پیش بینی مقادیر حداکثر جنبش نیرومند زمین توسط شبکه عصبی مصنوعی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه فردوسی مشهد
- نویسنده علی نصرالله نژاد
- استاد راهنما سید کیوان حسینی حسین صادقی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1390
چکیده
رکوردهای تجربی جنبش های زمینی با سرعت وشتاب بالا ، یک نقش کلیدی را در تعریف علائم حداکثر جنبش های زمینی که برای پروژه های مهندسی نیاز است، فراهم می کنند. تحقیق حاضر نیز تفسیرهایی را برای مجموعه داده های رکوردهایی با مقادیر پیک شتاب بزرگترازیک ارائه می کند وتلاش می کند، پیک شتاب جنبش نیرومند زمین را درمناطق مختلف پیش بینی کند.دراین پژوهش از42 رکورد استراسر وبومرمربوط به سالهای 1971-2008 و18 رکورد مناطق غرب ایران استفاده شده است وهمچنین ازخاصیت تخمین توابع، شبکه های عصبی استفاده شده است. در این تحقیق به کمک سیستم های مختلف شبکه های عصبی مانند شبکه عصبی- فازی انطباقی هم فعال (سی آنفیس)، رگرسیون خودکارغیرخطی، پیشخورعمومی، پرسپترون چند لایه ، رگرسیون عمومی ، احتمالی ، تابع پایه شعاعی ، کوانتیزه کننده خطی برداری ، شبکه عصبی- استنتاج فازی سازگار(آنفیس) ، مدولارو غیره ابتدا به آموزش داده های ورودی می پردازیم و برای هر شبکه درصد آموزش ، آزمون وتست را مشخص می کنیم. بعد شبکه را تولید می کنیم و پارامترهای شبکه شامل تعداد لایه ها ، تعداد نرون ها ، نرخ مومنتوم ، نرخ یادگیری وتابع انتقال می شوند را نیز وارد می کنیم. در مرحله آخر شبکه را تست می کنیم و نتیجه می گیریم ، برای نروسولوشن ، بهترین شبکه ، عودت کننده با ضریب همبستگی 83/0 و میانگین خطای 055/0 می باشد و برای شبکه عصبی- استنباط فازی ( آن فیس ) با تابع آموزشی trimf و نوع الگوریتم هیبریدی ، با تعداد بردار mf=5 وبا خطای3×10-2 برای اپوک سی ام، بهترین شبکه را طراحی کرده ایم. برای زمین-لرزه اخیر سواحل شمال ژاپن (11مارس 2011) نیز مقدار 52/1برای خروجی تست شبکه برای مولفه قائم پیک شتاب بدست می آیدکه با خروجی واقعی 881/ تطابق خوبی دارد.
منابع مشابه
کاربرد شبکه های عصبی مصنوعی در پیش بینی بارش زمستانه
پیشبینی بارش یکی از مهمترین مسائل در زمینه مدیریت بهینه منابع آب در بخشهای مختلف نظیر صنعت، شرب و کشاورزی است. پیش بینی بارش می تواند باعث جلوگیری از تلفات و خسارات ناشی از بلایای طبیعی شود. هدف از تحقیق حاضر پیشبینی بارش زمستانه استان خراسان رضوی با استفاده از شبکههای عصبی مصنوعی میباشد. بدین منظور، ابتدا سری زمانی بارش متوسط منطقهای به روش کریجینگ در طول دوره آماری به دست آورده شد. سپس...
متن کاملشبیهسازی جنبش نیرومند زمین در زلزله 20 دسامبر 2010 ریگان
در این پژوهش، عاملهای گسل مسبب زمینلرزهی 20 دسامبر 2010 ریگان با بزرگی 5/6 = Mw که به وسیلهی 23 ایستگاه شتابنگاری SSA-2 ثبت شده است، با شبیهسازی جنبش نیرومند زمین به روش کاتورهای گسل محدود تعیین میشود. با توجه به توزیع پسلرزهها و رابطهی خود تشابهی، صفحهی گسل مسبب بهصورت 6×12 المان تقسیم شد. نتیجهها شبیهسازی شده در هر دو حوزهی فرکانس و زمان با گزارشهای ثبت شده، مقایسه شد. طول گ...
متن کاملمقایسه قدرت مدل های شبکه عصبی مصنوعی و شبکه عصبی پویا در پیش بینی نرخ ارز: کاربردی از تبدیل موجک
این مطالعه تلاشی است در جهت بهکارگیری ترکیب مدل شبکهی عصبی پویا و تجزیهی موجک جهت میسر نمودن امکان انتخاب یک الگوی بهینه جهت پیشبینی متغیر مذکور میباشد. جهت تحقق این مهم، از دادههای سریزمانی ماهانهی نرخ ارز طی بازهی زمانی فروردین 1377 الی آذر 1391، که مشتمل بر 177 مشاهده بوده که از این بین، تعداد 150 مشاهده جهت مدلسازیها استفاده شده و تعداد 27 مشاهده نیز جهت شبیهسازی و یا به بیان دی...
متن کاملمقایسه عملکرد شبکه های عصبی مصنوعی و شبکه های عصبی موجکی در پیش بینی درصد شکستگی جو در کمباین برداشت
در این تحقیق، نحوه عملکرد شبکه های عصبی موجکی با شبکه های عصبی مصنوعی در پیش بینی درصد شکستگی دانه های جو در کمباین مقایسه شد. شبکههای مزبور به صورت تابعی از درجه حرارت هوا، سرعت کوبنده، سرعت پیشروی کمباین، فاصله کوبنده و ضدکوبنده در جلو و عقب واحد کوبنده و درصد رطوبت جو آموزش داده شد. شبکه عصبی موجکی (RASP1) با دقت 2/90 درصد در پیش بینی شکستگی دانه جو به عنوان یک جایگزین مناسب برای شبکههای...
متن کاملتقریب مقادیر ویژه ورق با استفاده از شبکه عصبی مصنوعی
هدف از این مقاله، تعیین فرکانس زاویهای طبیعی ورقها با توجه به شرایط مختلف تکیهگاهی به کمک شبکه عصبی مصنوعی است. یکی از مشهورترین روشهای آموزش شبکه عصبی، استفاده از الگوریتم انتشار برگشتی است. این الگوریتم برای آموزش شبکههای چند لایه قابل کاربرد است. الگوریتم انتشار برگشتی بر مبنای کاهش گرادیان بوده و در آن شیب خطا به تدریج کم شده و وزنهای شبکه برای رسیدن به حداقل خطا، تعدیل میشود. در این...
متن کاملپیش بینی رسانایی گرمایی نانوسیال گرافن با مدل شبکه عصبی مصنوعی چند لایه پرسپترون
هدف از این مطالعه مدلسازی و پیش بینی رسانایی گرمایی نانو سیال گرافن به کمک شبکه عصبی مصنوعی چند لایه پرسپترون است. پارامترهای دمای نانوسیال، کسرحجمی و رسانایی گرمایی نانو ذره به عنوان ورودی شبکه در نظر گرفته شده است. بااطلاعات مربوط به اندازه گیریهای تجربی محققین قبلی در مورد رسانایی گرمایی نانوسیال گرافن در دمای 25 تا 50 درجه سلسیوس و در کسر حجمی 005/0 تا 056/0 تست عملکرد شبکه انجام شده است....
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه فردوسی مشهد
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023