تعیین ظرفیت باربری پی نواری واقع بر ماسه مسلح شده با استفاده از الگوریتم ماشین بردار پشتیبان SVM با استفاده از کرنل RBF

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 RBF 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 RBF  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 RBF،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 RBF :

تعداد صفحات :۱۶

چکیده مقاله:

پیش بینی ظرفیت باربری پی های واقع بر خاک ماسه ای مسلح شده یکی از مسایل اساسی در مهندسی ژیوتکنیک می باشد و تاکنون روش های متفاوتی برای ارزیابی آن ارایه شده است. این مسیله زمانی که پی واقع بر خاک چندلایه باشد به مسیله پیچیده تری تبدیل می شود که در اغلب موارد از میانگین گیری وزنی برای تعیین ظرفیت باربری پی استفاده می گردد. به علت صرف وقت و هزینه زیاد در روش های آزمایشگاهی بنظر می رسد که تقاضای مدل های عددی برای پیشبینی ظرفیت باربری توسعه یافته است و کارآیی روش های ماشین بردار پشتیبان در ارزیابی پدیده های ژیوتکنیکی در پژوهش های گوناگونی ذکر شده است. در این مقاله از الگوریتم هوش مصنوعی SVM بهره گرفته شده است. علاوه بر این از کرنل تابع پایه شعاعی RBF برای پیشبینی مقادیر ظرفیت باربری استفاده شده است. به منظور بوجود آوردن مدل و تصدیق اجرای الگوریتم، حدود ۸۰ درصد از داده ها به صورت 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 بر این ضریب همبستگی (R(2 با دقتی برابر ۰.۹۸۷۱ با استفاده از کرنل تابع پایه شعاعی RBF تعیین گردیده است.