استفاده از شبکه های عصبی مصنوعی در تحلیل خستگی در اتصالات لوله ای سازه های دریایی

اختصاصی از یارا فایل استفاده از شبکه های عصبی مصنوعی در تحلیل خستگی در اتصالات لوله ای سازه های دریایی دانلود با لینک مستقیم و پرسرعت .

• پایان نامه کارشناسی ارشد مهندسی عمران گرایش سازه های دریایی با عنوان: استفاده از شبکه های عصبی مصنوعی در تحلیل خستگی در اتصالات لوله ای سازه های دریایی 

• دانشگاه تربیت مدرس 

• استاد راهنما: دکتر علی اکبر آقاکوچک 

• پژوهشگر: علی فتحی 

• سال انتشار: زمستان 1382 

• فرمت فایل: PDF و شامل 195 صفحه

چکیــــده:

برای تخمین عمر باقیمانده سازه یک سکوی دریایی و تدوین برنامه زمان بندی بهینه جهت بازرسی و تعمیر در زیر آب، نیاز است تا آهنگ رشد ترک خستگی در اتصالات لوله‌ای به صورت مناسب پیش بینی شود. به دلیل کوچک بودن شعاع منطقه پلاستیک در نوک ترک خستگی، مکانیک شکست خطی و ضریب شدت تنش، ابزار مناسبی برای تعیین سرعت رشد ترک خستگی بشمار می‌رود. تاکنون راهکارهای متنوعی با استفاده از روش‌های مختلفی برای تعیین سرعت رشد ترک خستگی در اتصالات لوله‌ای بر اساس قانون رشد ترک پاریس معرفی شده‌اند که نتایج حل آنها منجر به ارائه معادلاتی برای تعیین ضریب اصلاح شدت تنش Y و ضریب بزرگنمایی جوش Mk شده است.

در این تحقیق قابلیت شبکه‌های عصبی مصنوعی در پیش بینی سرعت رشد ترک در اتصالات لوله‌ای T مورد ارزیابی قرار گرفته است. برای این منظور بازه رشد ترک به دو قسمت تقسیم شده است. در حالی که عمق ترک کمتر از 20% ضخامت جداره Chord است، به دلیل تاثیر پذیری عمده فرآیند رشد ترک از هندسه جوش، شبکه‌های عصبی نوع MLP برای پیش بینی ضریب بزرگنمایی جوش (در اتصال T-butt حاوی ترک در پنجه جوش) در دو منطقه عمق و انتهای ترک تحت تنش‌های غشایی و خمشی، طراحی شده و آموزش دیده است (داده‌های مورد استفاده برای آموزش و آزمون شبکه از نتایج موجود بدست آمده از روش اجزای محدود انتخاب شده است). در این قسمت ضریب Y را از روش Newman-Raju می‌توان محاسبه کرد و با ضریب Mk اصلاح نمود. در حالتی که عمق ترک بیش از ضخامت جداره Chord است، فرآیند رشد ترک بیشترین تاثیر را از هندسه اتصال و مد بارگذاری می‌پذیرد. در این قسمت، حل اختصاصی برای اتصال لوله‌ای T تحت بار محوری، انجام شده است که در آن شبکه عصبی از نوع RBF برای تخمین ضریب اصلاح شدت تنش در عمق ترک خستگی واقع در نقطه زینی اتصال T تحت بار محوری، طراحی شده و آموزش دیده است. اطلاعات ورودی برای این شبکه، نسبت عمق به عرض ترک و درصد رشد ترک در عمق جداره است. داده‌های استفاده شده برای آموزش و آزمون شبکه نتایج آزمایش روی شش اتصال T در مرکز NDE دانشگاه UCL است.

همچنین برای هر قسمت نتایج حل به کمک شبکه‌های عصبی با نتایج برخی روش‌های موجود مقایسه شده است.

______________________________

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

** توجه: در صورت مشکل در باز شدن فایل PDF ، نام فایل را به انگلیسی Rename کنید. **

** درخواست پایان نامه:

با ارسال عنوان پایان نامه درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن پایان نامه در سایت به راحتی اقدام به خرید و دریافت پایان نامه مورد نظر خود نمایید. **

پایان نامه شبکه های عصبی در هوش مصنوعی

اختصاصی از یارا فایل پایان نامه شبکه های عصبی در هوش مصنوعی دانلود با لینک مستقیم و پرسرعت .

  نوع فایل : Word

  تعداد صفحات : 147 صفحه

پایان نامه جهت اخذ مدرک کارشناسی ارشد رشته کامپیوتر و IT

چکیده :

این پایان نامه رشته کامپیوتر با عنوان شبکه های عصبی در هوش مصنوعی مقدمه ای بر شبکه های عصبی مصنوعی است گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت  میپردازیم.

فهرست : 

فصل اول:    شبکه عصبی

چکیده فصل : یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد  عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کندANN ها ،نظیر انسانها ، با مثال یاد می گیرند  یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود  در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است  این روش ANN ها هم می باشد.پ

یک شبکه عصبی مصنوعی چیست؟

سابقه تاریخی

چرا از شبکه های عصبی استفاده می کنیم ؟

مزیتهای دیگر شبکه های عصبی

شبکه های عصبی در مقابل کامپیوتر های معمولی

انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها

از سلول های عصبی انسانی تا سلول های عصبی مصنوعی

انواع یادگیری برای شبکه های عصبی

زمینه‌ای در مورد perceptron

 Perceptron های ساده

قدرت  Perceptron

دنباله‌های Perceptron

قضیه بنیادی دنباله‌ها

هوش جمعی

(Particle Swarm Optimitation(PSO

Particle swarm Optimitation Algorithm

فصل دوم:    یک شبکه عصبی جدید و کاربرد آن

چکیده فصل : به منظور بهبود توانایی مدلسازی و شناسایی سیستم های غیرخطی با شبکه های عصبی، خواص نورون ها ، قوانین آموزش و شکل شبکه ها ، مورد بررسی قرار گرفته است برای ایجاد شبکه های عصبی آشوبگونه، یک نورون آشوبی معرفی شده است توانایی عمل بر روی اطلاعات در شبکه های برگشتی به دلیل حضور حلقه های فیدبک، بیشتر از شبکه های معمولی است در آموزش شبکه برای مدلسازی ، از الگوریتم پس انتشار خطا استفاده شده است در مقایسه با شبکه های عصبی دیگر تعداد نورون لایه پنهان شبکه های آشوبگونه کمتر و توانایی تعمیم دهی آن ها بیشتر است از شبکه آشوبگونه برگشتی ارائه شده در مدلسازی ژنراتور سنکرون دریایی ، استفاده شده است در این فصلANN, ای با توانایی مطلوب جهت بررسی سیستم های غیرخطی ارائه شده است در مدلسازی سیستم ها ، توانایی تقریب به وسیله نورون ها ، شکل شبکه و قانون آموزش ، محدود می گردد چگونگی بهبود خاصیت ارگادیک ANN یک مسئله مهم جهت تحقیق و یررسی می باشد سیستم های آشوبگونه دارای مشخصاتی تصادفی هستند و الگوریتم آشوبی باعث ایجاد خاصیت قوی ارگادیک در شبکه می گردد.

مدلسازی ژنراتور سنکرون دریایی در زمینه شبیه سازی و کنترل real time  بسیار مفید می باشد مدل های مرسوم برای این ژنراتور اغلب با حل معادلات دیفرانسیل مرتبه بالایی سروکار دارند که حل آن ها با محاسبات DSP به صورت real time ، میسر نمی باشد به همین دلیل در اینجا ، مدلسازی و شناسایی این سیستم توسط ANN مورد توجه قرار گرفته است.

یک شبکه عصبی جدید و کاربرد آن

معرفی

نورون با خاصیت آشوبگونه

شکل شبکه

قانون آموزش شبکه

مدلسازی ژنراتور سنکرون دریایی

روش مدلسازی دینامیک

نتایج مدلسازی

نتیجه فصل

فصل سوم :  آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله

چکیده فصل : این فصل نتایج تجربی مدلسازی فعالیت آشوبگونه نوع خاصی از لزرش های عضلانی را توسط شبکه های عصبی ، ارائه می دهدوجود آشوب در خروجی شبکه به وسیله ایجاد طیف پیوسته فرکانسی از طریق افزایش فرکانس های گسسته ، قابل تایید می باشد شبکه مورد استفاده یک شبکه ساده برگشتی از نوع Elman است که نیازی به تغییر در روش آمورش ندارد.

معرفی

منحنی طول – کشش

شبکه های عصبی

ساختار برگشتی

مقایسه با مدل های دیگر

نتایج تجربی

نمودار دوشاخه شدن

حساسیت به شرط اولیه

تغییرات طیف

نتیجه فصل

فصل چهارم:   هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی

چکیده فصل : در این فصل مسئله هماهنگ سازی شبکه های عصبی آشوبگونه با اغتشاش تصادفی مورد بررسی قرار گرفته است بر اساس تئوری پایداری  Lyapunov و با استفاده نامساوی Halanay در مورد معادلات دیفرانسیل تصادفی ، مفهوم پاسخ – درایو و تکنیک های کنترل حلقه بسته تاخیر زمانی ، ضوابطی به دست آمده که هماهنگ سازی نمایی بین دو شبکه آشوبگونه و تاخیر یافته مشابه را به همراه اغتشاش تصادفی ، میسر می سازد این شرط ها به صورت یک سری نامساوی ماتریسی خطی بیان می شوند نهایتا از یک مثال برای نشان دادن اثر طرح پیشنهادی ، استفاده شده است.

معرفی

نمادها و مقدمات

نتایج مهم

نتیجه

شرح مثال

نتیجه

فصل پنجم : شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون

چکیده فصل : در این فصل روشی جهت شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforwardرگولاریزاسیون ، ارائه شده است روش رگولاریزاسیون می تواند عمومیت شبکه های feedforward را بهبود بخشد شبکه feedforward با سطوح مختلف نویز به وسیله پارامتر تنظیم ، train شده و ویژگی های اساسی آن جهت یادگیری سیستم های آشوبگونه ، مورد بررسی قرار گرفته است سپس مدل های شناسایی ارائه شده توسط بازسازی جذب کننده ها مورد ارزیابی قرار گرفته اند شبیه سازی های انجام شده توانایی مدل های شناسایی مورد نظر را در به دست آوردن سیستم آشویگونه اولیه و مشخصات دینامیک آن ، نشان می دهند.

معرفی

شبکه های feedforward رگولاریزاسیون

طراحی شبیه سازی

سیستم آشوبگونه مورد بررسی

تولید دیتا

روش های ارزیابی شبکه آموزش یافته

شبیه سازی ها

نتیجه 

فصل ششم : شبکه های عصبی و الگوریتم های ژنتیک در تجارت

چکیده فصل : ساختار این فصل به صورت زیر است‌: در ابتدا مروری بر پایه و اساس شبکه های عصبی و الگوریتم های ژنتیک خواهیم داشت و سپس به بازنگری جامعی بر کاربرد شبکه های عصبی و الگوریتم های ژنتیک در حوزه کسب و کار خواهیم پرداخت و نهایتا آن را با نتایج و پیشنهاداتی برای تحقیقات کاربردی آینده به پایان خواهیم رساند.

فناوری شبکه عصبی

فناوری الگوریتم ژنتیک

مقداری درس بیولوژی

الگوریتم ژنتیک در دنیای کامپیوتر

نکات مهم در الگوریتم های ژنتیک

نتیجه گیری‌

سیستم خبره

ساختار یک سیستم خبره‌

استفاده از  منطق فازی

کاربرد سیستم‌های خبره‌

مروری بر کاربردهای تجاری

سایر حوزه های تجاری

مزایای استفاده از این فناوریهای هوش مصنوعی

نتایج 

آنالیز و طراحی سازه های فضاکار گنبدی با شبکه های عصبی مصنوعی

اختصاصی از یارا فایل آنالیز و طراحی سازه های فضاکار گنبدی با شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پرسرعت .

• پایان نامه دکترای تخصصی مهندسی عمران گرایش سازه با عنوان: آنالیز و طراحی سازه های فضاکار گنبدی با شبکه های عصبی مصنوعی 

• دانشگاه علم و صنعت ایران 

• استاد راهنما: دکتر علی کاوه 

• پژوهشگر: مرتضی رئیسی دهکردی 

• سال انتشار: شهریور 1382 

• فرمت فایل: PDF و شامل 327 صفحه

چکیــــده:

شبکه های عصبی مصنوعی شاخه ای از هوش محاسباتی است و روز به روز نقش بارزتری در دنیای فنی - مهندسی پیدا می‌کند. علی رغم اینکه مدت زیادی از پیدایش و توسعه این روش محاسباتی نمی‌گذرد ولی بواسطه خصوصیات پردازشی خود نظیر توانایی تقریب توابع و نگاشت‌ها، دقت، مقاوم بودن، انعطاف پذیری و سهولت پیاده سازی بسرعت جا پای محکم و استواری در شاخه‌های مختلف مهندسی درکشورهای پیشرفته و صنعتی پیدا نموده است ولی متاسفانه ما در کشور در آغاز راه هستیم.

در این رساله بررسی کاربرد این ابزار محاسباتی قوی در پروسه تحلیل و طراحی دسته‌ای از سازه‌های بزرگ مقیاس موسوم به سازه‌های فضاکار گنبدی مدنظر است و تلاش شده که یک پیوند عمیق و منطقی بین مهندسی سازه و علم شبکه‌های عصبی مصنوعی برقرار شود. برای تحقق این هدف در فصل دوم سازه‌های فضاکار گنبدی معرفی و خصوصیات رفتاری، روش تاشه پردازی، بارگذاری، مشخصات مدل‌ها و ... آنها ارائه شده است. در فصل سوم بطور جامع در مورد اصول، مفاهیم، معماری و قوانین یادگیری شبکه‌های عصبی بحث و از بین الگوریتم‌های متفاوت، فرمولاسیون سه الگوریتم RBF، BP، SOM ارائه شده است. فصل چهارم به آنالیز و طراحی خطی سازه‌های گنبدی تحت بار قائم و بارباد بوسیله شبکه‌های عصبی اختصاص دارد. برای آماده سازی اطلاعات آموزشی و آزمایشی این فصل 1000 مدل سازه‌ای آنالیز، 200 مدل طراحی و مجموعا 3000 زوج اطلاعاتی تولید شده است. برای بررسی توانایی شبکه‌های عصبی در نگاشت اطلاعات ورودی - خروجی 570 شبکه با معماری و الگوریتم متفاوت طراحی، تربیت و آزمایش گردیده است. در فصل پنجم کارایی شبکه‌های عصبی در پردازش مدهای ارتعاشی سازه مورد توجه است. در این بررسی 100 مدل گنبد به روش مودال آنالیز شده و 43 معماری و الگوریتم متفاوت برای پردازش پریود مد اول سازه طراحی، تربیت و آزمایش شده است.

در این رساله برای اولین با کاربرد شبکه‌های عصبی مصنوعی در پردازش رفتار غیرخطی سازه‌ها مطرح گردیده است. در فصل ششم این ایده در تحلیل غیرخطی هندسی بافتار دیاماتیک از سازه‌های فضاکار گنبدی تک لایه استفاده شده است.

______________________________

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

** توجه: در صورت مشکل در باز شدن فایل PDF ، نام فایل را به انگلیسی Rename کنید. **

** درخواست پایان نامه:

با ارسال عنوان پایان نامه درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن پایان نامه در سایت به راحتی اقدام به خرید و دریافت پایان نامه مورد نظر خود نمایید. **

بررسی مقایسه ای کاربرد شبکه عصبی مصنوعی و رگرسیون خطی در مدل تحلیل منطقه ای سیلاب

اختصاصی از یارا فایل بررسی مقایسه ای کاربرد شبکه عصبی مصنوعی و رگرسیون خطی در مدل تحلیل منطقه ای سیلاب دانلود با لینک مستقیم و پرسرعت .

• مقاله با عنوان: بررسی مقایسه ای کاربرد شبکه عصبی مصنوعی و رگرسیون خطی در مدل تحلیل منطقه ای سیلاب 

• نویسندگان: هدیه فیاض بخش ، محمدرضا کاویانپور ، مهرنوش هدایتی زاده 

• محل انتشار: دهمین کنگره بین المللی مهندسی عمران - دانشگاه تبریز - 15 تا 17 اردیبهشت 94 

• فرمت فایل: PDF و شامل 7 صفحه می باشد.

چکیــــده:

برآورد دبی اوج سیلاب برای حوضه‌های فاقد ایستگاه در طراحی سازه‌های آبی از اهمیت زیادی برخوردار است. یکی از مهمترین روش‌های برآورد دبی اوج سیلاب در مناطق فاقد آمار روش تحلیل منطقه‌ای (مدل بندی) سیلاب می‌باشد. مدل بندی سیلاب براساس رابطه علت و معلولی و برقراری رابطه ریاضی بین سیلاب و عوامل تولید آن، مورد تایید بسیاری از پژوهشگران قرار گرفته است. در این تحقیق از قابلیت شبکه‌های مفهومی (شبکه‌های عصبی مصنوعی) در شبیه سازی مشخصات فیزیوگرافیک و هیدرولوژیک حوضه آبریز جهت مدلسازی و پیش بینی دبی سیلاب حوضه استفاده شده است. نتایج حاصل از این مدل با نتایج روش رگرسیون که یکی از رایج ترین روش‌های مدل بندی منطقه‌ای سیلاب می‌باشد، مقایسه شدند. مطالعه موردی بر روی حوضه آبریز قزل اوزن سفیدرود، یکی از مهمترین حوضه‌های آبریز کشور و دارای رودخانه‌های پر آب و مهم، انجام گرفت. معماری مختلف شبکه‌های عصبی مصنوعی برای آموزش و تست شبکه مورد استفاده قرار گرفت و نتایج شبکه‌های ساخته شده با این توابع با هم مقایسه و بهترین شبکه پیش بینی سیلاب برای دبی با دوره بازگشت مختلف ارائه می‌شود. نتایج نشان دهنده دقت شبکه عصبی پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا می‌باشد. در انتها برای تعیین درجه اهمیت پارامترهای ورودی شبکه از آنالیز حساسیت استفاده شد و تاثیر ورودی های کم اثر شامل زمان تمرکز و طول آبراهه در خروجی شبکه مشخص شد. مقایسه نتایج حاصل نشان دهنده دقت بیشتر مدل سیستم شبکه عصبی در مقایسه باروش رگرسیون دارد.

________________________________

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

** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **

کاربرد شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایین دست سرریز سیفونی

اختصاصی از یارا فایل کاربرد شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایین دست سرریز سیفونی دانلود با لینک مستقیم و پرسرعت .

• مقاله با عنوان: کاربرد شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایین دست سرریز سیفونی 

• نویسندگان: علی توکلی پسند ، ابراهیم جباری ، سروش بردبار ، محمود حمزه ضیابری 

• محل انتشار: هشتمین کنگره ملی مهندسی عمران - دانشگاه صنعتی نوشیروانی بابل - 17 و 18 اردیبهشت 93  

• محور: سازه های هیدرولیکی 

• فرمت فایل: PDF و شامل 8 صفحه می باشد.

چکیــــده:

یکی از مهمترین پدیده‌های مرتبط با سازه‌های هیدرولیکی، پدیده آبشستگی می‌باشد. آبشستگی در پایین دست سرریزها و دانشی که به کمک آن بتوان، دامنه گسترش حفره آبشستگی را پیش بینی نمود، با توجه به خطراتی که این پدیده برای پایداری سد دارد، همواره از موضوعات مورد توجه محققین بوده است. سرریز سیفونی نیز یکی از انواع سرریزها می‌باشد که با توجه به قابلیت‌های خاص خود در سدهای مختلفی طی قرن اخیر، مورد استفاده قرار گرفته است. در این تحقیق با جمع آوری داده‌های آزمایشگاهی و استفاده از سه نوع پرکاربرد شبکه‌های عصبی مصنوعی یعنی شبکه با تغذیه رو به جلو و الگوریتم پس انتشار خطا (FFBP) و شبکه CFBP با تابع آموزش Levenberg-Marquardt و شبکه تابع پایه شعاعی (RBFN) عمق آبشستگی در پایین دست سرریز سیفونی، تخمین زده شده است. شاخص‌های آماری عملکرد قابل قبول شبکه FFBP را با R2=0.94 و RMSE=0.06 در مقایسه با دو نوع دیگر شبکه عصبی و مدل های رگرسیونی خطی و غیر خطی نشان می‌دهد.

________________________________

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

** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **