بررسی شبکه های عصبی مصنوعی GMDH و MLPدر پیش بینی مقاومت فشاری و کارایی بتن
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 614
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
CEUCONF04_252
Index date: 1 July 2017
بررسی شبکه های عصبی مصنوعی GMDH و MLPدر پیش بینی مقاومت فشاری و کارایی بتن abstract
اندازه گیری مقاومت فشاری و کارایی بتن به عنوان مهمترین شاخص های رفتاری بتن در سازه، از اهمیت بالایی برخورداراست. با توجه به بالا بودن پارامتر های موثر در طرح اختلاط بتن و کاهش تعداد نمونه های آزمون، امروزه از انواع الگوریتمهای استنتاجی برای کشف روابط، پیش بینی خواص مکانیکی و شناخت الگوهای غیرخطی و بهینه سازی مخلوط های بتنی استفاده می شود. در این میان شبکه های عصبی مصنوعی برای سیستم های پیچیده با ساختار نامشخص، که در آنهاهدف بدست آوردن روابط متغیر های ورودی و خروجی با مراتب بالاست، بسیار ایده آل است. روش تحقیق بکار رفته دراین مطالعه بر اساس شبکه های عصبی مصنوعیGMDH و MLP می باشد، که فاقد مبنای نظری و معروف به مدل های مهندسی معکوسIE یا جعبه سیاه نیز هستند. به منظور ارایه مدلی جهت پیش بینی این پارامترها، دو رویکردشبکه عصبی مصنوعی بررسی گردید و عملکرد مدلGMDH با مقایسه نتایج آزمایشگاهی با مقادیر پیش بینی شده نشان از دقت قابل قبول مدل مذکور در ارزیابی مقاومت فشاری و اسلامپ داشته است
بررسی شبکه های عصبی مصنوعی GMDH و MLPدر پیش بینی مقاومت فشاری و کارایی بتن Keywords:
مقاومت فشاری بتن , کارایی , شبکه عصبی مصنوعی , شبکه عصبی پرسپترون چند لایهMLP /دسته بندی گروهی داده ها GMDH
بررسی شبکه های عصبی مصنوعی GMDH و MLPدر پیش بینی مقاومت فشاری و کارایی بتن authors
نیلوفر غضنفری
کارشناس ارشد رشتهی مهندسی عمران – انستیتو مصالح ساختمانی دانشگاه تهران
شایان غلامی
کارشناس رشته مهندسی عمران - انستیتو مصالح ساختمانی دانشگاه تهران
علیرضا عماد
کارشناس رشته مهندسی عمران - انستیتو مصالح ساختمانی دانشگاه 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 :