شناسایی ظرفیت باربری خاک با استفاده از شبکه های عصبی مصنوعی:پایان نامه

دانلود پایان نامه

پایان نامه های عمران

عنوان کامل این پایان نامه :

 مدل پیش بینی مکانی ظرفیت باربری خاک با استفاده از شبکه های عصبی مصنوعی

تکه هایی از متن :

 

3-14 نقاط قوّت و محدودیتها

موارد زیر دلایلی هستند که بخاطر آنها، شبکه های عصبی مصنوعی تبدیل به یک ابزار محاسباتی جذاب شده اند:

  1. می توانندبدون هیچ ملاحضات فیزیکی خاصی،رابطه بین متغیرهای ورودی وخروجی راتشخیص دهند.
  2. حتی زمانی که مجموعه های آموزشی دارای نویز و خطای اندازه گیری هستند، بخوبی کار خود را انجام می دهند.
  3. قادرهستنند با گذشت زمان، با راه حل ها تطبیق پیدا تا تغییرات محیطی جبران گردد.
  4. از خصوصیات ذاتی پردازش اطلاعات دیگری برخوردارند و زمانیکه یکبار آموزش داده شوند، استفاده از آنها ساده خواهد بود.

در بسیاری از اوقات، مسائل به وضوح درک نشده یا برای تحلیلی معنی دار با استفاده از روشهای مبتنی بر فیزیک، به سختی قابل تعریف اند. حتی زمانیکه چنین مدلهایی قابل دسترس هستند، باید بر یکسری فرضیاتی تکیه کنند که این خود باعث می شود تا شبکه های عصبی مصنوعی جذاب تر به نظر برسند. از این گذشته، شبکه های عصبی مصنوعی به طور پیوسته غیر خطی بودن فرایندهای زیربنایی را مدلسازی می نمایند، بدون اینکه مجبور باشند درگیر حل معادلات دیفرانسل جزئی پیچیده گردند. برخلاف تکنیک های مبتنی بر رگرسیون، هیچ نیازی به فرضِ مفروضات در خصوص شکل ریاضیاتی رابطه  بین ورودی و خروجی نمی باشد. بدلیل پردازش توزیع شده در شبکه، وجود نویز در ورودی ها و خروجی ها توسط شبکه عصبی مصنوعی

مرتفع می گردد، بدون اینکه تأثیر شدیدی بر صحت نتیجه نهایی داشته باشد. این ویژگی، به همراه ذات غیرخطی تابع فعال سازی، حقیقتاً کلیت بخشی به توانایی های شبکه عصبی مصنوعی را پیشرفت داده و آنها را برای بازه گسترده ای از مسائل در مقوله علوم مهندسی تبدیل به گزینه ای مطلوب می نماید.

علی رغم اینکه مطالعات متعدد نشان می دهد که شبکه های عصبی مصنوعی بطور بالقوه ابزاری مفید در علوم مهندسی هستند، اما نباید معایب آنها نادیده گرفته شود. موفقیت یک شبکه عصبی مصنوعی بستگی به کمیت و کیفیت داده های قابل دسترسی دارد. این نیازمندی چیزی نیست که به سادگی بدست آید، چرا که بسیاری از بایگانی های سوابق در علوم مهندسی، به اندازه کافی به قبل برنمی گردند. بسیاری از اوقات، داده های پیش شرط برای این امر قابل دسترسی نبوده و لازم است تا توسط روش های دیگری از قبیل دیگر مدلهایی که بخوبی آزموده شده اند تهیه و تولید گردند. حتی زمانیکه بایگانی سوابق دراز مدت در دسترس است، ما مطمئن نیستیم که شرایط در طول آن بازه از زمان بدون تغییر باقی مانده باشد. بنابراین، مجموعه داده های بایگانی شده از یک سیستم، که نسبتاً پایدار و دست نخورده توسط فعالیتهای انسانی هستند، مطلوبِ این امر می باشند. نمایش تغییرات زودگذر اغلب بواسطه شامل نمودن ورودی و خروجی های گذشته بعنوان ورودیهای فعلی بدست می آیند. البته، بلافاصله مشخص نخواهد شد که چقدر باید به گذشته برگردیم تا تأثیرات موقت نیز شامل گردند. این موضوع، حاصل ساختار شبکه عصبی مصنوعی را پیچیده تر می کند. هنوز، یک محدودیت عمده شبکه های عصبی مصنوعی، در خصوص فقدان مفاهیم و روابط فیزیکی است. این قضیه تبدیل به یکی از دلایل اولیه برای برخوردی آمیخته با شک با این متدولوژی می باشد. همچنین، این حقیقت که هیچ روش استاندارد شده ای برای انتخاب معماری شبکه وجود ندارد، خود مسئله ای است که بر آن انتقادات زیادی وارد است. انتخاب معماری شبکه، الگوریتم فراگیری، و تعریف خطا معمولاً بجای اینکه بر اساس جنبه های فیزیکی مسئله تعریف شوند، مبتنی بر تجربه قبلی و ترجیح کاربر تعیین می گردند.

متن کامل پایان نامه در لینک زیر:

aroow-down-thesis-8

 دانلود متن کامل پایان نامه رشته عمران با فرمت ورد :مدل پیش بینی مکانی ظرفیت باربری خاک با استفاده از شبکه های عصبی مصنوعی

این نوشته در دسته‌بندی نشده ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.