مقاله تخمین هوشمند حداکثر عمق آبشستگی اطراف پایه پل در رسوبات غیریکنواخت با استفاده از شبکه عصبی

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

  مقاله تخمین هوشمند حداکثر عمق آبشستگی اطراف پایه پل در رسوبات غیریکنواخت با استفاده از شبکه عصبی دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تخمین هوشمند حداکثر عمق آبشستگی اطراف پایه پل در رسوبات غیریکنواخت با استفاده از شبکه عصبی  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 هوشمند حداکثر عمق آبشستگی اطراف پایه پل در رسوبات غیریکنواخت با استفاده از شبکه عصبی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تخمین هوشمند حداکثر عمق آبشستگی اطراف پایه پل در رسوبات غیریکنواخت با استفاده از شبکه عصبی :

تعداد صفحات:۱۰

چکیده:

تعیین آبشستگی موضعی اطراف پایه پل ها، یکی از اساسی ترین مسایل در طراحی فوندانسیون پل ها می باشد. یکی از مسائل مهم در تخریب پلهای قرار گرفته بر روی رودخانه ها،آبشستگی اطراف پایه ها و کوله ها می باشد. در پدیده آبشستگی اطراف پایه پل، عوامل بسیار زیادی از جمله قطر پایه، دبی جریان، دانه بندی رسوبات و ; اثرگذار می باشد. تحقیقات بسیاری بر روی آبشستگی موضعی اطراف پایه پل انجام شده است، حال آنکه بدلیل گستردگی پارامترهای تاثیرگذار و پیچیدگی روابط بین آنها، اثر تواما همه پارامترها مقدور نمی باشد لذا ارایه یک مدل ساده بر پایه شبکه عصبی، بدون نیاز به اصلاحات خاص، کمک شایانی به بررسی پدیده آبشستگی اطراف پایه پل خواهد نمود. شبکه عصبی مصنوعی از جمله روشهایی است که مستقل از مدل، به درون یابی روابط ذاتی میان داده ها می پردازد. این روش برخلاف مبنای الگوریتمی، بر اساس آموزش شبکه، سعی در بازیابی خصلتهای نهایی الگوها را دارد، بطوریکه پس از یادگیری می تواند آموخته های خود را به حالتهای مشابه تعمیم دهد. در تحقیق حاضر از شبکه عصبی مصنوعی ( Artificial Neural Network) بعنوان یک ابزار محاسباتی برای تخمین عمق آبشستگی استفاده گردیده است. مدل ریاضی پیشنهادی از نوع پرسپترون ( Perceptron) چندلایه می باشد و از الگوریتم پس از انتشار خطا برای آموزش شبکه استفاده شده است. به منظور آموزش شبکه از داده های مربوط به گروه FHWR استفاده شده است و از قسمتی از این داده ها نیز برای صحت یابی شبکه بهره گرفته شده است. ساختارهای مختلف شبکه عصبی مصنوعی شامل قانون یادگیری، تابع انتقال، تعداد لایه های مخفی، تعداد گره های هر لایه و نوع داده های مورد نیاز برای آموزش در این تحقیق مورد بررسی قرار گرفته و حالت بهینه تعیین شده است. در پایان مدل ریاضی با روش تجربی مقایسه گردیده و مزیت مدل ریاضی پیشنهادی مشخص شده است.