محبوبترین نویسندگان :
نویسندگان مقالات پربازدید :
یازدهمین کنفرانس هیدرولیک ایران
جزئیات رویداد
همایش ، رویداد ، ژورنال
اینستاگرام تی پی بین
حوزه های تحت پوشش رویداد

  • پیش بینی آبشستگی اطراف گروه پایه کج با استفاده از شبکه های عصبی مصنوعی با ساختار پرسپترون چند لایه

    نویسندگان :
    کلمات کلیدی :
    جزئیات بیشتر مقاله
    • تاریخ ارائه: 1392/07/24
    • تاریخ انتشار در تی پی بین: 1392/07/24
    • تعداد بازدید: 812
    • تعداد پرسش و پاسخ ها: 0
    • شماره تماس دبیرخانه رویداد: -
    آگاهی از عوامل شکل دهنده آبشستگی پایه های پل و تخمین ابعاد آن از اهمیت بسزائی در طراحی ایمن پل ها برخوردار است. از این رو تحقیقات وسیعی تاکنون در این رابطه انجام شده است. از سوی دیگر با پیشرفت فناوری طراحی و ساخت سازه ها، شاهد ساخت پل ها با اشکال گوناگونی بوده که از جمله آن ها می توان به پل های با پایه گروه کج اشاره نمود. در این تحقیق یک رهیافت شبکه عصبی مصنوعی (ann) با ساختار پرسپترون چند لایه برای پیش بینی حداکثر عمق آبشستگی اطراف گروه پایه کج که به دلیل ترکیب همزمان تاثیر کج شدگی پایه ها، فونداسیون و سپرشدگی پایه دوم از پیچیدگی زیادی برخوردار است، بکار گرفتاه شده است. بارای این منظور مجموعه داده های مربوط به 48 آزمایش برای شرایط هیدرولیکی و رقوم کارگذاری پایه گروه کج شامل سرعت های نسبی (u/uc)، 0.95، 0.8، 0.6 و 0.5، نسبت عمق به عرض (y/d*) 1 تا 3 و چهار تراز کارگذاری فونداسیون (z/d*) -1، -0.5، صفر و 1، برای بررسی عملکرد شبکه عصبی در پیش بینی حداکثر عمق آبشستگی مورد استفاده قرار گرفت. در توسعه مدل ann، قوانین آموزش، توابع فعال سازی و ده ساختار پرسپترون چندلایه، با تعداد لایه های پنهان و نرون های مختلف، مورد ارزیابی قرار گرفتند. در هر آرایش شبکه، آماره های ضریب تبیین (r2) و میانگین مجذور مربعات خطا (rmse)، محاسبه گردید. تجزیه و تحلیل های انجام شده نشان داد که از میان قوانین یادگیری مختلف، قانون آموزش  delta-ruleبهترین عملکرد را در پیش بینی عمق آبشستگی داشت. مقایسه های به عمل آمده حاکی از آن است که بهترین تابع فعال سازی در این وضعیت، tanh و مناسب ترین آرایش شبکه، 2 لایه میانی و 6 نرون در هر لایه بود که قادر می باشد عمق آبشستگی را با  r2، 0.99 و rmse، 0.0359 و تکرار 19000 پیش گویی نماید. مقادیر بالای بدست آمده برای r2، بیانگر همبستگی نزدیک بین مقادیر خروجی مدل ann و داده های آزمایشگاهی می باشد.

سوال خود را در مورد این مقاله مطرح نمایید :

با انتخاب دکمه ثبت پرسش، موافقت خود را با قوانین انتشار محتوا در وبسایت تی پی بین اعلام می کنم
مقالات جدیدترین رویدادها
مقالات جدیدترین ژورنال ها