جستجو در مقالات منتشر شده


5 نتیجه برای Ann


جلد 2، شماره 2 - ( 10-1386 )
چکیده

برآورد سیلاب و مدیریت آن از دیرباز مورد توجه کارشناسان و مدیران علوم محیطی بوده است. برای این امر روش‌‌های بسیاری وجود دارد که یکی از چشم‌گیرترین آن‌‌ها استفاده از شبکه‌‌های عصبی مصنوعی است. در این تحقیق، مدل بارش- رواناب حوضه آبریز رودخانه هلیل رود در جنوب‌شرق ایران ارائه شده است. ظهور تئوری‌های توانمند مانند منطق فازی و شبکه‌‌های عصبی مصنوعی(ANN)، الگوریتم ژنتیک و موجک تحولی عظیم در تحلیل رفتار سیستم‌‌های دینامیک در علوم مختلف مهندسی ایجاد کرده است. در این مقاله با استفاده از تئوری موجک و شبکه عصبی، شبکه عصبی- موجکی طراحی شده است. در واقع عمل‌کرد شبکه عصبی پرسپترون چند لایه(MLP)، با استفاده از موجک بهبود داده شده و با استفاده شبکه عصبی- موجکی الگوی جدیدی در بارش- رواناب ارائه شده است. نتایج به‌دست آمده از این مدل با نتایج شبکه عصبی انتشار برگشتی و بنیادی شعاعی مقایسه شده است. در الگوی ارائه شده، داده‌ها در گروه‌های همگن با توجه به میزان بارش و رواناب و به‌کارگیری آن‌ها توسط شبکه عصبی- موجکی، دسته‌بندی شده است. کنترل دقت محاسبات با محاسبه ضریب همبستگی R، و ریشه میانگین مربعات خطا(RMSE) صورت گرفته است. نتایج حاکی از بهبود بسیار خوب عمل‌کرد شبکه عصبی- موجکی با استفاده از داده‌های تقسیم‌بندی شده با الگوی جدید است.
عطا آقایی آرایی،
جلد 8، شماره 2 - ( 6-1393 )
چکیده

این مقاله امکان توسعه و بکارگیری شبکه‌های عصبی مصنوعی در مدل‌سازی نتایج آزمایش‌های مونوتونیک سه‌محوری قطر بزرگ روی انواع مصالح سنگریزه‌ای تیزگوشه، گردگوشه و مصالح شنی با درصدهای مختلف ریزدانه بهکار رفته در بدنه سدهای مهم کشور را ارائه می‌دهد. در ابتدا قابلیت شبکه‌های عصبی مصنوعی(ANNs) در مدل‌سازی منحنی های رفتاری تنش تفاضلی- اضافه فشار آب حفره‌ای - کرنش محوری بررسی شده است که دلالت بر قابلیت نسبتاً مناسب مدل در شبیه‌سازی رفتار مصالح شن‌دار دارد. بانک اطلاعات بکار رفته در شبکه، شامل 52 گزینه مختلف آزمایش سه محوری کرنش-کنترل تحت شرایط زهکشی نشده است. برای مسئله مورد نظر، یک برنامه شبکه‌های عصبی مصنوعی پیشخوراند 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 داده‌های آزمایشگاهی انتخاب شد. پارامترهای ورودی شبکه شامل تنش محدود‌کننده، دانسیته و درصد رطوبت بهینه، توزیع اندازه دانه‌ها و نرخ ایجاد کرنش می‌باشد. نتایج نشان می‌دهد که ANNs قابلیت بسیار مناسبی در تخمین منحنی‌های رفتاری یاد‌شده در کلیه موارد بررسی شده دارد. در ادامه قابلیت شبکه‌های عصبی مصنوعی(ANNs) در بدست آوردن حداکثر زاویه اصطکاک داخلی و نتاطی از منحنی‌های رفتاری شامل تنش های تفاضلی حداکثر و پسماند و اضافه فشارهای آب حفره ای در کرنش‌های نظیر بررسی شد. ضمناً از قابلیت تعمیم شبکه عصبی مصنوعی برای بررسی موارد آزمایش نشده مثل اثر تغییرات دانسیته و درصد کوچک‌تر از mm 2/0 هم بهره گرفته‌شد.
علیرضا یاراحمدی، سلیمان کاک ممی، جواد غلام نژاد، محمد تقی صادقی، مجید مبینی،
جلد 8، شماره 3 - ( 7-1393 )
چکیده

اندازه¬گیری درجای هندسه ناپیوستگی¬ها در توده¬های سنگی به روش دستی، غالباً کند و پرهزینه می¬باشد. همچنین در بسیاری از موارد، قسمت بزرگی از رخنمون سنگ دور از دسترس بوده و برداشت آن خطرناک است. بنابراین دستیابی به روشی سریع و ایمن جهت بدست آوردن پارامترهای هندسی ناپیوستگی¬ها ضرورت دارد. برای این منظور، تکنیک¬های توسعه یافته در حوزه پردازش تصاویر دیجیتال بسیار کارآمد و مفید می¬باشند. در این مطالعه، یک روش خودکار برای تعیین هندسه ناپیوستگی-ها با استفاده از تصاویر دیجیتالی بدست آمده از رخنمون توده سنگ، ارائه می¬شود. از مزایای این روش نسبت به روش¬های دستی می¬توان به ایمن بودن، کم هزینه بودن، کم وقت¬گیر بودن، داشتن توانایی برداشت تمامی درزه¬ها، رخ دادن خطای کمتر و حذف خطای انسانی در بدست آوردن داده¬ها اشاره کرد. در طی پیاده¬سازی مراحل سیستم آنالیز خودکار هندسه ناپیوستگی¬ها، ابتدا فیلترهای متنوعی بر روی تصاویر دیجیتالی بمنظور حذف نویز و بهبود تصاویر اعمال می¬شود. سپس با توجه به میزان اختلاف سطح خاکستری ناپیوستگی¬ها با زمینه رخساره، ناپیوستگی¬های موجود در رخساره سنگ توسط آشکارساز کنی، آشکارسازی می-شوند. در ادامه از تبدیل هاف برای توصیف ناپیوستگی¬ها بر حسب مختصات قطبی استفاده می¬شود. در مرحله بعد با استفاده از روش¬های فازی، تعداد و مرکز دسته درزه¬ها و اعضای هر دسته درزه به صورت خودکار مشخص می¬شود. در نتیجه پیاده¬سازی این الگوریتم برخی از مشخصه¬های هندسه ناپیوستگی¬ها نظیر زاویه اثر، فاصله¬داری، چگالی درزه¬داری و تداوم ناپیوستگی¬ها بدست آمده و شاخص کیفیت سنگ (RQD)، در هر راستای دلخواه بدست می¬آید. این روش می¬تواند به عنوان تکنیکی برای برداشت منظم درزه¬ها و ساخت یک پایگاه بزرگ و دائمی برای تعیین خصوصیات هندسی توده¬های سنگی به شمار رود.
ایمان آقاملایی، غلامرضا لشکری پور، محمد غفوری، ناصر حافظی مقدس،
جلد 13، شماره 1 - ( 3-1398 )
چکیده

خاک‌های رمبنده به‌طور گسترده­ای در نواحی خشک و نیمه‌خشک در سراسر دنیا توزیع شده و حدود 10% از مساحت کل خشکی­های زمین را تشکیل می­دهند. این خاک­ها به‌طور معمول ساختار لانه زنبوری نیمه‌پایدار دارند که مستعد کاهش حجم زیاد یا رمبش، به محض مرطوب شدن است. در این پژوهش برای تعیین خصوصیات مهندسی نهشته­های شهر کرمان علاوه بر گردآوری اطلاعات ژئوتکنیکی موجود، از 50 نقطه در سطح شهر نمونه‌گیری انجام شده است. پراکنش نقاط به‌گونه­ای طراحی شده که پوشش قابل قبولی در سطح شهر داشته باشند. برای تعیین نوع کانی­ها و هم‌چنین بررسی ساختار خاک و نحوۀ آریش دانه­­ها به‌ترتیب از روش XRD و تصاویر میکروسکوپ الکترونی استفاده شد. در بررسی تصاویر میکروسکوپ الکترونی نمونه­هایی که میزان رمبندگی زیادی نشان می­دهند، ساختار باز و منافذ بین‌دانه­ای دارند. در بخش­های مرکزی شهر دانه­های خاک عموماً دارای اتصال گوشه به گوشه است و در ساختار آن‌ها نظم مشخصی دیده نمی­شود و آرایش ذرات تصادفی و بی‌نظم است و رمبندگی کمی نشان می­دهند. علاوه بر نحوۀ آرایش دانه­ها در برخی نمونه­ها وجود مواد انحلال‌پذیر از جمله بلورهای ژیپس و نمک نقش مهمی در میزان رمبندگی خاک ایفا می­کنند. برای ارزیابی پتانسیل رمبندگی از معیارهای دنیسف، هولتز و هیلف، آیین‌نامۀ ساختمانی روسیه و آیین­نامه ASTM که متداول­ترند، استفاده شده است. بر اساس نتایج به‌دست آمده خاک‌های شهر کرمان عمدتاً در محدودۀ خاک‌های با رمبندگی متوسط قرار می‌گیرند.


احسان امجدی، غلامحسین اوکلیمهرجردی،
جلد 13، شماره 5 - ( 10-1398 )
چکیده

این مقاله مدلی از شبکۀ عصبی پس انتشار را برای پیش‌بینی (گویی) مقاومت کششی باقی‌مانده و چارت طراحی به‌منظور برآورد (تخمین) ضرایب کاهش مقاومت ژئوتکستایل‌های بافته نشده که تحت فرآیند نصب قرار گرفته اند، ارائه می‌کند. 34 داده از تست های برجای مقیاس کامل برای آموزش، صحت‌سنجی و آزمایش شبکه عصبی ایجاد شده (توسعه یافته) و مدل رگرسیونی استفاده شده است. نتایج نشان می دهد که، پیش‌بینی مقاومت کششی باقی‌مانده با استفاده از شبکۀ عصبی آموزش داده شده، تطابق خوبی با نتایج آزمایشگاهی دارد. پیش‌بینی های به‌دست آمده از شبکۀ عصبی بسیار بهتر از مدل رگرسیونی هستند، به‌طوری‌که درصد خطای حداکثر داده های آموزش داده شده برای شبکه عصبی و مدل رگرسیونی به‌ترتیب کم‌تر از 87/0 درصد و 92/18 درصد است. بر اساس شبکۀ عصبی توسعه یافته، یک چارت طراحی ایجاد شده است. به‌طور‌کلی، ضرائب کاهش مقاومت ژئوتکستایل ها ناشی از خرابی نصب هنگامی که عملیات تراکم در شرایطی اعم از مقاومت کشش چنگکی نمونه پیش از نصب کم‌تر، تنش اعمالی روی ژئوتکستایل بیش‌تر، مصالح خاکریز با اندازۀ دانه بزرگ تر، تراکم نسبی مصالح خاکریز بیش‌تر و بستر ضعیف تر انجام می‌‌شود، افزایش می یابد.
 

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به نشریه زمین شناسی مهندسی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Engineering Geology

Designed & Developed by : Yektaweb