بهینه سازی سازه های فضاکار تحت اثر بار دینامیکی با شرایط غیر خطی به کمک شبکه عصبی

اختصاصی از یارا فایل بهینه سازی سازه های فضاکار تحت اثر بار دینامیکی با شرایط غیر خطی به کمک شبکه عصبی دانلود با لینک مستقیم و پرسرعت .

پایان نامه کارشناسی ارشد با عنوان: بهینه سازی سازه های فضاکار تحت اثر بار دینامیکی با شرایط غیر خطی به کمک شبکه عصبی
دانشگاه سیستم و بلوچستان
استاد راهنما: دکتر محمدرضا قاسمی – دکتر عیسی سلاجقه
پژوهشگر: علیرضا عباس زاده
بهار 1383
فرمت فایل: PDF و شامل 190 صفحه

چکیده:
طرح بهینه سازه‌ها عبارت است از تعیین متغییرهای طراحی با روشی معین به طوری که وزن سازه حداقل شود و همزمان قیود طراحی برقرار باشند. در طراحی بهینه سازه‌ها، تحلیل سازه در دفعات متوالی امری لازم است. بنابراین استفاده از روش‌های بهینه سازی متداول و روش‌های تحلیلی سر راست پیچیده بوده و در دفعات مکرر موجب افزایش قابل ملاحظه‌ای در حجم عملیات و زمان می‌گردد. هدف اساسی این پایان نامه، کاهش کلی حجم عملیات لازم جهت طراحی بهینه سازه‌های فضاکار با استفاده از نوعی شبکه عصبی موسوم به شبکه عصبی با ناظر اتوماتان می‌باشد. تلاش شده است تا شبکه‌های عصبی مناسبی را برای تحلیل هر سازه مورد نظر آموزش داده شود و در بهینه سازی، جانشین تحلیل واقعی سازه شود. برتری شبکه‌های عصبی بر روش‌های دیگر، سرعت بسیار زیاد آن‌ها در پاسخ دادن به داده‌هاست.
شبکه عصبی مصنوعی، یک ساختار ریاضی است که بین مجموعه‌ای از اعداد ورودی و مجموعه‌ای از اعداد خروجی، یک نگاشت برقرار می‌کند، به گونه‌ای که بتوانیم از مجموعه m عضوی ورودی، به مجموعه n عضوی خروجی برسیم. اساس کار بر این است که ما در ابتدا از تعدادی داده و مواد خام موجود استفاده کرده و شبکه را با آن‌ها آموزش می‌دهیم. داده‌های ما، یک دسته زوج شامل مجموعه ورودی و خروجی است که معمولاً از محاسبه یا از طریق تجربه و آزمایش بدست می‌آید. آموزش شبکه، یعنی دستیابی به شبکه و مشخصات آن، به نحوی که بتواند نگاشت مزبور را بین هر یک از داده‌های ورودی و داده خروجی مربوطه آن برقرار کند. این شبکه، پس از آموزش دیدن، می‌تواند به صورت ابزاری عمل کند که می‌تواند یک نگاشت را از هر ورودی جدید معرفی شده به شبکه برقرار کرده و از این طریق به خروجی نظیر آن، که همان جواب مسئله ما است، برسد. به عبارت دیگر، در اینجا نه با یک مدل ریاضی تحلیلی، بلکه با یک مدل ریاضی عددی مبتنی بر تجربیات قبلی سروکار داریم.
ترکیب مفاهیم شبکه‌های عصبی با تئوری اتوماتان، شبکه عصبی با نرخ یادگیری متغیر را شکل می‌دهد. در شبکه انتشار برگشتی معمولی به علت سرعت پایین آن آموزش دادن شبکه مشکل و احتیاج به زمان بیشتری دارد. با توجه به اینکه نرخ یادگیری در فرآیند آموزش نقش بسیار مهمی را بازی می‌کند، لذا انتخاب درست این مساله بسیار مهم است. به دلیل حساسیت نرخ یادگیری در این تحقیق از روشی جدید به نام نرخ یادگیری تطبیقی استفاده شده است. با توجه به اینکه بزرگ بودن نرخ یادگیری سبب ناپایداری شبکه و کوچک بودن آن سبب تنبلی شبکه می‌شود پس تعیین نرخ یادگیری بهینه از اهمیت زیادی برخوردار است و در این تحقیق برای مثال‌های مختلف روند تغییرات نرخ یادگیری بررسی شده است.
در این تحقیق همچنین برای جبران نقیصه ناپایداری شبکه‌ها از الگوریتم یادگیر اتوماتان به عنوان ناظر شبکه عصبی استفاده شده و به اهمیت و نقش آن در تربیت شبکه‌ها پرداخته شده است.



می توانید نمونه نمایشی شامل 20 صفحه نخست پایان نامه را از لینک زیر دریافت کنید.
http://omidcivil.persiangig.com/sellfile/202n.zip/download

مشاهده آنلاین و دریافت فایل نمونه:
https://drive.google.com/file/d/0B3BBM5yT_t4ZcXR6TWMwaDhkcjg


** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **