالت در آزمایشگاه، بدون صرف زمان و هزینه اضافی، مقاومت شیارشدگی آسفالت را پیش­بینی نماید. بدین ترتیب از تولید آسفالت با پتانسیل بالای شیارشدگی در مرحله آزمایشگاهی و پیش از تولید کارخانه­ای، جلوگیری می­گردد. Modeling of Asphalt Concrete Rutting using Indirect Tensile Strength Test Results and Marshall Parameters منبع: [Hidden Content] دانلود: [Hidden Content] JTIE1631390249800.pdf