در این مقاله روش شبکه عصبی هاپفیلد برای تفسیر هوشمند داده های گرانی استفاده شده است. یک شبکه عصبی هاپفیلد برای تخمین عمق چشمه گرانی طراحی شده است. این شبکه طراحی شده برای داده های مصنوعی و واقعی آزمایش شده اند. در مورد داده های واقعی این شبکه برای تخمین عمق یک تونل قنات واقع در موسسه ژئوفیزیک به کار برده شده و نتایج حاصله به مقادیر واقعی عمق بسیار نزدیک است.

چکیده ندارد.

برای پاسخ به بسیاری از پرسش های علمی، نیاز به گرداوری داده ها است و گرداوری داده ها به تنهایی پاسخ گوی بسیاری از پرسش ها نیست. بنابراین امروزه تحلیل داده ها در تمام شاخه های علمی امری ضروری به شمار می آید. طی چند دهه ی اخیر تحلیل داده های رده بندی در حوزه های آمار رسمی و علوم پزشکی به طور چشم گیری متحول شده است. با توجه به کثرت وجود این داده ها، بدیهی است که تحلیل و مدل بندی آن ها می تواند تأثی...

چند روش تخمین خسارت سازه های خرپایی مورد بحث قرار می گیرد .نویسندگان با گسترش یکی از این فنها‘ آن را مناسب ارزیابی خرپاها با داده های تغییر مکان ونیز کرنش می کنند . این داده ها می توانند به صورت تحلیلی و یا تجربی وارد تحلیل شوند. همچنین ‘ این شیوه توانایی به کار گیری زیر سازه ها را دارد. باید افزود ‘هنگامی که خسارت در قسمت محدودی از خر پا وارد شود یا بخش مشخصی از سازه در اختیار نباشد و یا وسیله...

تعیین پارامترهای هیدرولیکی آبخوان پایه مطالعات هیدروژئولوژی در یک دشت می باشد. برای انجام این کار استفاده از داده های آزمون پمپاژ با کیفیت، یک مدل ریاضی مناسب و یک روش تحلیلی دقیق، ضروری است. هدف این تحقیق ارائه یک روش برای افزایش دقت تحلیل آزمونهای پمپاژ و تخمین پارامترهای آبخوان می باشد. در این پژوهش مدل صدقی- سامانی، که برای تخمین پارامترهای هیدرولیکی آبخوانهای دو لایه آزاد-درزه و شکاف دار ا...