رفتن به مطلب

جستجو در تالارهای گفتگو

در حال نمایش نتایج برای برچسب های 'Artificial Neural Networks'.

  • جستجو بر اساس برچسب

    برچسب ها را با , از یکدیگر جدا نمایید.
  • جستجو بر اساس نویسنده

نوع محتوا


تالارهای گفتگو

  • بخش طراحی سازه های ساختمانی و غیرساختمانی
    • مطالب مرتبط با بارگذاری سازه ها
    • مطالب مرتبط با طراحی سقف
    • مطالب مرتبط با طراحی پی
    • مطالب ویژه در طرح اتصالات در سازه های فولادی
    • مطالب ویژه در طرح سازه های فولادی
    • مطالب ویژه در طرح سازه های بتنی
    • مطالب ویژه در طرح سوله ها و سالن های صنعتی
    • مطالب ویژه در طراحی پلها
    • مطالب ویژه در طراحی سازه های بنایی
    • مطالب ویژه در طرح سازه های آبی
    • مطالب ویژه در طرح سازه های ترکیبی فولادی-بتنی
    • مباحث ویژه در طراحی سازه های غیرساختمانی
    • مباحث ویژه در تحلیل غیرخطی سازه ها
    • طرح مقاومسازی سازه ها
    • طراحی معماری
    • طراحی راه، راه آهن و سازه های مرتبط
    • مسایل متفرقه در طراحی سازه ها
  • مباحث اجرایی
    • از شروع تا پایان پی سازی
    • اجرای اسکلت فلزی
    • اجرای اسکلت بتنی
    • اجرای انواع سیستم های سقف
    • اجرای دیوارهای غیرسازه ای
    • اجرای نازک کاری
    • اجرای تاسیسات برقی و مکانیکی
    • نقشه برداری
    • اجرای سازه های بنایی
    • اجرای سوله ها و سالن های صنعتی
    • اجرای سازه های پل
    • اجرای مقاومسازی سازه ها
    • اجرای سازه های آبی و دریایی
    • اجرای راه و راه آهن
    • ایمنی در حین اجرای کار
    • متره و برآورد ، صورت وضعیت ، قراردادها
    • مدیریت اجرایی پروژه ها
    • مسائل متفرقه اجرایی
  • مباحث بنیادی
    • مکانیک جامدات
    • تکنولوژی بتن و مصالح ساختمانی
    • مکانیک سیالات، هیدرولیک و هیدرولوژی
    • دینامیک و اصول مهندسی زلزله
    • مکانیک خاک و مهندسی پی
    • ریاضیات
    • زبانهای خارجه
  • مباحث تخصصی
    • مباحث تخصصی مهندسی سازه
    • مباحث تخصصی مهندسی زلزله
    • مباحث تخصصی مهندسی ژئوتکنیک
    • مباحث تخصصی مهندسی سازه های هیدرولیکی
    • مباحث تخصصی مهندسی سازه های دریایی
    • مباحث تخصصی مهندسی آب
    • مباحث تخصصی مهندسی مدیریت پروژه و ساخت
    • مباحث تخصصی مهندسی ترافیک
    • مباحث تخصصی مهندسی محیط زیست
    • مباحث تخصصی مهندسی نقشه برداری
    • مباحث تخصصی مهندسی معماری و شهرسازی
    • Building Information Modelling (BIM)
  • آیین نامه ها
    • آیین نامه های طراحی و اجرای سازه های فلزی
    • آیین نامه های طراحی و اجرای بتن و سازه های بتنی
    • آیین نامه های بارگذاری و مقاومسازی لرزه ای
    • آیین نامه های مرتبط با راه، راه آهن ، ترافیک
    • آیین نامه های مرتبط با مهندسی ژئوتکنیک
    • آیین نامه های تخصصی مهندسی آب، محیط زیست، سازه های هیدرولیکی و دریایی
    • بقیه آیین نامه های داخلی
  • نرم افزارها
    • نرم افزارهای عمومی مهندسی عمران
    • نرم افزارهای تخصصی سازه و زلزله
    • نرم افزارهای کنترل پروژه
    • نرم افزارهای اجزا محدود
    • نرم افزارهای تخصصی خاک و پی
    • نرم افزارهای تخصصی آب ، محیط زیست و سازه های آبی
    • نرم افزارهای تخصصی راه و ترافیک
    • نرم افزارهای نقشه کشی و گروه اتودسک (اتوکد، آرشیکد و ...)
    • نرم افزارهای تخصصی رشته معماری
    • نرم افزارهای تخصصی رشته نقشه برداری
    • نرم افزارهای عمومی
  • گفتگوهای صنفی
    • دوره های مختلف تحصیلی و آموزشی
    • بازار کار
    • نظام مهندسی
    • کنفرانسها، همایشها، سمینارها
    • اخبار عمرانی
  • معرفی و دانلود فایلهای مفید
    • دانلود ایبوکهای فارسی
    • دانلود مقالات فارسی
    • دانلود مقالات انگلیسی
    • دانلود پروژه های دانشجویی و غیردانشجویی
    • نقشه های اتوکد
    • دانلود عکس ، فیلم ، فلش ، پاورپوینت ، پادکست و ...
    • دانلود نمونه سوالات امتحانی
    • دانلودهای متفرقه
  • متفرقه
    • معرفی کتاب
    • لینکستان
    • مطالب عمرانی مفید دیگر
    • آگهی های رایگان
    • گفتگوی آزاد
    • مسایل مرتبط با سایت و انجمن ایران سازه
    • متفرقه

جستجو در...

نمایش نتایجی که شامل...


تاریخ ایجاد

  • شروع

    پایان


آخرین بروزرسانی

  • شروع

    پایان


فیلتر بر اساس تعداد...

تاریخ عضویت

  • شروع

    پایان


گروه


AIM


MSN


Website URL


ICQ


Yahoo


Jabber


Skype


موقعیت مکانی


علاقمندیها

  1. PREDICTING THE BUCKLING CAPACITY OF STEEL CYLINDRICAL SHELLS WITH RECTANGULAR STRINGERS UNDER AXIAL LOADING BY USING ARTIFICIAL NEURAL NETWORKS Z. Kalantari and M. S. Razzaghi Abstract A parametric study was carried out in order to investigate the buckling capacity of the vertically stiffened cylindrical shells. To this end ANSYS software was used. Cylindrical steel shells with different yield stresses, diameter-to-thickness ratios (D/t) and number of stiffeners were modeled and their buckling capacities were calculated by displacement control nonlinear static analysis. Radial basis function (RBF) neural networks were used to predict the buckling capacity of shells. Herein 70 percent of the results of numerical analyses were used to train the neural network and the remainders were used to test and validate the results of neural networks. Results of this study showed that RBF neural networks are useful tools to predict the buckling capacity of vertically stiffened cylindrical shells. It was also shown that buckling capacities of stiffened shells exponentially vary by distance of adjacent stiffeners (unstiffened length). Keywords Buckling, cylindrical shells, stiffener, Artificial Neural Networks چکیده به منظور بررسی ظرفیت کمانش پوسته های مطالعات پارامتریک پوسته های استوانه ای با سخت کننده های قائم، مطالعات پارامتریک به انجام رسید. برای این منظور از نرم افزار ANSYS استفاده شد. پوسته ای استوانه ای فولادی با تنش جاری شدن، نسبت ارتفاع به قطر و تعداد سخت کننده های گوناگون مدلسازی شدند و ظرفیت کمانش آنها با استفاده از تحلیل استاتیکی غیر ارتجاعی با کنترل تغییر مکان محاسبه شد. به منظور پیش بینی ظرفیت محوری کمانش از شبکه عصبی RBF استفاده شد. برای این منظور هفتاد درصد از نتایج خروجی تحلیل های عددی برای آموزش شبکه استفاده شدند و مابقی برای تست و صحت سنجی نتایج کنار گذاشته شدند. نتایج این پژوهش نشان می دهد، شبکه های عصبی RBF ابزاری مناسب برای پیش بینی ظرفیت کمانش پوسته های استوانه ای با سخت کننده قائم هستند. علاوه بر این نشان داده شد که تغییرات ظرفیت کمانش پوسته ها با فاصله سخت کننده های مجاور (طول مهار نشده) به صورت نمایی تغییر می کند. منبع دانلود 28-8-7.pdf
  2. Comparison Study on Neural Networks in Damage Detection of Steel Truss Bridge Hassan Aghabarati 1 ; Mohsen Tabrizizadeh2 This paper presents the application of three main Artificial Neural Networks (ANNs) in damage detection of steel bridges. This method has the ability to indicate damage in structural elements due to a localized change of stiffness called damage zone. The changes in structural response is used to identify the states of structural damage. To circumvent the difficulty arising from the non-linear nature of the inverse problem, three neural networks, Multi-Layer Perceptron Neural Network (MLPNN), Radial Basis Function Neural Network (RBFNN) and General Regression Neural Network (GRNN) are employed to simulate damage states of steel bridges. It was observed that the performance of all three networks is well and they have good agreement with actual results performed with Finite Element analysis. The efficiency of GRNN in structural identification is so good, although RBFNN has results close to GRNN and MLPNN results are satisfactory. All networks have good results while there is a little damage in structural members. Generally, results would have more error when damages in structural members extend. The engineering importance of the whole exercise can be appreciated once we realize that the measured input at only a few locations in the structure is needed in the identification process using neural networks. منبع دانلود JSEG61313868600.pdf
  3. Artificial Neural Network Modeling of Total Dissolved Solid in the Simineh River, Iran Original Article, D2 NematiS, Naghipour L and Fazeli Fard MH. Journal. Civil Eng. Urban. 4(1): 08-13. 2014 ABSTRACT:This research aims to model Total Dissolved Solid (TDS) values at the Simineh River in northwest Iran by application of Artificial Neural Networks (ANNs) to evaluate existing water quality conditions and also to predict future conditions in this river. The input parameters of the ANNs model are Calcium (Ca), Chloride (Cl), Magnesium (Mg), Sodium (Na), Bicarbonate (HCO3), Sulfate (SO4), and water discharge (Q) from 1993 to 2011. The performance of the ANNs model was assessed in accordance with Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and coefficient of determination (R2) between the measured and predicted values. The study also includes an estimation of the relative importance of these variables to determine appropriate input combinations. A method is used in this paper to calculate the relative importance of each input parameters, showing that magnesium and calcium concentrations are the most and least influential parameters, with approximate values of 18 and 12 %, respectively. The ANNs with different numbers of neurons in the hidden layer were constructed, and the model with 14 hidden neurons was selected as the best. Comparisons between the measured and predicted values show that the ANNs model could be successfully applied and provide high accuracy and reliability for water quality parameters forecasting. Keywords:Artificial Neural Networks, Total Dissolved Solid, Simineh River, Relative Importance, Water Quality منبع: [Hidden Content] دانلود: [Hidden Content].,14-02-08-13.pdf J. Civil Eng. Urban.,14-02-08-13.pdf

درباره ما

انجمن های گفتگوی ایران سازه ، وبسایت تخصصی مهندسی عمران

این انجمن ، نسخه جدید انجمن ایران سازه میباشد

Follow us

×
×
  • اضافه کردن...