برآورد بیشینه شتاب زمین به روش ماشین بردار پشتیبان و شبکه عصبی شعاع محور

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 308

فایل این مقاله در 12 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:

JR_CER-2-2_001

تاریخ نمایه سازی: 11 خرداد 1398

چکیده مقاله:

یکی از روش های مناسب جهت بررسی زلزله های مختلف و تعیین میزان خطرپذیری در هر منطقه پیش بینی پارامترهای جنبش نیرومند زمین می باشد که نقش مهمی را در ارزیابی اثرات زلزله در طراحی پروژه های مهندسی ایفا می کند. در پژوهش حاضر از مدل ماشین بردار پشتیبان و شبکه عصبی شعاع محور که از تکنیک های هوش مصنوعی هستند برای برآورد بیشینه شتاب زمین استفاده شده است. بدین منظور از پارامترهای لرزه ای شامل بزرگای زلزله، فاصله محل رخداد زلزله تا سایت، عمق کانونی زلزله و شدت زلزله به عنوان پارامترهای ورودی مدل های ماشین بردار پشتیبان و شبکه عصبی شعاع محور استفاده شده است. مقایسه نتایج برآورد بیشینه شتاب زمین با ماشین بردار پشتیبان و شبکه عصبی شعاع محور با روابط کاهندگی تجربی و روش های رگرسیون بیانگر آن است که روش ماشین بردار پشتیبان و شبکه عصبی شعاع محور ارائه شده می توانند ارتباط مناسبی را میان مقادیر مشاهداتی و محاسباتی برقرار نمایند. همچنین این روش ها از دقت بالاتری نسبت به روش های کلاسیک پیشین برخوردار هستند به طوری که ضریب تبیین برای روش ماشین بردار پشتیبان 996/0 و شبکه عصبی شعاع محور 997/0 و برای روش های رگرسیونی خطی و رگرسیونی غیرخطی به ترتیب 790/0 و 153/0 می باشد.

کلیدواژه ها:

مدل های داده کاوی ، ماشین بردار پشتیبان ، شبکه عصبی شعاع محور ، حداکثر شتاب زمین

نویسندگان

مهدی کماسی

استادیار، دانشکده فنی و مهندسی، دانشگاه آیت ا...العظمی بروجردی (ره)

سحر آزادی چگنی

دانشجوی کارشناسی ارشد سازه، دانشکده فنی مهندسی، دانشگاه آیت ا...العظمی بروجردی (ره)

مهرداد آزادی چگنی

دانشجوی کارشناسی ارشد سازه، دانشکده فنی مهندسی، دانشگاه آیت ا...العظمی بروجردی (ره)

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 :
  • برگی، خ. (1388). اصول مهندسی زلزله ، چاپ چهارم، تهران: ...
  • بخشی، ح.، خراسانی، م.، فدوی، م.، قدرتی امیری، غ.، برخورداری، ...
  • شکیب، ح.، علیرضایی، م. (1390). اصول مهندسی زلزله ، چاپ ...
  • وزیری، م. (1395). ارائه روش تخمین موقعیت برای محیط درونی ...
  • مقدم، ح.، فنایی، ن. (1385). بررسی روابط کاهندگی مختلف در ...
  • Liu, B.Y., Ye, L.Y., Xiao, M.L., & Miao, S. (2006). ...
  • Arjun, C.R., & Kumar, A. (2009). Artificial neural network-based estimation ...
  • Derras, B., & Bekkouche, A. (2011). Use of the Artificial ...
  • Kerh, T., & Ting, S.B. (2005). Neural network estimation of ...
  • Pozos, A., Gomez, R., & Hong, H.P. (2014). Use of ...
  • Barrile, I., Cacciola, M., D’Amico, S., Greco, A., Morabito, F.C., ...
  • Han, D., Chan, L., & Zhu, N. (2007). Flood forecasting ...
  • Chen, C. S., Cheng, M. Y., & Wu, Y. W.  ...
  • Nasrollahnejhad, A., Yari, A., Zahedian, S., & Hoodeh, H. (2013). ...
  • Vapnik, V. N. (1995). The Nature of Statistical Learning Theory ...
  • Cortes, C., & Vapnik, V. (1995). Support vector networks , ...
  • Lee, C.Y., & Chern, S.G. (2013). Application of a Support ...
  • Nourani, V., & Komasi, M. (2013). A geomorphology-based ANFIS model ...
  • نمایش کامل مراجع