CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

پیش بینی عدد لوژن به کمک شبکه عصبی مصنوعی و مقایسه آن با روش های آماری

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۳۱۴ | نظرات: ۰
سال انتشار: ۱۳۸۸
کد COI مقاله: JR_JEG-3-1_002
زبان مقاله: فارسی
حجم فایل: ۲۸۲.۸۹ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی عدد لوژن به کمک شبکه عصبی مصنوعی و مقایسه آن با روش های آماری

  سعیده خالصی مقدم - گروه زمین شناسی مهندسی دانشگاه تربیت مدرس
  ماشاءالله خامه چیان - گروه زمین شناسی مهندسی دانشگاه تربیت مدرس
محمدرضا امین ناصری - گروه مهندسی صنایع، دانشگاه تربت مدرس

چکیده مقاله:

برآورد ویژگی های هیدروژئولوژیکی توده سنگ و پیش بینی میزان جریان آب از بحث های حیاتی و جدی در مهندسی سنگ به شمار می رود. از آنجا که توده سنگ های درز و شکاف دار ناپیوستگی های مسیرهای اصلی جریان آب را به وجود می آورند مشخصات آنها تاثیر چشمگیری بر آب گذاری خواهد داشت. با وجود تحقیقات فراوان هنوز روش مناسبی که رابطه مشخصی بین همه پارامترها و میزان آب گذری برقرار کند وجود ندارد. امروزه شبکه های عصبی ابزار قدرتمندی برای حل مسائل پیچیده از قبیل پیش بینی، تشخیص الگو و طبقه بندی انواع متغیرها هستند. در این تحقیق به کمک نوعی شبکه عصبی مصنوعی، رفتار و مقدار آب گذاری توده سنگ های گرانودیوریتی ساختگاه سد شور-جیرفت از روی برخی ویژگی ناپیوستگی ها از جمله شاخص کیفی سنگ، فراوانی درزه ها، بازشدگی، چگالی وزنی درزه، زون های خرد شده و عمق پیش بینی شده است. رابطه این پارامترها با آب گذری با روش آماری رگرسیون چند متغیره نیز بررسی شده است. داده های به کار رفته در اموزش و آزمایش این شبکه عصبی شامل نتایج مربوط به 304 آزمایش لوژن در توده سنگ های گرانودیوریتی ساخت گاه سد شور-جیرفت است. شبکه عصبی پرسپترون چند لایه با قاعده پس انتشار خطا با الگوریتم آموزش Levenberg-Marquardt در این تحقیق استفاده شده است. این بررسی ها نشان می دهد که شبکه عصبی مصنوعی از توانایی فراوانی در حل چنین مسائلی برخوردار است.

کلیدواژه‌ها:

شبکه عصبی پرسپترون چند لایه، لوژن، ویژگی ناپیوستگی ها، رگرسیون چند متغیره، ساختگاه سد شور -جیرفت، پیش بینی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-JR_JEG-JR_JEG-3-1_002.html
کد COI مقاله: JR_JEG-3-1_002

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
خالصی مقدم, سعیده؛ ماشاءالله خامه چیان و محمدرضا امین ناصری، ۱۳۸۸، پیش بینی عدد لوژن به کمک شبکه عصبی مصنوعی و مقایسه آن با روش های آماری، فصلنامه زمین شناسی مهندسی 3 (1)، https://www.civilica.com/Paper-JR_JEG-JR_JEG-3-1_002.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (خالصی مقدم, سعیده؛ ماشاءالله خامه چیان و محمدرضا امین ناصری، ۱۳۸۸)
برای بار دوم به بعد: (خالصی مقدم؛ خامه چیان و امین ناصری، ۱۳۸۸)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۲۵۹۸۶
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
  • هوش مصنوعی > شبکه عصبی
  • اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.