پیش بینی خسارت لرزه ای سازه های خمشی فولادی به کمک شبکه عصبی

پیش‌بینی خسارت لرزه‌ای سازه‌های خمشی فولادی به کمک شبکه عصبی

تاکنون روابط مختلفی جهت محاسبه‌ خسارت لرزه‌ای سازه‌ها از ‌جمله شاخص‌های خسارت بر اساس شکل‌پذیری، استهلاک انرژی و ترکیب شکل‌پذیری و استهلاک انرژی ارائه شده ‌است. برای ارزیابی خسارت یک سازه در مقابل زلزله‌ای که تجربه می‌کند، نیاز به انجام تحلیل دینامیکی غیر خطی می‌باشد و چون این روش زمان طولانی برای به دست آوردن پاسخ سازه در مقابل بار لرزه‌ای نیاز دارد، در این مقاله ضمن ارائۀ شاخص جدیدی که شاخص خ...

پیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی

Optimization of machining parameters is very important and the main goal in every machining process. Surface finishing prediction is a pre-requirement to establish a center for automatic machining operations. In this research, a neuro-fuzzy approach is used in order to model and predict the surface roughness in dry turning. This approach has both the learning capability of neural network and li...

پیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی

پیش بینی زبری سطح یک پیش نیاز اساسی برای ایجاد یک مرکز ماشین کاری خودکار می باشد. بهینه سازی فرآیند ماشین کاری در این راستا از اهمیت خاصی برخوردار است. در این مقاله از رهیافت ترکیبی فازی- عصبی (سیستم استنتاج فازی- عصبی تطبیقی ANFIS) به منظور پیش بینی زبری سطح در تراش کاری خشک استفاده شده است. به طوری که داده های حاصل از آزمایش ها به منظور ایجاد قواعد فازی و ویرایش این قواعد به کمک شبکه های عصبی...

انتخاب نمودارهای بهینه در پیش بینی اشباع و تخلخل به کمک شبکه های عصبی مصنوعی

ارزیابی عملکرد لرزه ای قاب های خمشی بتن مسلح با استفاده از شاخص های خسارت

یکی از مهمترین مسایل در طراحی عملکردی، تعیین و پیش­بینی میزان خسارت وارد بر سازه­ها است که  بدین­منظور استانداردهای مبتنی بر عملکرد، سطوح و حدود مشخصی را ارائه نموده­اند. هدف از تحقیق حاضر ارزیابی این­ سطوح، با استفاده از مقایسه­ی شاخص­های خسارت در حالت دینامیکی و بارافزون و هم­چنین بررسی نحوه­ی عملکرد آیین­نامه­های آبا و 2800 در محدود نمودن خسارت وارد برسازه­ها است. بدین­منظور با طراحی چندین ق...

پیش بینی قیمت محصولات کشاورزی به کمک الگوهای شبکه عصبی مصنوعی و سری زمانی