استفاده از سری های زمانی در شبکه های عصبی مصنوعی تکاملی به منظور ارزیابی آسیب پذیری در قاب بتنی خمشی
نویسندگان
چکیده مقاله:
پس از وقوع یک زلزله ، تصمیم گیری سریع در مورد ایمنی ساختمان،امکان ادامه بهره برداری از یکساختمان و تعیین موقعیت و میزان خرابی مورد نظر،بسیار مهم و حیاتی می باشد. امروزه تکنیک جدیداستفاده از مدل شبکه های عصبی مصنوعی تکاملی که مبتنی بر هوش مصنوعی می باشد کاربردگسترده ای در زمینه های مختلف علمی به ویژه مهندسی سازه و زلزله پیدا کرده است. در این مقاله یک1/5 تحلیل دینامیکی غیرخطی شده g 0/1 تا g قاب خمشی با 4 طبقه و 4 دهانه تحت سی رکورد از شتابو میزان آسیب کل قاب در هر رکورد و در هر شتاب محاسبه می گردد، سپس به تعیین خسارت بااستفاده از مدلهای شبکه عصبی مصنوعی تکاملی پرداخته می گردد. برای تعیین تعداد و تاخیر زمانیموثر داده های ورودی زلزله در مدلهای شبکه عصبی مصنوعی از روش همبستگی عرضیسریهای زمانی استفاده شد. با استفاده از الگوریتم ژنتیک ساختار مدلهای شبکه (Cross Correlation)عصبی مصنوعی از نظر تعداد لایه ها، تعداد گره ها در لایه پنهان، نوع تابع انتقال و الگوریتم یادگیریشبکه بهینه گردید. نتایج نشان می دهد که روشهای همبستگی عرضی به خوبی تعداد و تاخیر زمانیبه عنوان بهترین MLP موثر داده های ورودی را تعیین می نماید ، علاوه بر این با مقایسه خروجی مدلاز توانایی، MLP مدل با رگرسیون غیرخطی نسبت به شاخص پارک-انگ می توان نتیجه گرفت که مدلدقت و انعطاف پذیری مناسب تری برخوردار می باشند
منابع مشابه
کاربردهای شبکه های عصبی در پیش بینی سری های زمانی
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...
متن کاملریزمقیاس کردن مکانی – زمانی سری های زمانی بارش با استفاده از مدل ترکیبی موجک – شبکه عصبی مصنوعی
با توجه به نیاز شبیه سازی سری های زمانی بارش در مقیاس های مختلف برای مقاصد مهندسی از یک طرف و عدم ثبت این پارامترها در مقیاس های ریز بدلیل مشکلات اجرایی و اقتصادی از طرف دیگر، ریزمقیاس کردن بارش به مقیاس مورد نظر، یک امر ضروری می باشد. در این مطالعه، برای ریزمقیاس کردن سری زمانی بارش ایستگاه های تبریز و سهند، با توجه به ویژگی های غیرخطی مقیاس های زمانی، مدل ترکیبی موجک - شبکه عصبی مصنوعی (WANN)...
متن کاملپیش بینی قیمت جوجه یکروزه گوشتی در ایران با استفاده از شبکه عصبی مصنوعی و مدل های سری زمانی
متن کامل
مقایسه ی مدل های شبکه های عصبی مصنوعی و سری های زمانی برای پیش بینی قیمت گوشت مرغ در ایران
با توجه به اهمیت پیش بینی قیمت گوشت مرغ، در تحقیق حاضر قیمت این محصول با استفاده از روش ARIMA و شبکه های عصبی مصنوعی برای افق های زمانی یک ماهه، شش ماهه و دوازده ماهه پیش بینی گردید و این فرضیه که شبکه ی عصبی در پیش بینی قیمت گوشت مرغ از کارایی بیشتری نسبت به مدل های سری زمانی برخوردار است، مورد بررسی قرار گرفت. داده های مربوط به این متغیّر برای دوره ی زمانی1371:1 تا 1385:11 بوده و از شر...
متن کاملپیشبینی تراز آب دریاچه ارومیه با استفاده از روشهای سری زمانی، شبکه عصبی مصنوعی و شبکه عصبی- موجکی
دریاچه ارومیه دومین دریاچه شور جهان است و با توجه به معیارهای اجتماعی- اقتصادی و زیست محیطی نقش مهمی در منطقه شمالغرب ایران دارد که در سالهای اخیر با مشکلاتی مواجه شده است و به دلیل خشکسالی، استفاده بیش از حد آبهای سطحی و ساخت سدها تراز سطح آب آن کاهش یافته است. یکی از فاکتورهای مهم که در مدیریت صحیح در هر زمینهای، تأثیر دارد، داشتن یک دید و نگرش مناسب از اتفاقات آینده در آن زمینه...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 3 شماره 2( شماره 6 تابستان 1389)
صفحات 17- 26
تاریخ انتشار 2010-06-22
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023