پیش بینی نرخ نفوذ ماشین حفرتونل ؛ مقایسه نتایج روشهای رگرسیون خطی چند متغیره شبکه عصبی و سیستم استنتاج تطبیقی فازی عصبی

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,287

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITC09_109

تاریخ نمایه سازی: 12 آذر 1390

چکیده مقاله:

ماشینهای حفار تمام مقطع از مهمترین ماشین های حفاری درتونلها و فضاهای زیرزمینی به شمار می رود به دلیل قیمت بالای ماشین ارزیابی عملکرد دراین روش حفاری از اهمیت ویژه ای برخوردار است بنابراین مهمترین شاخص ارزیابی عملکرد ماشین حفر تونل نرخ نفوذ این دستگاه می باشد روشهای متنوعی برای پیش بینی نرخ نفوذ وجود دارد روشهای رگرسیون خطی چند متغیره شبکه عصبی و سیستم استنتاج تطبیقی فازی عصبی از روش هایی با کارایی بالا در مدلسازی و تشخیص الگو در داده ها می باشند دراین تحقیق با بکارگیری روش رگرسیون خطی شبکه عصبی و سیستم استنتاج تطبیقی فازی عصبی به پیش بینی نرخ نفوذ ماشین حفر تونل برای تونل انتقال آب کوئینز در نیویورک پرداخته است.

نویسندگان

عبدالرضا یزدانی چمزینی

کارشناس ارشد مهندسی معدن دانشگاه تربیت مدرس

سیدمحمد هاشمی ریزی

کارشناسی ارشد مهندسیمعدن دانشگاه تربیت مدرس

محمد جوادی

کارشناسی ارشد مهندسی معدن

آزیتا سعیدی

دانشجوی کارشناسی ارشد مهندسی معدن

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Rame zanzadeh, _ Rostami, J., Kastner, R. Performance Prediction Models ...
  • صالحی، بهرام، فن تونل زنی با .TBM انتشارات صانعی. چاپ ...
  • یزدانی چمزینی، عبدالرضا؛ پیش بینی قیمت فلزات گران بها با ...
  • Hamidi, J. Kh., Shahriar, K., Rezai, B., Rostami, J., (2010). ...
  • Gong, Q.M., Zhao, J., (2007). "Influence of [2] rock brittleness ...
  • Underground Space Technology 22, pp. 317- 324. ...
  • Underground Space Technology 23, pp. 326- 339. ...
  • Sapigni, M., Berti, M., Bethaz, E., Busillo, A., Cardone, G., ...
  • Intellience in Time Series Forecasting; Theory and Engineering Applications, Springer, ...
  • Computational Approach to Learning and Machine Intellience. Upper Saddle River: ...
  • Fuller, R., Neural Fuzzy Systems, ISBN: 951- [11] 650-624, ISSN: ...
  • Babuska, R., Fuzzy and Neural Control, Disc [12] Course Lecture ...
  • Ele ctromagnetic Field Around Overhead Power Transmission Lines; FACTA UNIVERSITA ...
  • Jang, J.S. R. ANFIS: Adap tive -network-based [14] fuzzy inference ...
  • Berenji, H.R., A reinforcement learning-based [15] architecture for fuzzy logic ...
  • engineering, University of South Australia, 2004, pp. 1-10. ...
  • نمایش کامل مراجع