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

اختصاصی از کوشا 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. **

تحلیل و طراحی روسازی های انعطاف پذیر با شبکه های عصبی مصنوعی

اختصاصی از کوشا فایل تحلیل و طراحی روسازی های انعطاف پذیر با شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پرسرعت .

• پایان نامه کارشناسی ارشد مهندسی عمران گرایش راه و ترابری با عنوان: تحلیل و طراحی روسازی های انعطاف پذیر با شبکه های عصبی مصنوعی  

• دانشگاه علم و صنعت ایران  

• استاد راهنما: دکتر محمود عامری  

• پژوهشگر: محمد ملایم  

• سال انتشار: 1381  

• فرمت فایل: PDF و شامل 126 صفحه

چکیــــده:

طی دهه اخیر شبکه‌های عصبی مصنوعی بعنوان یک ابزار کارآمد، کاربرد قابل ملاحظه‌ای در اکثر رشته‌های مهندسی داشته‌اند. این پایان نامه ضمن ارائه کاربردهای شبکه‌های عصبی مصنوعی در طراحی روسازی‌های صلب و انعطاف پذیر به روش مکانیستیک با آموزش شبکه‌ای آن را بعنوان یک سیستم نوین در تحلیل سازه روسازی ارائه می‌دهد. از آنجا که در طراحی روسازی‌های انعطاف پذیر به روش مکانیستیک کرنش‌های کششی افقی زیر لایه رویه و کرنش‌های فشاری قائم روی خاک بستر بعنوان دو پارامتر عمده در طراحی سازه روسازی مدنظر هستند شبکه آموزش دیده قادر است دو پارامتر مذکور را با دقت قابل قبولی پیش بینی کند و چون این شبکه برای ارائه پاسخ‌های مورد نظر به تعداد پارامترهای ورودی کمتری نیاز دارد می‌توان از این سیستم بعنوان یک راه حل تقریبی در تحلیل سازه‌ای روسازی انعطاف پذیر سود جست.

______________________________

** 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 کوشا 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 

تعیین فرکانس طبیعی تیرهای کنسولی با استفاده از شبکه عصبی مصنوعی ترکیب شده با الگوریتم رقابت استعماری

اختصاصی از کوشا فایل تعیین فرکانس طبیعی تیرهای کنسولی با استفاده از شبکه عصبی مصنوعی ترکیب شده با الگوریتم رقابت استعماری دانلود با لینک مستقیم و پرسرعت .

• مقاله با عنوان: تعیین فرکانس طبیعی تیرهای کنسولی با استفاده از شبکه عصبی مصنوعی ترکیب شده با الگوریتم رقابت استعماری  

• نویسندگان: مهدی نیکو ، پنام زرفام  

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

• محور: سازه های فولادی  

• فرمت فایل: PDF و شامل 7 صفحه می‌باشد.

چکیــــده:

امروزه کنترل و کاهش ارتعاشات سقف ساختمان‌ها به مسئله‌ای مهم در فرآیند طراحی ساختمان تبدیل شده است. سقف‌ها در روش‌های قدیمی فقط برای حالت حدی نهایی طراحی می‌شدند. در این روش، فقط مقاومت تیر در نظر گرفته می‌شد. اما در طراحی به روش سرویس دهی، خیز و ارتعاش تیرها محدود می‌شود. که به دلیل تغییر تکنیک‌های طراحی، تغییر در بهره برداری از کف‌ها، حساسیت دستگاه‌های علمی و آزمایشگاهی به ارتعاش می باشد (گرامی، سیوندی پور و دالوند، 1391). الگوریتم رقابت استعماری یک الگوریتم مبتنی بر جمعیت تصادفی است که از ایده تکامل سیاسی - اجتماعی بشر الهام گرفته است. در این الگوریتم تعدادی کشور استعمارگر همراه با مستعمراتشان به جستجو برای یافتن نقطه بهینه عمومی برای حل مسئله بهینه سازی می‌پردازند. در این مقاله از 100 نمونه با خصوصیات مختلف استفاده شده است. که فرکانس تمامی نمونه‌ها با استفاده از تحلیل دینامیکی و روش اجزاء محدود به دست آمده است. شبکه‌های مورد استفاده در این تحقیق شبکه Feed Forward می‌باشد. در این مدل ها از 100 الگو برای مطالعه، 70 درصد الگوها (70 الگو) برای آموزش و 30 درصد الگوها (30 الگو) برای تست استفاده شده است. بدین منظور پارامترهای طول تیر، ممان اینرسی، مقدار بار روی تیر به عنوان ورودی در نظر گرفته شده و با استفاده از این مدل مقدار فرکانس مد اول در تیرهای کنسولی فولادی محاسبه می‌گردد. همچنین با استفاده از الگوریتم رقابت استعماری وزن‌های شبکه عصبی مصنوعی بهینه می‌گردد. نتایج نشان می‌دهد که شبکه عصبی مصنوعی که وزن‌های آن با الگوریتم رقابت استعماری بهینه شده است از توانایی، انعطاف پذیری و دقت مناسبی در تعیین فرکانس طبیعی تیرهای کنسولی فولادی برخوردار می‌باشد.

________________________________

** 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. **

تحلیل و طراحی خرپای مستوی بوسیله شبکه های عصبی مصنوعی

اختصاصی از کوشا فایل تحلیل و طراحی خرپای مستوی بوسیله شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پرسرعت .

• پایان نامه کارشناسی ارشد مهندسی عمران با عنوان: تحلیل و طراحی خرپای مستوی بوسیله شبکه های عصبی مصنوعی 

• دانشگاه علوم و فنون مازندران 

• استاد راهنما: دکتر علی کاوه 

• پژوهشگر: محمدرضا وکیلی 

• سال انتشار: پاییز 1376 

• فرمت فایل: PDF و شامل 208 صفحه

چکیــــده:

در طراحی بهینه سازه‌ها لازم است که سازه را در دفعات متوالی و با تغییر هندسه و مشخصات سازه‌ای تحلیل نمود. اگر چنانچه تحلیل مجدد با استفاده از روش‌های دقیق انجام گیرد در آن صورت مدت زمان محاسبه توسط کامپیوتر برای بهینه سازی بطور قابل ملاحظه‌ای افزایش می‌یابد. در چنین شرایطی روش‌های تقریبی تحلیل سازه جانشین مناسبی برای تحلیل دقیق می‌باشند.

دستیابی به روش آنالیز تقریبی و در عین حال دقیق خصوصاً برای ساختمان‌هایی که از لحاظ سازه‌ای شکل استاندارد داشته و منظم هستند بسیار مطلوب می‌باشد. در این پایان نامه کاربرد شبکه‌های عصبی بعنوان یک روش تقریبی برای تحلیل و طراحی بهینه خرپای مستوی بررسی می‌شود و در کنار آن مطالبی چون توپولوژی شبکه، نحوه تهیه زوج‌ها و طریقه آموزش آن مطرح می‌گردد.

______________________________

** 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. **