ترجمه فارسی عنوان مقاله
کاربردِ شبکه های عصبیِ مصنوعی برای مدل سازیِ محتوای حفره هوا در مخلوطِ سنگدانه متراکم شده
عنوان انگلیسی
The use of artificial neural networks for modeling air void content in aggregate mixture
کد مقاله | سال انتشار | تعداد صفحات مقاله انگلیسی |
---|---|---|
52525 | 2016 | 7 صفحه PDF |
منبع
Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)
Journal : Automation in Construction, Volume 63, March 2016, Pages 155–161
فهرست مطالب ترجمه فارسی
کلمات و ترکیب های کلیدی
چکیده
1.مقدمه
2.داده ها
3. شبکه های عصبی مصنوعی فید فوروارد
شکل. 1. تعیین outlier نشان داده.
شکل. 2. طرح شبکه عصبی مصنوعی.
3.1 برنامه ی NTR2003 و ابزارِ WEKA
جدول 1: شبکه های عصبیِ مصنوعی ِ استفاده شده
جدول 2: r2 و RMSE برای شبکه های عصبیِ مختلف و رگرسیون خطیِ چندگانه.
جدول 3: شبکه های عصبی مصنوعی استفاده شده.
4.نتایج
4.1 مدل ها
جدول 4: r2و RMSE برای شبکه های مختلف عصبی و رگرسیون خطی چندگانه
جدول 5: شبکه های عصبی مصنوعی استفاده شده.
جدول 6: r2و RMSE برای شبکه های مختلف عصبی و رگرسیون خطی چندگانه.
جدول 7: شبکه های عصبی مصنوعی استفاده شده
جدول 8: r2و RMSE برای شبکه های مختلف عصبی و رگرسیون خطی چندگانه
4.2 مباحثه
نمودار3. مفادیرِ حقیقی محاسبه شده ی محتوای حفره ی هوا در مخلوط سنگدانه متراکم و نیز مقادیری که با شبکه عصبی محاسبه شده اند Ann1
5. نتیجه گیری
ضمیمه 1
چکیده
1.مقدمه
2.داده ها
3. شبکه های عصبی مصنوعی فید فوروارد
شکل. 1. تعیین outlier نشان داده.
شکل. 2. طرح شبکه عصبی مصنوعی.
3.1 برنامه ی NTR2003 و ابزارِ WEKA
جدول 1: شبکه های عصبیِ مصنوعی ِ استفاده شده
جدول 2: r2 و RMSE برای شبکه های عصبیِ مختلف و رگرسیون خطیِ چندگانه.
جدول 3: شبکه های عصبی مصنوعی استفاده شده.
4.نتایج
4.1 مدل ها
جدول 4: r2و RMSE برای شبکه های مختلف عصبی و رگرسیون خطی چندگانه
جدول 5: شبکه های عصبی مصنوعی استفاده شده.
جدول 6: r2و RMSE برای شبکه های مختلف عصبی و رگرسیون خطی چندگانه.
جدول 7: شبکه های عصبی مصنوعی استفاده شده
جدول 8: r2و RMSE برای شبکه های مختلف عصبی و رگرسیون خطی چندگانه
4.2 مباحثه
نمودار3. مفادیرِ حقیقی محاسبه شده ی محتوای حفره ی هوا در مخلوط سنگدانه متراکم و نیز مقادیری که با شبکه عصبی محاسبه شده اند Ann1
5. نتیجه گیری
ضمیمه 1
ترجمه کلمات کلیدی
کلید واژه ها: شبکه های عصبی مصنوعی، مخلوط آسفالت، حفره هوا، مخلوط سنگدانه
کلمات کلیدی انگلیسی
Artificial neural network; Asphalt mixture; Air voids; Aggregate mixture
ترجمه چکیده
در بازه ی زمانی میان سالهای 1988 تا 2009، پایگاه داده ای ایجاد شد از مخلوط های متعدد مربوط به روکش های جاده ای که در انستیتوی مواد ساختمانیِ IGMATواقع در شهر لیوبلیانا (پایتخت جمهوری اسلوانی) موردِ آزمایش قرار گرفته بودند. این پایگاه داده از 17296 تجزیه و تحلیل درباره ی مخلوط سنگدانه ی متراکم، تشکیل شده است. در این کار، برای تخمینِ محتوایِ حفره ی هوا در مخلوط سنگدانه ی متراکم از شبکه های عصبی مصنوعی استفاده شد. این مخلوط سنگدانه ی متراکم از چندین تکه سنگ متعلق به 7 نوع مختلف از مخلوط های بتن آسفالت (AC 32, AC 22, AC 16, AC 11 PmB, AC 8, AC 8 PmB) تشکیل شده است که طبقِ EN 13108-1 تولید شده اند. هدف ِ اصلیِ این مقاله این است که رابطه ی میانِ پارامترهای مختلف و محتوای حفره ی هوا در مخلوط سنگدانه متراکم را با شبکه های عصبی مصنوعی و رگرسیون ِخطی چندگانه، مدل سازی نماید. روشِ پیشنهاد شده از شبکه های عصبیِ فید فروارد 1 همراه با الگوریتمِ خطای انتشارِ رو به عقب (ارور بک پراپوگیشن) 2 استفاده می کند. دو برنامه ی مختلف نرم افزار(ابزار) NTR2003 و WEKA مورد استفاده قرار گرفتند. قبل از مدل سازی محتوای حفره هوا در مخلوط سنگدانه متراکم، داده های خارج از محدوده ای که در میانِ داده ها وجود داشتند شناسایی شدند. سپس برای هر یک از مخلوط های آسفالت و همچنین برای تمامِ مخلوط ها با هم، رگرسیون خطی چندگانه و تجزیه و تحلیلِ شبکه عصبی مصنوعی انجام شد. به طور کلی مدل سازی محتوای حفره هوا در مخلوط های سنگدانه متراکم نشان داد که برای مواردی که به مخلوط آسفالت خاصی مربوط می شوند؛ مدل های خطی بهتر از مدل های شبکه عصبی مصنوعی کار می کنند. در تجزیه و تحلیل همگی مخلوط های آسفالت در کنار هم، شبکه های عصبی روابط حقیقیِ پنهاینی را میان ِ داده ها شناسایی کردند و از این جهت نسبت به مدل های خطی تاثیرگذار تر می باشند. شبکه های عصبیِ فید فروارد برای تخمینی مقدماتی از محتوای حفره ی هوا در مخلوط های سنگدانه متراکم ِ متعدد، کاملا مناسب هستند.