8 نتیجه برای شبکه عصبی
حسین اینانلو عربی شاد، کاوه آهنگری،
جلد 4، شماره 1 - ( 6-1389 )
چکیده
یکی از مسائل مهم در تونل‌های مترو شهری، تحلیل پایداری تونل و تعیین ضریب اطمینان مناسب و ایمن و همچنین پیشبینی میزان نشست می‌باشد که منجر به تأمین پایداری در حین اجرا و پس از آن در زمان بهره‌برداری از سازه مورد نظر خواهد گردید. اهداف این مطالعه، استفاده از روش‌های مختلف در پیشبینی نشست و همچنین توسعه و ارتقاء این روش‌ها بهوسیله یکدیگر می‌باشد. در تحقیق حاضر، تحلیل پایداری و بررسی میزان نشست تونل خط یک مترو تبریز، توسط روش عددی، شبکه عصبی مصنوعی و روابط تجربی صورت پذیرفته است. با توجه به دو روش حفاری مورد استفاده در تونل خط یک مترو تبریز (استفاده از دستگاه TBM و همچنین حفر تونل به روش NATM) در این بررسی، ابتدا قسمتی از تونل که با روش NATM حفاری می‌شود با استفاده از روش عددی مورد تحلیل قرارگرفته و مقدارنشست سطح زمین و همچنین میزان همگرایی تونل در دیواره تونل نیز با کمک همین نرم‌‌افزار پیشبینی شده است. سپس براین اساس، روابط تجربی همگرایی- نشست برای محیط پیرامون تونل خط یک مترو تبریز اصلاح شدهاند. پس از آن با استفاده از شبکه عصبی مصنوعی و داده‌های موجود، میزان نشست، پیشبینی شده و با مقدار به‌دست آمده از روش عددی و روابط تجربی مقایسه شده است. در قسمت دوم تحقیق نیز میزان نرخ نفوذ TBM توسط شبکه عصبی پیشبینی شده که این پارامتر می‌تواند در مواجهه با مناطق دردسرساز و همچنین استفاده از فشار EPB مناسب در TBM بسیار مفید باشد.
حسین اینانلو عربی شاد، غلامرضا لشکری پور، .مجید اکبری،
جلد 5، شماره 2 - ( 11-1390 )
چکیده
امروزه ماشینهای تونلبری TBM (Tunnel Boring Machine) بطور وسیعی در حفر تونلها بخصوص تونل‌های شهری استفاده می‌شوند. این ماشین‌ها بر اساس روش نگهداری سینه‌کار و دیواره‌های تونل، دارای انواع مختلفی می‌باشند. یکی از انواع این ماشین‌ها، سپرهای تعادلی فشار زمین EPB (Earth Pressure Balance) می‌باشد که جهت حفاری خط 1 متروی تبریز مورد استفاده قرار گرفته است. عوامل مختلفی نظیر شرایط زمینشناسی، خصوصیات توده سنگ، شیب مسیر و همچنین مشخصات ماشین بکار رفته بر میزان کارآیی این ماشین‌ها تأثیر میگذارد. یکی از راههای پیشبینی میزان کارآیی این ماشین‌ها، تخمین نرخ نفوذ آنها می‌باشد. در این تحقیق میزان نرخ نفوذ TBM در خط 1 متروی تبریز توسط شبکه عصبی مصنوعی پیشبینی گردیده است. پیشبینی این پارامتر، کمک شایانی در انجام مراقبت و دقت بیشتر در برخورد با مناطق دردسرساز با دانستن زمان برخورد به این مناطق و همچنین استفاده از فشار EPB مناسب در آنها می‌نماید. از نتایج مهم حاصل از این تحقیق می‌توان به پیشبینی میزان نرخ نفوذ با دقت قابل قبول و همچنین تعیین پارامترهای مؤثر به وسیله آنالیز حساسیت صورت گرفته توسط شبکه عصبی اشاره کرد.
سلمان سوری، غلامرضا لشکری پور، محمد غفوری، طاهر فرهادی نژاد،
جلد 5، شماره 2 - ( 11-1390 )
چکیده
حوضه آبریز کشوری در جنوب شرقی شهر خرم آباد در استان لرستان قرار دارد. این حوضه از نظر تقسیم بندی زمین ساخت ایران در زاگرس چین خورده قرار می گیرد. با توجه به نوع سازند های زمین شناسی، وضعیت توپوگرافی و وسعت آن، این حوضه از پتانسیل لغزش بالایی برخوردار بوده و از نظر لغزشی ناپایدار است. در این تحقیق برای پهنه بندی خطر زمین لغزش در این حوضه از روش شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه و الگوریتم یادگیری پس انتشار خطا استفاده شده است. نتایج بدست آمده از شبکه عصبی مصنوعی نشان دهنده ساختار نهایی 1-11-9 برای پهنه بندی خطر زمین لغزش در این حوضه است. بر اساس این پهنه بندی 81/23، 53/7، 49/6، 68/18، 47/43 درصد از مساحت منطقه به ترتیب در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار گرفته است.
عباس سیوندی پور، محسن گرامی، هادی تقدیسی،
جلد 6، شماره 1 - ( 6-1391 )
چکیده
پیشبینی محل وقوع زلزله‌های آتی همراه با تعیین درصد احتمال رخداد، می‌تواند در کاهش خطرات ناشی از زلزله بسیار سودمند باشد. تعیین محل‌های پیشبینی شده، سبب افزایش توجه به طراحی، به‌سازی لرزهای و ارزیابی قابلیت اعتمادپذیری سازه‌های موجود در این مکان‌ها می‌شود. در پیشبینی زمان وقوع زلزله فرضیه‌ها و نظریه‌های گسترده‌ای مطرح است. هنوز شیوه‌ای دقیق برای پیشبینی زمان رخداد زلزله‌های آتی مورد تأیید قرار نگرفته است. در مورد پیشبینی بزرگی زلزله، بررسی‌های گسترده‌ای انجام شده است، ولی در زمینۀ پهنه‌بندی مکان رخداد زلزله احتمالی هنوز هیچ پژوهشی صورت نگرفته است. در این پژوهش با استفاده از شبکه‌های عصبی مصنوعی خود سازمان یافته، در استان‌های سمنان و قم، مکان‌هایی که احتمال رخداد زلزله آتی وجود دارد، پیشبینی شده است. شبکه‌های عصبی مصنوعی انتخاب شده در این تحقیق، با دریافت الگوهای ورودی قادر به استخراج مشخصات الگوهای پیچیدهای از داده‌های ورودی(کاتالوگ زمین لرزهها) است. سپس با پژوهش‌های آماری انجام شده، نقشۀ پهنه‌بندی مکان زلزله احتمالی ترسیم شده است. برای انجام این کار مشخصات زلزله‌های رخ داده بین سال‌های 1903 تا 2012 در استان‌های مورد نظر از پایگاه‌های مختلف لرزهای جمع‌آوری شد. با توجه به نقشه‌های به‌دست آمده، بیش‌ترین احتمال وقوع زلزله در استان قم، در منطقۀ مرکزی این استان با احتمال 6/31 درصد و در استان سمنان در محدودۀ شمالی این استان با احتمال 9/28 درصد پیشبینی شده است.
هادی فتاحی، زهره بیات زاده فرد،
جلد 12، شماره 5 - ( 10-1397 )
چکیده
بیشینۀ نشست سطح زمین یکی از پارامترهای مهم در عملیات حفاری مکانیزه از نوع متعادل‌کنندۀ فشار زمین (EPB) است که قبل از حفاری باید تعیین شود. زمانی‌که مدل‌سازی بسیار پیچیده می‌شود، روش‌های هوش مصنوعی به‌عنوان یک راه‌حل استفاده می‌شوند. این روش‌ها در ابتدا با استفاده از داده‌های واقعی آموزش می‌بینند و سپس به پردازش اطلاعات ناشناخته می‌پردازند. در این پژوهش برای پیشبینی نشست زمین در تونل‌سازی مکانیزه از نوع EPB از روش‌های هوش مصنوعی سیستم استنتاج تطبیقی عصبی- فازی (انفیس) و ترکیب شبکۀ عصبی مصنوعی با الگوریتم بهینهسازی مبتنی بر جغرافیای زیستی استفاده شده است. در این پژوهش دو مدل انفیس شامل انفیس- خوشه‌بندی کاهشی و انفیس- خوشه‌بندی C-means فازی استفاده شده است. برای اثبات توانایی روش‌های مذکور از داده‌های پروژه مترو بانکوک، تایلند استفاده شده است. در این مدل‌ها پارامترهای عمق، فاصله تا سینه کار، سطح آب زیرزمینی، متوسط فشار پشت کاتر، متوسط نرخ نفوذ، زاویه‌ای که درزه‌ها با سینه کار می‌سازند، فشار تزریق و درصد پرشدگی تزریق به‌عنوان ورودی و بیشینۀ نشست سطح زمین به‌عنوان خروجی درنظر گرفته شده است. برای بررسی عملکرد مدل‌ها از دو شاخص آماری ضریب تعیین (R2) و میانگین مربعات خطا استفاده شده است که نهایتاً انفیس- خوشه‌بندی کاهشی بهترین عملکرد را در بین سایر مدل‌ها داشته است.
شیما السادات حسینی، دکتر علی قنبری، مهندس محمد علی رفیعی نظری،
جلد 14، شماره 2 - ( 6-1399 )
چکیده
بحث دربارۀ مدل‌سازی اندرکنش خاک-گروه شمع به‌دلیل تعداد زیاد پارامترهای دخیل در آن یکی از مباحث پیچیده و البته مورد توجه محققان در سال‌های اخیر بوده است که به روش‌های مختلف به آن پرداخته‌اند. در سال‌های اخیر روش شبکۀ عصبی مصنوعی در بسیاری از مسائل مرتبط با مهندسی ژئوتکنیک از جمله مسائل مرتبط با شمع‌ها استفاده شده است. در این پژوهش پاسخ دینامیکی گروه شمع-خاک زیر یک پل تک‌پایه با درنظرگیری اثر اندرکنش خاک-سازه به‌روش تحلیلی محاسبه شد . به‌علاوه یک مدل شبکه عصبی با استفاده از مدل چند لایه پیشخور برای پیشبینی سختی اندرکنشی گروه شمع-خاک واقع در خاک دانه‌ای در نظر گرفته شد. همچنین تأثیر پارامترهای مختلف بر محاسبۀ مقدار سختی اندرکنشی گروه شمع-خاک بحث و بررسی شد. در نهایت با توجه به مقدار ضریب تبیین 99/0 و کم‌ترین میزان مربعات خطای 00000088/0 مدل شبکه عصبی ارائه شده می‌تواند یک ابزار قدرتمند برای پیشبینی میزان سختی اندرکنشی گروه شمع-خاک و طراحی بهینۀ گروه شمع برای دستیابی به طول و قطر بهینۀ شمع‌ها و کاهش هزینۀ مربوط به تجهیزات حفاری باشد.
دکتر محمد فتح اللهی، آقای حبیب رحیمی منبر، دکتر غلامرضا شعاعی،
جلد 16، شماره 3 - ( 9-1401 )
چکیده
پارامترهای مقاومت برشی، پارامترهای مهمی برای ارزیابی پایداری سازه‌های مهندسی هستند که محاسبه آنها با روش‌های مرسوم نیازمند هزینه و زمان زیادی می‌باشد. در این پژوهش با استفاده از آزمایش‌های اولیه ژئوتکنیک مانند دانه‌بندی، حدود آتربرگ و آزمایش تک‌محوره و به کارگیری هوش مصنوعی، بدون انجام تست‌های پیچیده‌تر، زاویه اصطکاک داخلی و چسبندگی خاک محاسبه شد. به این منظور از نمونه‌های دست‌نخورده از ۱۴ گمانه در بندرعباس که بر روی آنها آزمایش‌های اولیه‌ی ژئوتکنیک و برش مستقیم انجام گرفته بود، انتخاب و برای آموزش شبکه‌ی عصبی استفاده شدند. در این پژوهش تعداد ۱۹۵ شبکه در حالت‌های مختلف آموزش داده شد. به منظور دستیابی به بهترین عملکرد، شبکه‌های عصبی پیشخور ابتدا در حالت تک لایه و دو لایه با تعداد نورون‌های لایه میانی پایین آموزش داده شدند و تابع TRAIN BR به دلیل بالا بودن نسبت R (R=0/97) انتخاب و سپس با افزودن لایه‌های میانی به ۳، ۴ و ۵ لایه با تعداد نورون‌های لایه میانی (۵۰، ۴۰، ۳۰، ۲۰ و ۱۰) نورون شبکه‌های عصبی آموزش داده شدند. نتایج نشان داد شبکه‌ی MLP چهار لایه بهترین نتایج را نشان می‌دهد، برای این حالت R آموزش ۱، R تست 0/90 و R کل 0/98 می‌باشد. در نهایت به منظور صحت‌سنجی شبکه‌ی عصبی، تعداد ۱۵ نمونه انتخاب و پارامترهای ورودی شبکه در حالات بهینه ۲، ۳ و ۴ لایه آموزش داده و خروجی شبکه ارزیابی شد. برای پیشبینی چسبندگی، شبکه عصبی در حالت 4 لایه (0/99 =R2) و برای زاویه اصطکاک، شبکه‌های ۲، ۳ و ۴ لایه (0/99 =R2) بهترین خروجی را داشتند.
طاهره آذری، سکینه داداشی، فاطمه کاردل،
جلد 17، شماره 2 - ( 6-1402 )
چکیده
ارزیابی کیفی آب‌های ساحلی که تحت تأثیر شوری آب دریا قرار می‌گیرند را می‌توان با استفاده از پارامتر کلراید موجود در آب زیرزمینی انجام داد. این تحقیق یک روش ماشین مرکب هوش مصنوعی نظارت شده (SAICM) را جهت پیشبینی دقیق غلظت کلراید آب زیرزمینی دشت ساری پیشنهاد می‌دهد. SAICM با ترکیب غیرخطی مدل‌های هوش مصنوعی، غلظت کلراید را به عنوان خروجی مدل پیشبینی می‌کند. در این تحقیق از روش آنالیز مؤلفه‌های اصلی (PCA)، جهت شناسایی پارامترهای هیدروشیمیایی مؤثر مرتبط با غلظت کلراید به عنوان مؤلفه‌های ورودی به مدل‌های هوش مصنوعی استفاده شده است. بر اساس نتایج حاصل از PCA، پارامترهای (Na, K, EC, TDS, SAR)، به عنوان مؤلفه‌های ورودی مدل‌های هوش مصنوعی انتخاب گردید. در ابتدا چهار مدل هوش مصنوعی، منطق فازی سوگنو، منطق فازی ممدانی، منطق فازی لارسن و شبکه عصبی مصنوعی جهت پیشبینی غلظت کلراید طراحی گردید. بر اساس نتایج حاصل از مدل‌سازی، تمامی مدل‌ها برازش مناسبی با داده‌های کلراید در دشت ساری نشان داده‌اند. سپس مدل ترکیبی SAICM ساخته شد که نتایج حاصل از پیشبینی 4 مدل AI جداگانه را با استفاده از ترکیب کننده غیرخطی ANN ، ترکیب نموده و غلظت کلراید را با دقت بیشتری تعیین می‌کند. نتایج نشان می‌دهد مدل ماشین مرکب پیشنهاد شده SAICM می‌تواند غلظت کلراید را با دقت بسیار بالاتری نسبت به روش‌های جداگانه، تخمین بزند.
