مقاله ارائه مدلی غیر خطی برای پیش بینی عملکرد رودهدرها با استفاده از روش ماشین بردار پشتیبان

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

  مقاله ارائه مدلی غیر خطی برای پیش بینی عملکرد رودهدرها با استفاده از روش ماشین بردار پشتیبان دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله ارائه مدلی غیر خطی برای پیش بینی عملکرد رودهدرها با استفاده از روش ماشین بردار پشتیبان  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 ارائه مدلی غیر خطی برای پیش بینی عملکرد رودهدرها با استفاده از روش ماشین بردار پشتیبان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله ارائه مدلی غیر خطی برای پیش بینی عملکرد رودهدرها با استفاده از روش ماشین بردار پشتیبان :

تعداد صفحات:۸
چکیده:
ماشین های بازویی حفر تونل (رودهدرها) از آن دسته از ماشین هایی می باشند که قابلیت و انعطاف پذیری بینظیری در حفاری مکانیکی تشکیلات سنگی نرم تا مقاومت متوسط را دارا می باشند، از این رو به طور گسترده در معدن کاری زیرزمینی و تونل سازی مورد استفاده قرار می گیرند. ارزیابی و پیش بینی عملکرد رودهدرها عاملی بسیار مهم در کاربرد موفقیت آمیز آنها محسوب می شود .هدف اصلی این مقاله، ارائه مدلی برای پیش بینی عملکرد ماشین های رودهدر براساس نرخ نفوذ آنی ICR با استفاده از پارامترهای انرژی ویژه UCS, SE (مقاومت فشاری تک محوری سنگ بکر)، BTS (مقاومت کششی) و RQD (شاخص کیفیت سنگ) انجام شده است. برای این منظور داده های معدن زغال سنگ طبس، از یک بانک اطلاعاتی جامع با قابلیت اعتماد بالا از عملکرد رودهدرها و خصوصیات ژئومکانیکی تشکیلات سنگی مورد حفاری درتحلیل و بررسی دقیق مورد استفاده قرار گرفته است. پیش بینی مقدار ICR با استفاده از مدل سازی ماشین بردار پشتیبان بعنوان یک روش هوشمند مصنوعی در حل مسائل رگرسیون و طبقه بندی انجام شده است. نتایج مدلسازی نشان می دهد که ارتباط بسیار خوبی بین ICR مجموعه آموزش و متغیرهای سازنده مدل با مربع ضریب همبستگی R(2)=0/92 وجود دارد. همچنین مقدار مربع ضریب همبستگی برای داده های مجموعه تست برابر R(2)=0/92 بدست آمد که نشان دهنده توانایی بالای مدل در پیش بینی نمونه های خارج از آن است.