پس از انتخاب کلید عضویت در انتهای صفحه جدیدی که باز خواهد شد، اطلاعات خود را تکمیل و عضویت خود را تایید نمایید
درباره وب سايت
مرجع آموزش زمین شناسی، سنجش از دور، معدن و عمران
جامع ترین و معتبرترین آموزش برای نرم افزار های زمین شناسی، مهندسی معدن، ژئومکانیک (مکانیک سنگ و ژئوتکنیک)، عمران (خاک و پی)
............................................
رزومه مدرسان:دانشجویان کارشناسی ارشد و دکترا رشته های مهندسی معدن و عمران دانشگاه صنعتی امیرکبیر (پلی تکنیک) تهران
جهت آموزش حضوری و غیر حضوری (آنلاین و تهیه فیلم آموزشی) نرم افزار ها با شماره های زیر تماس حاصل فرمایید............................................
09157330367-09381295869 اسمعیلی-مدیریت وبسایت........ ................................................ در صورتی که موفق نشدید با شماره های فوق تماس حاصل فرمایید از طربق ایمیل زیر نیز می توانید در خواست خودتان را مطرح نمایید.......................................
raminesmaeili68@gmail.com
...................این سایت در ستاد ساماندهی پایگاه های اینترنتی به ثبت رسیده است و تمامی محصولات و خدمات این سایت حسب مورد دارای مجوز های لازم از مراجع مربوطه می باشد. همچنین فعالیت های این سایت تابع قوانین و مقررات جمهوری اسلامی ایران است
خبرنامه
براي اطلاع از آپيدت شدن وبلاگ در خبرنامه وبلاگ عضو شويد تا جديدترين مطالب به ايميل شما ارسال شود
اولین پکیج آموزشی کنکور دکتری مکانیک سنگ معدن (+پاسخ تشریحی سوالات 11 دوره اخیر کنکور) خرید آنلاین بیش از 55 ساعت فیلم آموزشی و دانلود بلافاصله پس از خرید
پيش بينی عملكرد ماشين های بازویی حفر تونل (رودهدر) با استفاده از مدل سازی عصبی- فازی، فازی و رگرسيون خطی
چكيده نرخ حفاری ماشین رودهدر یکی از شاخص های مهم در عملیات پیشروی در تونل ها و معادن زیرزمینی محسوب می شود. این پارامتر به دو عاملمهم مشخصات دستگاه و خواص ژئومکانیکی توده سنگ بستگی دارد و بر اساس آنها محققین مختلف، مدل های متنوعی را برای تعیین نرخ حفاریبه صورت تئوری و تجربی ارائه نموده اند. کاهش نرخ حفاری می تواند تبعات مختلفی همچون افزایش هزینه تجهیزات و سرویس دهی و طولانیشدن عمر حفاری را به همراه داشته باشد. با توجه به اهمیت مدیریت زمان و هزینه در پروژه های تونل سازی و معادن، پارامترهای تاثیر گذار بر اینعامل بایستی به گونه ای هماهنگ شوند تا نرخ حفاری در ماشین های بازویی به مقدار بهینه خود نزدیک شود. پارامترهای مختلفی بر نرخحفاریماشین رودهدر موثر می باشندکه مطالعه تاثیر هر یک از آنها بر این عامل به صورت واحد صحیح نیست بلکه باید تاثیر توامان آنها را در نظر گرفت.سیستم های انفیس، فازی و رگرسیون از جمله روش هایی هستند که با در نظر گرفتن مهم ترین عوامل موثر بر نرخ حفاری، می توانند سرعتحفاری ماشین بازویی را در عملیات حفاری تخمین بزنند. در این مقاله با استفاده از برداشت های میدانی ، پایگاه داده ای مربوط به 26 بخش از تونلپیشروی معدن مکانیزه پروده زغال سنگ طبس که عملا توسط ماشین رودهدر حفر شده اند، تهیه گردید. با مشخص نمودن متغیر های ورودی ومتغیر پاسخ در بین داده ها و کاربرد سیستم انفیس و فازی در نرم افزار متلب و رگرسیون، نرخ حفاری ماشین رودهدر در این معدن تحت شرایطمختلف حفاری پیش بینی شده است. هم چنین میزان ضریب تعیین یک به یک پارامترها نسبت به نرخ حفاری در نرم افزار spss بدست آمد کهمقدار آنها به ترتیب برای مقاومت فشاری تک محوری 298.6 ، مقاومت کششی برزیلی 29528 ، اندیس شکنندگی توده سنگ 29880 و زاویه بین امتداد تونل و ناپیوستگی 29.82 شده است. ضریب همبستگی کلینیز 29.00 می باشد.
بررسی مقایسه ای کاربرد شبکه عصبی مصنوعی و رگرسیون خطی در مدل تحلیل منطقه ای سیلاب
خلاصه برآورد دبی اوج سیلاب برای حوضه های فاقد ایستگاه در طراحی سازه های آبی از اهمیت زیادی برخوردار است. یکی از مهمترین روش های برآورد دبی اوج سیلاب در مناطق فاقد آمار روش تحلیل منطقه ای ) مدل بندی ( سیلاب می باشد. مدل بندی سیلاب بر اساس رابطه علت و معلولی و برقراری رابطه ریاضی بین سیلاب و عوامل تولید آن، مورد تایید بسیاری از پژوهشگران قرار گرفته است. در این تحقیق از قابلیت شبکه های مفهومی ) شبکه های عصبی مصنوعی( در شبیه سازی مشخصات فیزیوگرافیک و هیدرولوژیک حوضه آبریز جهت مدلسازی و پیش بینی دبی سیلاب حوضه استفاده شده است. نتایج حاصل از این مدل با نتایج روش رگرسیون که یکی از رایج ترین روش های مدل بندی منطقه ای سیلاب می باشد، مقایسه شدند . مطالعه موردی بر روی حوضه آبریز قزل اوزن سفیدرود، یکی از مهمترین حوضه های آبریز کشور و دارای رودخانه های پر آب و مهم، انجام گرفت. معماری مختلف شبکه های عصبی مصنوعی برای آموزش و تست شبکه مورد استفاده قرار گرفت و نتایج شبکه های ساخته شده با این توابع با هم مقایسه و بهترین شبکه پیش بینی سیلاب برای دبی با دوره بازگشت مختلف ارائه می شود. نتایج نشان دهنده دقت شبکه عصبی پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا میباشد. در انتها برای تعیین درجه اهمیت پارامترهای ورودی شبکه از آنالیز حساسیت استفاده شد و تاثیر ورودی های کم اثر شامل زمان تمرکز و طول آبراهه در خروجی شبکه مشخص شد . مقایسه نتایج حاصل نشان دهنده دقت بیشتر مدل سیستم شبکه عصبی در مقایسه باروش رگرسیون دارد.
واژه های کلیدی :
تحلیل منطقه ای سیلاب، شبکه عصبی مصنوعی (ANN) ، رگرسیون خطی، دبی اوج سیلاب، آنالیز حساسیت
نویسندگان :
هدیه فیاض بخش ، محمد رضا کاویانپور ، مهرنوش هدایتی زاده
این سایت در ستاد ساماندهی پایگاه های اینترنتی به ثبت رسیده است و تمامی محصولات و خدمات این سایت حسب مورد دارای مجوز های لازم از مراجع مربوطه می باشد همچنین فعالیت های این سایت تابع قوانین و مقررات جمهوری اسلامی ایران می باشد.
عضو شوید
عضویت سریع
آمار
مطالب
آمار بازدید
