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
بررسی روشهای رگرسیون چندمتغیره خطی و شبکه عصبی مصنوعی جهت تعیین مقاومت فشاری تکمحوری و مدول الاستیسیتهی سنگ کنگلومرا
تعيين دقيق برخي از خواص مکانيکي سنگ ها، مانند مقاومت فشاری تک محوری (Uniaxial Compressive Strength, UCS) و مدول الاستيسيته (E)، به زمان و هزینه قابل توجهي برای جمع آوری و آماده سازی نمونه های مناسب و آزمون های آزمایشگاهي نياز دارد. بنابراین برای به حداقل رساندن زمان و هزینه مي توان از روابط تجربي كه به طور گستردهای برای برآورد خواص پيچيده سنگ ها از داده های حاصل از روش های آسان بهره مي گيرد، استفاده نمود. هدف از این مطالعه بررسي روش های شبکه عصبي مصنوعي (Artificial Neural Network, ANN) ورگرسيون چندمتغيره خطي (Multiple linear regression, MLR) به منظور برآورد UCS و E مي باشد. متغيرهای مستقل شاخص مقاومت بار نقط های ((50)Point Load Strength Index, Is )، سرعت موج (Pressure wave velocity, Vp) ، تخلخل (n)، چگالي (dγ) ودرصد رطوبت (water content, Wn) به عنوان پارامترهای ورودی به منظور پيش بيني متغيرهای وابسته (UCS و E) در هر دو روش استفاده شده اند. روش MLR ، UCS و E 1 را به ترتيب با ضرایب تعيين 58 = 2R 1/ و 31 = 2R پيش بيني نموده است. استفاده از شبکه عصبي پرسپترون چندلایه Multilayer Perceptron, MLP) 1) ، ضرایب تعيين را تا سطح قابل قبولي ( 95 = 2R برای UCS 1/ و 99 = 2R برای E) بهبود بخشيد. نتایج این مطالعه نشان مي دهد كه روش ANN ، عملکرد بهتری در پيش بيني UCS و E نسبت به روش MLR دارد.
کلمات کلیدی:
مقاومت فشاری تک محوری، مدول الاستیسیته، کنگلومرا، رگرسیون چندمتغیره خطی، شبکه عصبی
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
