کاربرد شبکه های عصبی برای پیش بینی رفتار اتصالات با گیردارهای نسبی برای قابهای مستوی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه علم و صنعت ایران
- نویسنده رضا علیمه
- استاد راهنما
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1378
چکیده
علی رغم پیشرفتهای حاصل شده در طراحی تیرها و ستونهای یک قاب فولادی، عامل ضریب اطمینان هنوز بدرستی مشخص نمی باشد و دلیل این امر نامشخص بودن رفتار واقعی اتصالات در ساختمان های فولادی است . در سال های اخیر با توجه به افزایش امکانات نرم افزاری، تغییرات منطقی در نحوه بررسی اتصالات و طراحی سازه ها صورت گرفته است . سازه های جدید نسبت به ساختمان های گذشته دارای رفتار انعطاف پذیری هستند. تحقیقات انجام شده نشان می دهد که رابطه لنگر- دوران بیشتر اتصالات غیرخطی است . آنالیز یک قاب با روش سختی توسط کامپیوتر مستلزم شناخت درباره سختی اتصال است که این مطلب توسط منحنی لنگر- دوران اتصال معلوم می گردد. با مشخص شدن میزان گیرداری هر یک از انواع اتصالات می توان تحلیل سازه حاوی این نوع اتصالات را به عنوان قاب خمشی با اتصالات نیم صلب ،به صورت دقیق تر انجام داد. با پیدایش علم شبکه های عصبی مصنوعی و پیشرفت های حاصل تهیه یک نرم افزار برای مسئله ای که متغیرهای بسیاری در آن وجود دعرند، کاری عملی می باشد. شبکه های عصبی تا حدودی از مغز انسان الگوبرداری شده اند و همانطور که مغز انسان می تواند با استفاده از تجربیات قبلی و مسائل جدید را تحلیل و تجزیه نماید، شبکه های عصبی نیز در صورت آموزش قادرند بر مبنای اطلاعاتی که به ازای آنها آموزش داده شده اند جواب قابل قبول ارائه دهند. در این پایان نامه بر روی 100 نوع اتصال مختلف توسط نرم افزار nisa2 آنالیز غیرخطی انجام شده است و با استفاده از این نمونه ها شبکه های عصبی آموزش داده شده اند که با ارائه مشخصات و جزئیات اتصال به آنها می توان منحنی لنگر- دوران اتصال را پیش بینی کرد. انید با بکارگیری این ایده بتوان رفتار کلیه اتصالات موجود در سازه ها را بصورت کاملا واقعی مدل کرد و در پروسه تحلیل بکار گرفت .
منابع مشابه
ترکیب شبکه های عصبی برای پیش بینی قیمت سهام
در این مقاله، یک مدل ابتکاری با ترکیب شبکه های عصبی مصنوعی (ANN) برای پیش بینی رفتار قیمت سهام پیشنهاد و اجرا می شود. این مدل ترکیبی، به صورت ساختار دو طبقه می باشد: شبکه های عصبی طبقه اول یا پیشگوهای پایه (Base Predictor) مسئول پیش بینی روزانه داده ها با ویژگی مختلف یک سهام می باشند و در طبقه دوم، شبکه دیگر، به عنوان ترکیب کننده پیش بینی نهایی را با بررسی و آنالیز اطلاعات پیشگوهای طبقه اول انج...
متن کاملکاربرد 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 کاملکاربرد مدل شبکه عصبی- موجک برای پیش بینی ویژگی های غیرایستا و غیرخطی سری زمانی تراز آب زیرزمینی
سفره های آب زیرزمینی غالباً به عنوان سیستم هایی با ویژگی های غیرایستا و غیرخطی شناخته می شوند. مدل سازی این سیستم ها و پیش بینی حالت های آینده آن ها نیازمند تشخیص این ویژگی های بنیادی است. اخیراً، آنالیز موجک به دلیل توانایی آن در رمزگشایی ویژگی های اشاره شده، به طور گسترده ای در زمینه پیش بینی سری های زمانی هیدرولوژیکی مورد استفاده قرار گرفته است. در این مقاله توانایی مدل ترکیبی ...
متن کاملمدل پیشنهادی برای پیش بینی تولید ناخالص داخلی کاربرد مدل هایARIMA شبکه های عصبی و تبدیل موجک
تولید ناخالص داخلی یکی از عمده ترین و کاربردی ترین شاخص های اقتصادی است؛ لذا پیش بینی آن،همواره توجه کلیه دست اندرکاران اقتصادی و علوم مرتبط را به خود جلب کرده است. هرچند روش های تجزیهو تحلیل سری زمانی و روش های غیرخطی همانند مدل های شبکه عصبی مدتهاست که برای پیش بینی این گونهمتغیرها به کار می روند، لیکن کاربرد ابزار توانمند موجک در پردازش داده ها و بررسی لایه های پنهان آن نشانمی دهد که سری زما...
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 علم و صنعت ایران
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023