بهینه سازی مدل رگرسیون بردار پشتیبان (SVR) با استفاده از الگوریتم بهینه سازی ازدحام ذره (PSO) به منظور پیش بینی مقاومت فشاری ۲۸ روزه بتن

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

 بهینه سازی مدل رگرسیون بردار پشتیبان (SVR) با استفاده از الگوریتم بهینه سازی ازدحام ذره (PSO) به منظور پیش بینی مقاومت فشاری ۲۸ روزه بتن دارای ۹ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد بهینه سازی مدل رگرسیون بردار پشتیبان (SVR) با استفاده از الگوریتم بهینه سازی ازدحام ذره (PSO) به منظور پیش بینی مقاومت فشاری ۲۸ روزه بتن  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 بهینه سازی مدل رگرسیون بردار پشتیبان (SVR) با استفاده از الگوریتم بهینه سازی ازدحام ذره (PSO) به منظور پیش بینی مقاومت فشاری ۲۸ روزه بتن،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن بهینه سازی مدل رگرسیون بردار پشتیبان (SVR) با استفاده از الگوریتم بهینه سازی ازدحام ذره (PSO) به منظور پیش بینی مقاومت فشاری ۲۸ روزه بتن :

تعداد صفحات :۹

چکیده مقاله:

بتن پراستفاده ترین ماده ساخت وساز در دنیاست. یکی از پارامترهای مهم مکانیکی بتن مقاومت فشاری آن است. مبنای پذیرش بتن،آزمایش مقاومت فشاری در عمر ۲۸ روزه است که بسیار تاثیرپذیر از طرح اختلاط آن است. با توجه به فراوانی این پارامترها،پیش بینی مقاومت فشاری بسیار دشوار به نظر می رسد. به همین دلیل روشهای هوشمند باقابلیت یادگیری از مثال ها در پیش بینیمقاومت فشاری بتن مورداستفاده قرار گرفت. بدین منظور در مقاله حاضر مجموعه ای از طرح اختلاط های مختلف بتن حاوی خاکستربادی جمع آوری گردید. با در نظرگیری پارامترهای طرح اختلاط به عنوان ورودی، از مدلسازی با استفاده از رگرسیون بردار پشتیبانبه منظور پیش بینی مقاومت فشاری بتن استفاده شد. در مدلسازی به کمک روشهای هوشمند، دقت پیش بینی تا حد زیادی وابستهبه پارامترهای یادگیری مدل میباشد؛ بنابراین از الگوریتم PSO برای یافتن پارامترهای بهینه در این مدل استفاده شد PSO یکالگوریتم قدرتمند مبتنی بر جمعیت و مورداستفاده در حل مسایل بهینه سازی پیوسته و گسسته است. مدل ترکیبی با استفاده از ۴۲۶داده آزمایشگاهی مورد آموزش و آزمایش قرارگرفته و نتایج حاصل از مدل بهوسیله معیارهای آماری سنجیده شد. مقایسه نتایجحاصل از مدلسازی با مقادیر واقعی عملکرد مناسب و دقت بالای روش ترکیبی SVR-PSO را نشان می دهد.