شبکه‎های عصبی مصنوعی برای پیش‌بینی مقاومت فشاری بتن: پس انتشار خطا و شبکه اِلمان

Authors

  • زهرا سبحانی
  • منصور شیخان
Abstract:

در سال‌های اخیر، شبکه‌های عصبی مصنوعی کاربرد‌های بسیار زیادی در علوم مختلف مهندسی، ‌از جمله مهندسی عمران پیدا نموده است. در این مقاله از دو نوع شبکة عصبی مصنوعی با سه ساختار مختلف، برای پیش‌بینی مقاومت فشاری بتن استفاده شده است. در این مطالعه، نوع جدیدی از شبکه‌های عصبی مصنوعی، به نام شبکة‌ عصبیِ بازگشتی المان (Elman Networks ‌Recurrent ) معرفی شده و مقاومت نمونه‌های بتنی با استفاده از این شبکه‌ها پیش‌بینی شده است. همچنین در این مقاله، نتایج شبیه‌سازی با شبکة‌ عصبی المان، با شبکة‌ عصبی استاندارد پس انتشار خطا (Standard BP Networks) مقایسه شده است. نتایج پیش‌بینی نشان داد که شبکة‌ عصبی المانِ دو لایه با تعداد نرون به ترتیب 5 و 3 نرون در لایة‌اول و دوم، بهترین قابلیت را برای تعمیم نتایج (یعنی قابلیت پیش‌بینی نمونه‌های آموزش ندیده) داشته و شبکة عصبی دو لایة پس انتشار استاندارد با تعداد نرون‌های به ترتیب 8 و 5 نرون در لایة‌اول و دوم، مناسبترین شبکه برای تخمین مقاومت فشاری نمونه‌های بتنی (پیش‌بینی مقاومت نمونه‌های آموزش دیده) می‌باشد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

شبکه‎های عصبی مصنوعی برای پیش بینی مقاومت فشاری بتن: پس انتشار خطا و شبکه اِلمان

در سال های اخیر، شبکه های عصبی مصنوعی کاربرد های بسیار زیادی در علوم مختلف مهندسی، از جمله مهندسی عمران پیدا نموده است. در این مقاله از دو نوع شبکة عصبی مصنوعی با سه ساختار مختلف، برای پیش بینی مقاومت فشاری بتن استفاده شده است. در این مطالعه، نوع جدیدی از شبکه های عصبی مصنوعی، به نام شبکة عصبیِ بازگشتی المان (elman networks recurrent ) معرفی شده و مقاومت نمونه های بتنی با استفاده از این شبکه ها ...

full text

پیش‎بینی مقاومت فشاری بتن خودتراکم توسط شبکه عصبی مصنوعی المان همراه با دو مجموعه متفاوت از پارامترهای ورودی

در سال‎های اخیر، شبکه‎های عصبی مصنوعی از یک رویکرد نظری به یک فن‎آوری با قابلیت استفاده گسترده همراه با برنامه‎های کاربردی موفق برای مسائل گوناگون تبدیل شده‎اند. در حقیقت، شبکه‌های عصبی مصنوعی یک ابزار محاسباتی قدرتمندی هستند که راه‎ حل‌های مناسبی را برای حل مسائلی ارائه می‌دهند که با استفاده از روش‌‎های مرسوم و سنتی دشوار هستند. امروزه این شبکه‏ها که از سیستم عصبی زیستی الهام گرفته‎ شده‎اند، ب...

full text

مدل‌سازی مقاومت فشاری بتن غلتکی با استفاده از شبکه عصبی مصنوعی، انفیس و ماشین بردار پشتیبان

امروزه از بتن غلتکی در ساخت سد‌ها و روسازی راه‌ها استفاده می‌شود و طی سال‌های اخیر استفاده از این نوع بتن به علت مزایایی چون کوتاه شدن زمان ساخت، در دسترس بودن مصالح مورد نیاز، عملکرد مناسب در نواحی سرد و عمر مفید طولانی گسترش یافته است. مهم‌ترین خاصیت مکانیکی بتن غلتکی، مقاومت فشاری می‌باشد که افزایش آن می‌تواند عملکرد این نوع بتن را بهبود بخشد. حساسیت بتن غلتکی به اجزای تشکیل‌دهنده آن سبب مشک...

full text

استفاده از شبکه عصبی GMDH تعمیم‌یافته برای پیش‌بینی مقاومت فشاری بتن به کمک روش مغزه‌گیری

در این مطالعه، شبکه عصبی GMDH با ساختار عمومی (تعمیم‌یافته) با موفقیت برای مدل‌سازی روش مغزه­گیری حاوی میل‌گرد و بر پایه نتایج گسترده آزمایشگاهی بکار گرفته شده است. الگوریتم ژنتیک و روش تجزیه مقادیر منفرد برای تعیین ساختار بهینه مدل گسترش یافته‌اند. مجموعه داده‌های ورودی و خروجی برای آموزش و آزمایش مدل­های استخراج‌شده شامل متغیرهای قطر مغزه بتنی، نسبت ابعاد مغزه، تعداد میل‌گردهای داخل مغزه، فاص...

full text

پیشبینی محتوای رطوبتی خشکشدن لایه نازک قارچ خوراکی به کمک شبکه های عصبی مصنوعی پس انتشار

چکیده قارچ خوراکی دکمه‎ای (agaricus bisporus) به عنوان منبع غذای پرپروتئین و کم کالری و همچنین مصارف دارویی، امروزه بسیار موردتوجه قرارگرفته است. با افزایش بیش ازپیش تولید قارچ خوراکی نیاز به انبارداری، افزایش ماندگاری، کاهش ضایعات و استفاده از قارچ خشک شده بیشتر احساس می شود. به همین جهت خشک کردن این محصول به عنوان یکی از راهکارهای عملی همواره مطرح می باشد. امروزه با توجه به مزایای فناوری هوش ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 1  issue 2

pages  19- 33

publication date 2008-07-01

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023