Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
Publisher of Iranian Journals and Conference Proceedings
عنوان
Paper

پیش بینی حداکثر عمق چاله آبشستگی اطراف گروه پایه کج با استفاده از سیستم استنتاج فازی-عصبی تطبیقی بهینه شده با الگوریتم ژنتیک

تعداد صفحات: 12 | تعداد نمایش خلاصه: 45 | نظرات: 0
سال انتشار: 1394
کد COI Paper: JR_JWSC-22-6_018
زبان Paper: Persian
(فایل این Paper در 12 صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این Paper

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این Paper را خریداری نمایید.

با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک Paper) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید.در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.

لطفا قبل از اقدام به خرید اینترنتی این Paper، ابتدا تعداد صفحات Paper را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل Paper

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 12 صفحه است در اختیار داشته باشید.

قیمت این مقاله : 7,000 تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان Paper پیش بینی حداکثر عمق چاله آبشستگی اطراف گروه پایه کج با استفاده از سیستم استنتاج فازی-عصبی تطبیقی بهینه شده با الگوریتم ژنتیک

مهدی اسمعیلی ورکی - عضو هیات علمی گروه مهندسی آب دانشگاه گیلان، سازه های هیدرولیکی/مهندسی رودخانه
اطهر کنعانی - دانشگاه گیلان
مریم نوابیان - عضو هیات علمی گروه مهندسی آب دانشگاه گیلان
سید حامد اشرف تالش - دانشگاه گیلان

چکیده Paper:

هدف از تحقیق حاضر بررسی تاثیر بهینه سازی پارامترهای سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) با الگوریتم ژنتیک در پیش بینی حداکثر عمق آبشستگی اطراف گروه پایه کج و مقایسه آن با ANFIS جعبه ابزار نرم افزار Matlab و انواع مولد های سیستم استنتاج فازی (FIS) در آن می باشد. برای این منظور داده های 48 سری آزمایش مربوط به گروه پایه کج مستقر بر روی فونداسیون برای شرایط هیدرولیکی و رقوم کارگذاری فونداسیون مختلف مورد استفاده قرار گرفت. به منظور مقایسه نتایج از آماره های ضریب تبیین (R2) و میانگین مجذور مربعات خطا (RMSE)، استفاده شد. نتایج نشان داد که مدل ANFIS با سیستم استنتاج فازی (FIS) از نوع GENFIS1 بهترین عملکرد را در میان انواع مولدهای مورد بررسی داشته و قادر است حداکثر عمق نسبی آبشستگی را با (R2) و (RMSE) به ترتیب برابر 976/0 و 053/0 پیش بینی نماید. ارزیابی نتایج حاکی از آن است که بهینه سازی پارامترهای ANFIS منجر به بهبود عملکرد آن در پیش بینی پارامتر مورد نظر شده و توانسته است حداکثر عمق نسبی آبشستگی را با R2، 992/0 و RMSE، 0254/0، پیش بینی نماید.

کلیدواژه ها:

عمق آبشستگي, گروه پايه كج, ANFIS, الگوريتم ژنتيك, بهينه سازي

کد Paper/لینک ثابت به این Paper

برای لینک دهی به این Paper می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت Paper در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1009027/

کد COI Paper: JR_JWSC-22-6_018

نحوه استناد به Paper:

در صورتی که می خواهید در اثر پژوهشی خود به این Paper ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
undefined، undefined و undefined، undefined و undefined، undefined و undefined، undefined،1394،پیش بینی حداکثر عمق چاله آبشستگی اطراف گروه پایه کج با استفاده از سیستم استنتاج فازی-عصبی تطبیقی بهینه شده با الگوریتم ژنتیک،،،،،https://civilica.com/doc/1009027

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این Paper اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1394، اسمعیلی ورکی، مهدی؛ اطهر کنعانی و مریم نوابیان و سید حامد اشرف تالش)
برای بار دوم به بعد: (1394، اسمعیلی ورکی؛ کنعانی و نوابیان و اشرف تالش)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

Research Info Management

Certificate | Report Paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export Citation info of this Paper to research management softwares

علم سنجی و رتبه بندی Paper

مشخصات مرکز تولید کننده این Paper به صورت زیر است:
نوع مرکز: state university
تعداد مقالات: 11,614
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

Share this paper

WHAT IS COI?

COI is a national code dedicated to all Iranian Conference and Journal Papers. the COI of each paper can be verified online.

Support