پیش‌بینی ظرفیت بالابرندگی کیسونهای مکشی در بستر ماسه‌ای با استفاده از GMDH و GMDH - ANN
نویسندگان
چکیده مقاله:
کیسونهای مکشی، سازههای بزرگی هستند که بخش مهمی از سیستم مهاربندی و یا فونداسیون تاسیسات دریایی از قبیل اسکله ها، پل‌ها و نیروگاه‌ها را تشکیل میدهند. ظرفیت بالابرندگی کیسونها پارامتر مهمی در پایداری آنها می باشند. پنانچه این پارامتر به درستی پیش بینی نشود به شکست کل سازه منجر می‌گردد. اخیراً استفاده از روشهای هوشمند در پیش‌بینی ظرفیت بالابرندگی کیسونهای مکشی متداول شده است. یکی از این روش‌ها، دسته‌بندی گروهی داده‌ها[1] (GMDH) می‌باشد. در مقاله حاضر مدلی مبتنی بر روش هوشمند داده محور GMDH و روش هوشمند مختلط GMDH – ANN برای پیش‌بینی ظرفیت بالابرندگی کیسونها در قسمت برنامه‌نویسی نرم‌افزار MATLAB توسعه داده‌شده است. به‌منظور ارزیابی پیش‌بینی، نتایج مدلهای توسعه داده شده با چندین شاخص آماری و همچنین با نتایج دیگر روش‌ها مانند، شبکه عصبی مصنوعی و المان محدود مقایسه شده است. بررسی مقادیر شاخصهای آماری محاسبه شده و همچنین مقایسه نتایج بدست آمده با دیگرروشها بیانگر عملکرد مناسب مدلهای توسعه داده شده در پیش‌بینی ظرفیت بالابرندگی کیسونها میباشند [1] Group Method of Data Handling
منابع مشابه
تخمین ظرفیت برشی دیوار بنایی مقاوم سازی شده با ملات مسلح به الیاف با استفاده از روش ANN-GMDH
امروزه مواد پلیمری تقویت شده با الیاف (FRP) به عنوان یکی از سیستم های بهسازی رایج در سازه های موجود در نظر گرفته شده است. در مواردی مانند ناسازگاری این مصالح با ساختمان های تاریخی و میراث فرهنگی که در آن ها مصالحی نظیر FRP محدودیت هایی از خود بروز می دهند، نسل جدیدی از الیاف تقویت کننده ابداع شده است. پژوهشگران مصالح تقویت شده با الیاف (FRM) را به عنوان تقویت کننده های خارجی مورد بررسی قرار داد...
متن کاملSupervised ANN vs. Unsupervised SOM to Classify EEG Data for BCI: Why can GMDH do better?
Construction of a system for measuring the brain activity (electroencephalogram (EEG)) and recognising thinking patterns comprises significant challenges, in addition to the noise and distortion present in any measuring technique. One of the most major applications of measuring and understanding EGG is the brain-computer interface (BCI) technology. In this paper, ANNs (feedforward back-prop and...
متن کاملGMDH: An R Package for Short Term Forecasting via GMDH-Type Neural Network Algorithms
Group Method of Data Handling (GMDH)-type neural network algorithms are the heuristic self organization method for the modelling of complex systems. GMDH algorithms are utilized for a variety of purposes, examples include identification of physical laws, the extrapolation of physical fields, pattern recognition, clustering, the approximation of multidimensional processes, forecasting without mo...
متن کاملA GMDH-Based Traffic Flow Forecasting Model
Traffic flow forecasting, the core element of intelligent transportation system, plays an important role in traffic information services and traffic guidance. Since neural network prediction needs plenty of training samples, it cannot guarantee the real-timeness of traffic flow forecasting. In this paper, a GMDH network was constructed by self-organization, and the network was applied to traffi...
متن کاملGMDH-based networks for intelligent intrusion detection
Network intrusion detection has been an area of rapid advancement in recent times. Similar advances in the field of intelligent computing have led to the introduction of several classification techniques for accurately identifying and differentiating network traffic into normal and anomalous. Group Method for Data Handling (GMDH) is one such supervised inductive learning approach for the synthe...
متن کاملNeural Network Training Using a GMDH Type Algorithm
Authors have developed a Group Method of Data Handling (GMDH) type algorithm for designing multilayered neural networks. The algorithm is general enough that it will accept any number of inputs and any sized training set. Each neuron of the resulting network is a function of two of the inputs to the layer. The equation for each of the neurons is a quadratic polynomial. Several forms of the equa...
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 4 شماره 12
صفحات 21- 32
تاریخ انتشار 2017-08
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی برای این مقاله ارائه نشده است
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023