تعیین ظرفیت باربری پی نواری واقع بر ماسه مسلح شده با استفاده از الگوریتم ماشین بردار پشتیبان SVM با استفاده از کرنل های خطی و چند جمله ای

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

 تعیین ظرفیت باربری پی نواری واقع بر ماسه مسلح شده با استفاده از الگوریتم ماشین بردار پشتیبان SVM با استفاده از کرنل های خطی و چند جمله ای دارای ۱۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد تعیین ظرفیت باربری پی نواری واقع بر ماسه مسلح شده با استفاده از الگوریتم ماشین بردار پشتیبان SVM با استفاده از کرنل های خطی و چند جمله ای  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 تعیین ظرفیت باربری پی نواری واقع بر ماسه مسلح شده با استفاده از الگوریتم ماشین بردار پشتیبان SVM با استفاده از کرنل های خطی و چند جمله ای،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن تعیین ظرفیت باربری پی نواری واقع بر ماسه مسلح شده با استفاده از الگوریتم ماشین بردار پشتیبان SVM با استفاده از کرنل های خطی و چند جمله ای :

تعداد صفحات :۱۶

چکیده مقاله:

پیش بینی ظرفیت باربری پی های واقع برخاک ماسه ای مسلح شده یکی از مسایل اساسی درمهندسی ژیوتکنیک می باشد و تاکنون روشهای متفاوتی برای ارزیابی آن ارایه شدها ست این مساله زمانی که پی واقع برخاک چندلایه باشد به مساله پیچیده تری تبدیل میشود که دراغلب موارد ازمیانگین گیری وزنی برای تعیین ظرفیت باربری پی استفاده میگردد به علت صرف وقت و هزینه زیاددرروشهای ازمایشگاهی به نظر می رسد که تقاضای مدلهای عددی برای پیش بینی ظرفیت باربری توسعه یافته است و کارایی روشهای ماشین بردارپشتیبان درارزیابی پدیده های ژیوتکنیکی درپژوهشهای گوناگونی ذکر شدها ست دراین مقاله ازالگوریتم هوش مصنوعی SVM بهره گرفته شدها ست علاوه براین ازکرنلهای خطی و چندجمله ای برای پیشبینی مقادیر ظرفیت باربری استفاده شدها ست به منظور بوجود اوردن مدل و تصدیق اجرای الگوریتم حدود ۸۰درصد ازداده ها بصورت تصادفی به عنوان داده های آموزشی و بقیه به عنوان داده های آزمایش به الگوریتم داده شد نتایج بدست آمده نشان داد که روش SVM توانایی پیشگویی بالایی برای این مطالعه دارد علاوه براین ضریب همبستگی r2 بادقتی به ترتیب برابر با ۰.۹۶۹۶ و ۰.۹۸۴۱بااستفاده ازکرنلهای خطی و چندجمله ای تعیین گردیده است