4 نتیجه برای شبکههای عصبی مصنوعی
جلد 1، شماره 2 - ( 6-1382 )
چکیده
با توجه به توانایی‌های شبکههای عصبی مصنوعی، کاربرد آن‌ها در رشته‌های مختلف مهندسی و علوم زمین گسترش قابل ملاحظه‌ای داشته است. در این مقاله کاربرد شبکههای عصبی مصنوعی در زمین شناسی مهندسی و در پیش بینی خطر زمین لغرش‌های منطقه طالش مورد بررسی قرار گرفته است. نتایج بررسی‌ها نشان می‌دهد که مدل تهیه شده براساس پارامترهای ورودی مؤثر در وقوع زمین لغزش قادر خواهد بود اطلاعات ورودی را پردازش و خطر زمین لغزش را به عنوان خروجی شبکه عصبی اعلام کند. با توجه به نقشه پهنهبندی خطر زمینلغزش منطقه که با استفاده از این سیستم تهیه گردیده است, منطقه طالش جزء مناطق پر خطر از نظر رانش زمین محسوب می‌شود. و مهم‌ترین عوامل موثر در ناپایداری شیب‌های منطقه تغییرات کاربری اراضی، از بین رفتن پوشش گیاهی، زیر شویی دامنه‌ای، فرسایش حاشیه رودخانه‌ها و فعالیت‌های تکتونیکی هستند
جلد 3، شماره 2 - ( 11-1388 )
چکیده
بررسی ویژگی‌های مهندسی مصالح ترانشه‌های آبرفتی و سیمانی شده محوطه برج میلاد تهران و نتایج تحلیل پایداری درحالت استاتیکی با استفاده از نرم افزارهای المان محدود و همچنین بررسی قابلیت شبکههای عصبی مصنوعی برای محاسبه ضرایب پایداری موضوع این مقاله است. بر اساس مشخصات هندسی ترانشه‌ها و ویژگی‌های مقاومتی و تغییرشکلی آبرفت، ضریب پایداری ترانشه‌ها در حالت‌های دو بعدی و سه بعدی، به ترتیب با استفاده از نرم‌افزارهای PLAXIS7.2 وPLAXIS 3D Tunnel ، محاسبه و نتایج حاصل با یک‌دیگر مقایسه شده است. در ادامه قابلیت شبکههای عصبی مصنوعی(ANNs) در به‌دست آوردن ضریب پایداری (FoS) ترانشه‌های مسیرهای دسترسی برج میلاد بررسی شده است. بانک اطلاعات به‌کار رفته در شبکه، شامل ضرایب تحلیل پایداری حاصل از 256 گزینه مختلف (2D، 3D، ترانشه افقی و یا با شیب 18 نسبت به افق در بالا) است. برای مسئله مورد نظر، برنامه شبکههای عصبی مصنوعی سه لایه پرسپترون(MLP) در محیط MATLAB7 نوشته شد و شبکه بهینه(تعداد لایههای مخفی، تابع تبدیل و نوع آموزش شبکه) به طریق سعی و خطا، و با توجه به شاخص‌های خطا و تطابق با داده‌ها انتخاب شد. پارامترهای ورودی شبکه شامل مشخصات ژئوتکنیکی و هندسی ترانشه‌ها (چسبندگی، زاویه اصطکاک، مدول یانگ، ارتفاع شیب، شیب ترانشه و زاویه اتساع) و پارامترهای خروجی شامل ضرایب پایداری در حالت‌های مختلف است. نتایج نشان می‌دهد که ANNs قابلیت بسیار مناسبی در تخمین ضرایب پایداری ترانشه‌ها در کلیه موارد بررسی شده دارد.
جواد شریفی، محمدرضا نیکودل،
جلد 9، شماره 3 - ( 7-1394 )
چکیده
در این تحقیق از طریق مدل‌سازی در شبکههای عصبی مصنوعی، پیش‌بینی مقاومت بتن حاوی سنگ‌دانه‌های مختلف با استفاده از آزمون‌های غیرمخرب (آلتراسونیک) انجام شد. بدین منظور ابتدا مصالحی با ویژگی‌های متفاوت گردآوری و خواص آن‌ها در آزمایشگاه به‌روش‌های مخرب و غیرمخرب تعیین شده است. نکتۀ مهم این تحقیق، استفاده از سنگ‌دانه‌های مختلف با خواص فیزیکی، مکانیکی و شیمیایی متفاوت و همچنین استفاده از دو آزمون غیرمخرب استاتیکی و دینامیکی است که به‌ترتیب مقاومت تک‌محوری و سرعت موج فشاری است. بنابراین مدل‌سازی شامل نمونه‌های مختلفی است و فضای پیش‌بینی نیز در برگیرنده روش‌های ایستا و پویا است. نتایج این تحقیق نشان داد که استفاده از شبکههای عصبی مصنوعی نه تنها سبب افزایش دقت می‌شود بلکه باعث کاهش حجم محاسبات و همچنین تأثیر زیادی در کاهش زمان محاسبه خواهد شد.
نرگس سلیمی، سید محمود فاطمی عقدا، محمد تشنه لب، یوسف شرفی،
جلد 10، شماره 3 - ( 9-1395 )
چکیده
زمینلغزشها هر سال خسارتهای مالی و جانی زیادی به‌بار میآورند. نقشههای پهنهبندی خطر زمینلغزش میتوانند به کاهش این خسارتها کمک کنند. حوزۀ آبخیز طالقان از جمله حوزههای مستعد زمینلغزش است که بررسی شده است. در این مقاله به پهنهبندی خطر زمینلغزش در این منطقه و در مقیاس 50000/1، و با در نظر داشتن لایههای اطلاعاتی پراکندگی لغزشها، شیب، برای شیب، زمین‌شناسی (لیتولوژی)، فاصله از گسلها، فاصله از آبراههها، با روش شبکههای عصبی مصنوعی مبتنی بر توابع پایهای گوسی (RBF) و شبکههای عصبی پرسپترون (MLP) می‌پردازیم. کلیات روش RBF تا حدود زیادی مشابه شبکههای عصبی پرسپترون (MLP) است که تا کنون قابلیت آن مشخص شده است و چندین تفاوت ساختاری در مؤلفهها بین این دوروش شبکۀ عصبی وجود دارد. از نتایج نهایی مشخص شد که نقشههای حاصل از هر دو روش قابل قبول هستند و روش MLP دقت بیش‌تری نسبت به‌روش RBF دارد.
