مقاله تخمین مدول الاستیسیته سنگ بکر با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 مقاله تخمین مدول الاستیسیته سنگ بکر با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی دارای ۲۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تخمین مدول الاستیسیته سنگ بکر با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله تخمین مدول الاستیسیته سنگ بکر با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تخمین مدول الاستیسیته سنگ بکر با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی :

تعداد صفحات :۲۸

مدول الاستیسیته سنگ بکر یکی از ملزومات اساسی بسیاری از مطالعات ژئومکانیکی و به ویژه پروژه های حفاری سنگ می باشد. برای تعیین مستقیم مدول الاستیسیته نمونه مغزه‌های باکیفیت بالا و هندسه مناسب مورد نیاز بوده و تهیه نمونه‌های مناسب از سنگ‌های شکسته و هوازده برای این منظور به آسانی امکان­پذیر نیست. بنابراین مدل‌های پیش­بینی مدول الاستیسیته براساس خصوصیات شاخص سنگ بکر ارائه گردیده­اند. در این مطالعه با استفاده از شبکه عصبی چند لایه پرسپترون با الگوریتم پس انتشار و داده‌های حاصل از آزمایشات سنگ، مطلوبترین تخمین از مدول الاستیسیته برآورد گردیده و با نتایج حاصل از روش رگرسیون غیر خطی مقایسه شده است. بدین منظور، تعداد ۱۲۱ داده حاصل از آزمایشات سنگ سه پروژه بهشت آباد، رودبار لرستان و سبزکوه استفاده گردیده است. پارامترهای متعددی از جمله تخلخل، مقاومت فشاری تک محوره، سرعت موج فشاری، مقاومت کششی و چگالی در تخمین پارامتر مدول الاستیسیته مورد استفاده قرار گرفته­اند. در بهینه­یابی اجزای شبکه عصبی، مدل شبکه عصبی با دو لایه و چهار نورون در لایه مخفی، یک نورون در لایه خروجی و یک سری داده در لایه ورودی و تابع عملکرد tansig به عنوان ساختار بهینه شبکه عصبی برآورد شده است. نتایج حاصل از روش­های تخمین مورد استفاده توسط معیارهای ضریب تعیین و جذر مجموع مربعات خطا مورد مقایسه واقع شده­اند. این مقایسه نشانگر عملکرد مطلوب­تر شبکه عصبی نسبت به رگرسیون غیر خطی می­باشد. مقاومت فشاری تک محوری، سرعت موج فشاری و مقاومت کششی غیر­مستقیم به ترتیب مهم­ترین پارامترهای تاثیرگذار بر عملکرد مدل شبکه عصبی می­باشند.