فهرست مقالات شبکههای عصبی

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - تخمین هدایت هیدرولیکی اشباع در برخی از خاکهای استان ایلام با استفاده از شبکههای عصبی مصنوعی و روشهای رگرسیونی
  علی حکمت زاد مسعود داوری محمدعلی محمودی کمال نبی الهی
  هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار چکیده کامل

  هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار بوده و در سطوحبزرگ نیز غیرعملی است. افزون بر این، بهدلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازهگیریها غیرقابل اعتماد هستند. یکی از راههای غلبهبر این مشکل، استفاده از روشهای غیرمستقیم همچون توابع انتقالی خاک میباشد. از آنجایی که تاکنون در منطقه موردمطالعه توابعی انتقالی جهت برآورد Ks پیشنهادنشده است؛ لذا در این پژوهش با استفاده از شبکههای عصبی مصنوعی و رگرسیونهای آماری و بهرهگیری از تعدادی محدود یا مجموعهای وسیعتر از ویژگیهایزودیافت خاکی، توابعی انتقالی برای برآورد Ks تبیین و کارآیی آنها ارزیابی شد. بدین منظور، هدایت هیدرولیکی اشباع 95 نقطه محل از زیرحوزههای آبخیز چرداول -چمشیر در استان ایلام با استفاده از پرمامتر گلف اندازهگیری شد. همچنین برخی از ویژگیهای زودیافت خاک این نقاط مطالعاتی نیز تعیین شد. سپس اعتبار توابعاشتقاق یافته در تعیین Ks ، با استفاده از جذر میانگین مربعات خطا ) RMSE (، میانگین خطا ) ME ( و ضریب همبستگی پیرسون ) r ( ارزیابی شد. با توجه به نتایج، Ksبا میانگین هندسی قطر ذارت و مقدار شن دارای بیشترین همبستگی بود )بهترتیب دارای r معادل 58 / ۰ و 56 / ۰(. نتایج نشان داد در صورت دسترسی به تعداد کمی ازویژگیهای زودیافت خاکی، توابع انتقالی رگرسیونی و شبکه عصبی مصنوعی میتوانند Ks را با دقت نسبتاً خوبی پیشبینی کنند )به ترتیب دارای85 / ۰ = rR-val ، mm/hr 81 / 6 = RMSER-val و 87 / ۰ = rANN-test ، mm/hr 8۰ / 1۰ = RMSEANN-test (. این در حالی است که با توجه به نتایج، در صورت استفاده از ویژگیهای زودیافت بیشتر، دقت پیشبینی Ks توسط مدل شبکه عصبی در هر دو مرحله آموزش و آزمون افزایش یافت ) 92 / ۰ = rtrain ،mm/hr 36 / 4 = RMSEtrain و 89 / ۰ = rtest ، mm/hr 17 / 7 = RMSEtest (. در مجموع نتایج نشان دادند که شبکههای عصبی مصنوعی در مقایسه با مدلهای رگرسیونی خطی دارای کارآیی نسبتاً بهتر در تخمین هدایت هیدرولیکی اشباع خاک میباشند. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM
  محبوبه شادابی بجند ابراهیم امیری
  10.30495/jest.2022.54871.5157
  زمینه و هدف: برآورد مناسب از میزان رسوب جاری شده در رودخانهها به عنوان مبنای داده¬ای برای بسیاری از طرحها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه¬های آبی بسیار مهم در غرب استان گیلان می باشد. رودخانه قلعه رودخان از دو شاخه (حیدرآلات) چکیده کامل

  زمینه و هدف: برآورد مناسب از میزان رسوب جاری شده در رودخانهها به عنوان مبنای داده¬ای برای بسیاری از طرحها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه¬های آبی بسیار مهم در غرب استان گیلان می باشد. رودخانه قلعه رودخان از دو شاخه (حیدرآلات) و (نظر آلات) تشکیل شده است. از همین رو، هدف از انجام این پژوهش، مدل-سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) است. روش بررسی: در این تحقیق از آمار دبی ـ رسوب ثبت شده مربوط به دوره آماری سال 1381 تا 1395 استفاده شده است. این آمار شامل دبی لحظه ای روزانه به مترمکعب بر ثانیه و رسوب روزانه لحظه ای به تن در روز است که همزمان اندازه گیری شده اند. متغیرهای تحت بررسی در مدلسازی پیش بینی مستلزم ايجاد يک شبکه عصبي مصنوعي، وجود يک سري داده، به منظور مدلسازي در اين شبکه مي باشد. یافته ها: دقت پیش بینی های انجام شده با سه معیار خطا بررسی شد. سه معیار مورد بررسی به ترتیب AFE، FFE و n-AFE هستند. بحث و نتیجهگیری: نتایج به دست آمده نشان داد که از میان معیارهای مورد بررسی معیار FFE همبستگی میان خروجی مدل و داده¬های اندازه¬گیری شده رسوب مناسب می باشد. در نتیجه مدل LSTM دارای دقت مناسب برای پیش بینی مقدار رسوب دو رودخانه قلعه رودخان می باشد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - توصیف هوشمند پارامترهای پتروفیزیکی مخزن آسماری، میدان نفتی اهواز
  حبیب آخوندی محمدرضا کمالی علی کدخدایی میثم راهداری
  تخلخل و تراوایی از مهمترین خصوصیات مخازن هیدروکربوری میباشند. در مطالعهی حاضر از روشهای محاسباتی هوشمند شبکههای عصبی، که امروزه در صنعت نفت بسیار رایج شده، برای تخمین تخلخل و تراوایی سازند آسماری استفاده شده است. بنابراین با استفاده از نرم افزار متلب، دادههای مغزه و نمو چکیده کامل

  تخلخل و تراوایی از مهمترین خصوصیات مخازن هیدروکربوری میباشند. در مطالعهی حاضر از روشهای محاسباتی هوشمند شبکههای عصبی، که امروزه در صنعت نفت بسیار رایج شده، برای تخمین تخلخل و تراوایی سازند آسماری استفاده شده است. بنابراین با استفاده از نرم افزار متلب، دادههای مغزه و نمودارهای چاهپیمایی، شبکهی تخلخل و تراوایی طراحی شد. شبکههای مذکور با استفاده از الگوریتم پس انتشار خطا و شبکهی پیشخور توسعه یافت. پس از مقایسهی نتایج حاصل از این شبکهها با تخلخل و تراوایی مغزه، پارامترهای مؤثّر در شبکه طوری تنظیم شد تا نتایج مطلوب بدست آید . ضریب همبستگی بین تخلخل و تراوایی اندازهگیری شده از مغزه با تخلخل و تراوایی تخمینزده شده از شبکهی عصبی به ترتیب 92/0 و 82/0 بدست آمد. این نتایج نشان میدهند که تخلخل و تراوایی محاسبه شده با مدل هوشمند شبکهی عصبی در حد قابل قبولی است. بنابراین نتایج این شبکهها به چاه شماره 3 که فاقد اطّلاعات مغزه بود تعمیم داده شد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  4 - بررسی عملکرد شبکه‌های عصبی مصنوعی در پیش‌بینی کارایی سرمایه فکری
  علی فاضل یزدی روح الله تقی زاده مهریزی محمدحسین طحاری مهرجردی
  سرمایه¬ فکری به عنوان سرمایه واقعی و یکی از مهمترین سرمایه¬های سازمانها و شرکتهای عصر حاضر مطرح است. هدف از اجرای این تحقیق بررسی عملکرد شبکه¬های عصبی مصنوعی در پیش¬بینی کارایی سرمایه فکری شرکت¬های پذیرفته شده در بورس اوراق بهادار می باشد. در این تحق چکیده کامل

  سرمایه¬ فکری به عنوان سرمایه واقعی و یکی از مهمترین سرمایه¬های سازمانها و شرکتهای عصر حاضر مطرح است. هدف از اجرای این تحقیق بررسی عملکرد شبکه¬های عصبی مصنوعی در پیش¬بینی کارایی سرمایه فکری شرکت¬های پذیرفته شده در بورس اوراق بهادار می باشد. در این تحقیق ابتدا با استفاده از مدل تحلیل پوششی داده¬ها و با در نظر گرفتن متغیر ضریب ارزش افزوده سرمایه فکری به عنوان ورودی مدل و سه متغیر بازده سهام، نرخ بازده دارایی¬ها و نرخ بازده حقوق صاحبان سهام به عنوان متغیرهای خروجی مدل به بررسی کارایی سرمایه فکری شرکت¬های منتخب در بین سال¬های 1385 تا 1389 پرداخته شد. در مرحله بعد، از رویکرد شبکه¬های عصبی پرسپترون چند لایه، جهت پیش¬بینی کارایی سرمایه فکری شرکت¬ها استفاده شده است. نتایج ارزیابی نشان داد که الگوی شبکه-های عصبی مصنوعی از دقت بالایی در پیش¬بینی کارایی سرمایه فکری شرکت¬های پذیرفته شده در بورس اوراق بهادار برخوردار می¬باشد. پرونده مقاله