جستجو در تالارهای گفتگو

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

بهینه‌سازی ژنتیکی محاسبات سخت در مقابل محاسبات نرم برای مدل‌سازی میراگر MR و ارائه یک مدل شبه استاتیکی وارون‌پذیر بهنام مهرکیان* ؛ آرش بهار ؛ علی چائی بخش برای بیان رفتار غیرخطی میراگرهای MR بعنوان ابزارهای تثبیت شده‌ی نیمه فعال در کنترل ارتعاشات، مدل‌های مختلفی ارائه شده که در دو عرصه محاسبات سخت و نرم قابل دسته‌بندی‌ هستند. اما تنها برخی قادرند از ویژگی‌های هیستریک و بشدت دینامیکی میراگرهای MR بصورت مستقیم و معکوس، که یک خصیصه‌ی اصلی کنترلی است، بخوبی تقلید کنند؛ بطور دقیق‌تر، انتخاب یک مدل باکیفیت و معکوس پذیر نقش مهمی در کنترل نیمه‌ فعال ایفا میکند، که تا کنون بصورت خاص مورد توجه قرار نگرفته است. ازینرو در این پژوهش ابتدا تعدادی از بهترین مدل‌های ارئه شده‌ی محاسبات سخت (پارامتری) میراگر MR انتخاب و توسط بهینه‌سازی ژنتیکی تحت شرایط برابر شناسایی میشوند. دوم، بوسیله‌ی روش‌های محاسبات نرم دو مدل فازی- ژنتیک و عصبی- فازی ساخته میشوند. سپس یک مدل شبه استاتیکی ارائه شده، که بر خلاف مدل‌های دینامیکی دقیق کنونی، بدون معادله‌ دیفرانسیل و وارون‌پذیر است. سرانجام، تمامی مدل‌ها در معرض زلزله‌های فیلترشده‌ی ایرانی و خارجی مقایسه میشوند. در کلیه مراحل، داده‌های آزمایشگاهی با بکارگیری یک برنامه‌ی معیار مجهز به میراگرهای بزرگ مقیاس MR ارائه‌شده توسط انجمن مهندسین عمران آمریکا (ASCE)، تولید میشوند. مقایسه‌ها دو نتیجه بهمراه دارند: مدل‌ فازی- ژنتیکی دقیق‌تر از مدل‌های محاسبات سخت است و مدل ارائه‌شده موثرتر از مدل‌های دینامیکی عمل میکند، زیرا نه‌تنها دارای دقت مطلوب و سرعت بمراتب بالاتر بوده، بلکه بسادگی وارون‌پذیر است. Genetic Optimizing of Hard Computing vs Soft Computing for MR Damper Modeling and Proposing an Invertible Pseudo Static Model منبع: [Hidden Content] دانلود: [Hidden Content] CEEJ5621448137800.pdf

یافتن کوتاه‌ترین مسیر فازی با تلفیق داده‌های گذشته و لحظه‌ای ترافیکنویسندگان احید نعیمی؛ محمد سعدی مسگری*؛ حمید مطیعیان مسیریابی فقط بر اساس داده های ترافیک گذشته همواره نتیجه بخش نیست. چون به دلیل وقوع تصادفات، تعمیرات خیابان ها و غیره ، گاهی تغییرات شدیدی در حجم ترافیک خیابان ها پیش می آید. از سویی دیگر مسیریابی فقط بر اساس داده های لحظه ای ترافیک مناسب نیست، زیرا در مورد یال های نزدیک می توان به داده های لحظه ای اعتماد نمود، ولی در مورد یال های دورتر داده های لحظه ای اعتبار خود را به تدریج از دست می دهند، چون تا به آنها برسیم وضعیت ترافیک تغییر کرده است. هدف این تحقیق ارائه روشی جدید برای مسیریابی بر اساس ترکیب فازی داده های گذشته و لحظه ای است. در این روش، مبنای مسیریابی در حالت عادی داده های گذشته است. در صورت وقوع حادثه ای خاص در یکی از یال های شبکه، در فاصله ای مناسب و قبل از رسیدن به محدوده حادثه، با توجه به محل وقوع حادثه مجدداً مسیریابی انجام می شود. وزنی که به یال های شبکه اختصاص می یابد بر اساس ترکیبی فازی از داده های گذشته و لحظه ای محاسبه می شود و از یک مدل استنتاج فازی برای محاسبه وزن های اختصاصی به داده های لحظه ای و گذشته استفاده میذ گردد. این وزن ها متغیر بوده و تابع فاصله یال موردنظر از محل فعلی خودرو در لحظه تصمیم گیری هستند. نتایج نشان می دهند که روش پیشنهادی ترکیب داده های لحظه ای با داده های گذشته باعث می‌شود در صورت بروز حادثه، مسیر تعیین شده نه تنها از موقعیت یال حادثه دیده بلکه از یال‌های منتهی به آن نیز دور شود. منبع: [Hidden Content] دانلود: [Hidden Content] CEEJ4691440271800.pdf