مقاله بررسی کارائی شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایه های پل و مقایسه نتایج با مدل های ریاضی معتبر

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

  مقاله بررسی کارائی شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایه های پل و مقایسه نتایج با مدل های ریاضی معتبر دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله بررسی کارائی شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایه های پل و مقایسه نتایج با مدل های ریاضی معتبر  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 بررسی کارائی شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایه های پل و مقایسه نتایج با مدل های ریاضی معتبر،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله بررسی کارائی شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایه های پل و مقایسه نتایج با مدل های ریاضی معتبر :

تعداد صفحات:۸

چکیده:

پل ها از جمله مهمترین و حیاتی ترین سازه های ارتباطی هستند که از دیرباز مورد استفاده قرار می گیرند . آبشستگی پایه های پل یکی از مهم ترین عوامل تهدید کننده پایداری پل های احداث شده بر روی رودخانه ها می باشد . منشا آبشستگی موضعی در واقع نوعی فرسایش در اطراف پایه پل ها است که در نتیجه جریان های گردابی برخاستگی و جریان نعل اسبی می باشد . به دلیل پیچیدگی فرایند آبشستگی و نامعلوم بودن جزئیات و عملکرد گردابهای تشکیل یافته در اطراف پایه های پل، روابط گوناگونی برای برآورد حداکثر عمق حفره آبشستگی ارائه شده است که عمدتا آزمایشگاهی و بعضا نیمه تئوری و یا صحرایی هستند . در عصر حاضر، استفاده از شبکه های عصبی مصنوعی ) ) Artificial Neural Networks به دلیل ساختار ریاضی کاملا غیر خطی می تواند جایگزین مناسبی برای مدلهای دیگر باشد . در این مقاله با استفاده از آمار واقعی نتایج بدست آمده از ۳ رابطه معتبربرای محاسبه عمق آبشستگیCSU ) ) ( ، ملویل و سادرلند، لارسن و توچ ) با نتایج یک مدل شبکه عصبی مصنوعی بهینه و مقادیر مشاهداتی مقایسه شده است . برای مقایسه از توابعهدف MAE ، RMSE و R 2 استفاده شد . نتایج تحقیق حاکی از آن است که ANN از سرعت عمل و دقت قابل قبولی برخوردار بوده و نتایج بهتری نسبت به سایر مدل ها ارائه می دهد .