پیش بینی اثرات ساختگاه بر طیف پاسخ زلزله به کمک شبکه های عصبی فازی

پایان نامه
چکیده

در سال های اخیر شبکه های عصبی مصنوعی در زمینه های مختلف ژئوتکنیک و مهندسی زلزله بسیار مورد استفاده قرار گرفته اند و نتایج بدست آمده از این شبکه ها بسیار موفقیت آمیز بوده است. یکی از موفق ترین شبکه ها، شبکه چند لایه پرسپترون(mlps) بوده که با الگوریتم انتشار برگشتی آموزش داده شده است. بزرگترین ضعف این شبکه این است که تفسیر اطلاعات در آن بسیار مشکل است، چراکه اطلاعات به صورت پیچیده ای در طول آموزش در اتصالات بین وزن ها ذخیره می شود. می توان گفت که شبکه ی عصبی مصنوعی مانند یک جعبه سیاه عمل می کند. در سیستم های عصبی فازی برای غلبه بر این مشکل از منطق فازی استفاده شده است. در این شبکه ها قوانین ودانش موجود در سیستم های فازی با قدرت آموزش و یادگیری شبکه های عصبی مصنوعی ترکیب شده است. در این مطالعه با استفاده از رکورد های واقعی زلزله و با کمک شبکه عصبی-فازی توانسته ایم سامانه ای طراحی کنیم که می تواند طیف شبه شتاب زلزله را پیش بینی کند. برای بدست آوردن شبه شتاب زلزله در پریود های مختلف از برنامه toolbox anfis در برنامه matlab استفاده شده است. تابع عضویت به کار گرفته شده از نوع gbell یا تابع زنگوله ای است. برای آموزش شبکه نیز از روش هیبرید استفاده شده است. با توجه به پارامتر های تاثیر گذار در زلزله و نیز اثرات شرایط ساختگاه، ورودی شبکه شامل بزرگی زلزله ، سرعت موج برشی، فاصله از گسل مسبب و pga است. علاوه بر موارد فوق باید پریود مورد نظر نیز به شبکه داده شود تا با توجه به این پریود و سایر پارامتر های ذکر شده، شبکه بتواند شبه شتاب زلزله را پیش بینی کند. تعداد توابع تعلق و نیز نوع تابع به صورت آزمایش و خطا بدست آمده اند. نتایج حاصل از شبکه نشان می دهد که شبکه ی عصبی فازی توانایی خوبی در پیش بینی شبه شتاب زلزله دار

۱۵ صفحه ی اول

برای دانلود 15 صفحه اول باید عضویت طلایی داشته باشید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

پیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی

Optimization of machining parameters is very important and the main goal in every machining process. Surface finishing prediction is a pre-requirement to establish a center for automatic machining operations. In this research, a neuro-fuzzy approach is used in order to model and predict the surface roughness in dry turning. This approach has both the learning capability of neural network and li...

متن کامل

پیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی

پیش بینی زبری سطح یک پیش نیاز اساسی برای ایجاد یک مرکز ماشین کاری خودکار می باشد. بهینه سازی فرآیند ماشین کاری در این راستا از اهمیت خاصی برخوردار است. در این مقاله از رهیافت ترکیبی فازی- عصبی (سیستم استنتاج فازی- عصبی تطبیقی ANFIS) به منظور پیش بینی زبری سطح در تراش کاری خشک استفاده شده است. به طوری که داده های حاصل از آزمایش ها به منظور ایجاد قواعد فازی و ویرایش این قواعد به کمک شبکه های عصبی...

متن کامل

پیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی

پیش بینی زبری سطح یک پیش نیاز اساسی برای ایجاد یک مرکز ماشین کاری خودکار می باشد. بهینه سازی فرآیند ماشین کاری در این راستا از اهمیت خاصی برخوردار است. در این مقاله از رهیافت ترکیبی فازی- عصبی (سیستم استنتاج فازی- عصبی تطبیقی anfis) به منظور پیش بینی زبری سطح در تراش کاری خشک استفاده شده است. به طوری که داده های حاصل از آزمایش ها به منظور ایجاد قواعد فازی و ویرایش این قواعد به کمک شبکه های عصبی...

متن کامل

پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی

In capital markets, stock price forecasting is affected by variety of factors such as political and economic condition and behavior of investors. Determining all effective factors and level of their effectiveness on stock market is very challenging even with technical and knowledge-based analysis by experts. Hence, investors have encountered challenge, doubt and fault in order to invest with mi...

متن کامل

منابع 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 اراک

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023