تخمین مقادیرحداکثر شتاب جنبش نیرومند زمین توسط سه مدل شبکه های عصبی مصنوعی
Publish place: Journal of Earthquake Engineering Sciences، Vol: 3، Issue: 4
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 118
This Paper With 21 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_BESE-3-4_001
تاریخ نمایه سازی: 16 آبان 1400
Abstract:
در این تحقیق، برای برآورد بیشینه شتاب جنبش نیرومند زمین در یک منطقه، از سه نوع شبکه ی عصبی مصنوعی با الگوریتم های متفاوت استفاده شده است که عبارتند از: شبکه ی عصبی- فازی هم فعال، المان– جردن و پیشخور با الگوریتم پس انتشار خطا. بردارهای ورودی شبکه های عصبی، شامل چهار پارامتری هستند که تاثیرات مهمی در وقوع زمین لرزه در یک منطقه دارند. این پارامترها عبارتند از: بزرگی ممان زلزله، شعاع گسیختگی کانون زلزله، مکانیسم گسل و رده بندی ساختگاه. بردار خروجی نیز فقط یک مولفه دارد: حداکثر شتاب جنبش نیرومند زمین برای یک زمین لرزه رخ داده در یک منطقه که به عنوان خروجی هدف استفاده می شود. پس از انجام آزمایش های مختلف، از میان شبکه های عصبی طراحی شده، شبکه ی عصبی- فازی هم فعال (سی آنفیس) بالاترین ضریب همبستگی خروجی، برابر ۸۲/۰ و شبکه پیشخور با الگوریتم پس انتشار خطای عمومی، کمترین ضریب همبستگی ۴۱/۰ را نشان می دهد. همچنین شبکه سی آنفیس، کمترین میانگین مربعات خطای ۰۷۵/۰ و شبکه ی پیشخور، بیشترین میانگین مربعات خطای ۱۲۵/۰ را داشته است. در این تحقیق، شبکه عصبی – فازی هم فعال، بهترین شبکه ی عصبی است که می تواند حداکثر دامنه شتاب احتمالی بالاتر از g۱ در یک منطقه را برآورد کند.
Keywords:
حداکثر شتاب جنبش نیرومند زمین , بزرگی ممان زلزله , شبکه پیشخور پس انتشار خطا , رده بندی ساختگاه , شبکه المان جردن
Authors
علی نصراله نژاد
پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله، تهران
مصطفی علامه زاده
پژوهشکده زلزله شناسی، پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله، تهران
غلام جوان دلویی
پژوهشکده زلزله شناسی، پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله، تهران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :