جستجو در تالارهای گفتگو

آنالیز برگشتی در آزمایش SASW با استفاده از شبکه‌های عصبی مصنوعی توحید اخلاقی آزمایش آنالیز طیفی امواج سطحی ‌ SASW روش صحرایی غیر مخرب برای شناسایی و تعیین پروفیل سختی لایه‌های خاک و سیستم‌های چند لایه‌ای مشابه می‌باشد. نتایج حاصل از انجام آزمایش SASW در قالب محنی پراکندگی تجربی قابل ارائه می‌باشد. منحنی پراکندگی بدست آمده از آزمایش به وسیله روش‌های برگردان برای تعیین پروفیل خاک در محل بکار برده می‌شود. در این مقاله از مدل‌های شبکه عصبی برای تخمین و تعیین پروفیل خاک استفاده شده است. شبکه‌های عصبی چند لایه با الگوریتم یادگیری انتشار برگشتی گزینه‌های مناسبی جهت انجام فرآیند معکوس‌سازی آزمایش ‌ SASW می‌باشند. تعدادی منحنی پراکندگی تئوریکی که با استفاده از روش ماتریس سختی دینامیکی دقیق بدست آمده‌اند برای آموزش شبکه عصبی بکار برده شده‌اند. به عبارت دیگر این منحنی‌های پراکندگی به همراه پروفیل‌های خاک مربوطه به عنوان داده‌های آموزشی ورودی به شبکه در نظر گرفته شده‌اند. این داده‌های ورودی با سه الگوریتم یادگیری شامل پس انتشار خطای بیشترین شیب، گرادیان مزدوج و مارکوآرت- لونبرگ به شبکه آموزش داده می‌شوند. مقایسه نتایج حاصل از این مطالعات با آزمایشهای انجام یافته بوسیله روش SASW نشان می‌دهد که این شبکه ‌ها جواب‌های مناسبی جهت تعیین پروفیل خاک در محل ارائه می‌دهند. Backcalculation Analysis of SASW Test Using Artificial Neural Networks منبع دانلود CIVIL5186521150749000.pdf

تخمین خواص اساسی بتن‌های با مقاومت بالا HSC با روش‌های آماری و شبکه‌های عصبی مصنوعی A.N.Ns و مقایسه آنهامهدی رضائی بر آورد خواص بتن، به عنوان ماده‌ای مرکب بوسیله مدل‌های ریاضی و فیزیکی و بررسی تأثیر هر یک از اجزاء طرح اختلاط در چگونگی تغییرات خواص آن، همواره مورد اهتمام دانشمندان حوزه عمران بوده است. تکثر پارامترهای تأثیرگذار در خواص بتن و ارتباط عمدتاً غیر خطی پارامترهای تأثیرگذار با خواص بتن و نیز زمان طولانی برای تعیین برخی از خواص بتن از عمدتاً دلایل این امر است. در این مقاله با استفاده از طرح اختلاط‌های به عمل آمده در محدوده بتن‌های رایج با مقاومت بالا در آزمایشگاه بتن دانشگاه صنعتی سهند توسط نویسندگان، با استفاده از مدل‌ها و شبکه‌های عصبی مصنوعی، نسبت به تخمین خواص اساسی بتن اقدام شده است. در هر دو مدل، معرفی طرح اختلاط به صورت داده‌های بدون بعد و داده‌های اصلاح شده انجام گرفته است. اگر چه در حالت اعداد بدون بعد تفوق شبکه‌های عصبی مصنوعی بر مدل‌های آماری قطعی است اما در حالت استفاده از اعداد اصلاح شده این امر چندان صادق نیست. هر چند که هر دو مدل در هر حالت، تخمینگرهای مناسبی از خواص مذکور هستند. Estimating the Properties of Fundamental High Strength Concrete with Statistical Methods and A.N.Ns and their Comparison منبع دانلود CIVIL5187311100982600.pdf