دانلود با لینک مستقیم و پر سرعت .
فرمت فایل : word (لینک دانلود پایین صفحه) تعداد صفحات 152 صفحه
چکیده
شبکه های عصبی مصنوعی در بسیاری از موارد تحقیق و در تخصص های گوناگون به کار گرفته شده و به عنوان یک زمینه تحقیقاتی بسیار فعال حاصل همکاری دانشمندان در چند زمینه علمی از قبیل مهندسی رایانه ، برق ، سازه ، و بیو لوژی اند . از موارد کاربرد شبکه ای عصبی می توان به طبقه بندی اطلاعات ، شناخت ویژگی های حروف و شکلها ، برآورد توابع و غیره اشاره کرد .
کاربرد شبکه های عصبی در مهندسی عمران و به خصوص سازه نیز روز به روز در حال توسعه است و بی شک در آینده شاهد فراگیر شدن و گسترش این علم در مهندسی سازه خواهیم بود . از موارد استفاده شبکه های عصبی در مهندسی عمران می توان به بهینه سازی ، تحلیل ، طراحی و پیش بینی خیز و وزن سازه ها ، تحلیل و طراحی اتصالات ، پیش بینی نتایج آزمایشات بتنی و خاکی ، کاربرد در تئوری گرافها و بسیاری از موارد دیگر اشاره کرد .
این مقاله حاوی پنج بخش است :
بخش اول به مفاهیم بنیادی شبکه های عصبی مصنوعی می پردازد و بعضی از موضوعات برای آشنایی مقدماتی به اختصار در این بخش توضیح داده شده است و شامل مدل بیولوژیکی شبکه های عصبی می باشد و همچنین سلول عصبی مصنوعی توضیح داده شده است که به منظور تقلید از خصوصیات مرتبه اول ( First order ) سلول عصبی بیولوژیکی طراحی شده است .سطح تحریک سلول عصبی که توسط جمع ورودی های وزن دار معین شده است ، در این بخش توضیح داده شده است .
شبکه های عصبی مصنوعی تک لایه و چند لایه نیز به طور مفصل مورد بحث قرار گرفته است که ساده ترین شبکه به صورت گروهی از سلول های عصبی است که در یک لایه مرتب شده اند و شبکه های چند لایه تواناییها و قابلیت های محاسباتی بیشتری را ارائه می کنند . شبکه های بازگشتی که شامل ارتباطات تغذیه برگشتی هستند ، در این شبکه ها ، خروجی های قبیل دوباره به سمت عقب به طرف ورودی ها منتشر می شوند و خروجی شان هم با استفاده از ورودی جاری و هم خروجی قبلیشان تعیین می شو د.
بخش دوم :شامل الگوریتم های آموزشی می باشد و هدف از آموزش شبکه را توضیح می دهد که یک شبکه به گونه ای آموزش داده می شود که با به کار بردن یک دسته از ورودی ها ، دسته خروجی های دلخواه تولید شود .
بخش سوم : الگوریتم انتشار برگشتی را توضیح می دهد که انتشار برگشتی یک روش سیستماتیک برای تربیت شبکه های عصبی مصنوعی چند لایه است و یک پایه ریاضی دارد که با وجود قوی بودن خیلی عملی نیست و ساختار شبکه که شامل سلول عصبی است ، توضیح داده می شود و در قسمت بعدی شبکه چند لایه که از الگوریتم انتشار برگشتی استفاده می کند ، توضیح داده می شود .
در بخش چهارم راهنمای استفاده از برنامه NETS2.01 که یک شبیه ساز عصبی است و توسط محققان در بخش هوش مصنوعی فن آوری مرکز فضایی ناسا توسعه داده شده است ، توضیح داده می شود و اهداف آن شامل دو قسمت است :
- تهیه سیستمی که حدی برای ایجاد ساختارهای عصبی شبکه عصبی که به منظور یاد گیری از روش انتشار برگشتی استفاده می کنند قابل تغییر باشد .
- تشویق کاربران عام جهت میل به یاد گیری فن اوری شبکه عصبی بدون نیاز به سخت افزار های خاص .
در بخش پنجم اموزش شبکه های عصبی مورد بحث قرار گرفته است که برای تحلیل سازه ها و طراحی سازه ها به کار گرفته می شود .
نیروی محوری المان شماره المان عمق سازه طول سازه
L h NE p
و همچنین نرم افزار های مورد استفاده در شبکه ها که شامل NETS2.01 و Neuralworks است ، توضیح داده شده است که نرم افزار Neuralworks خود قادر به نگاشت اطلاعات ورودی به حدود دلخواه است ولی نرم افزار NETS2.01 قادر به نگاشت اطلاعات ورودی به حدود دلخواه نیست و برای این منظور برای نگاشت اطلاعات ورودی به حدود دلخواه برنامه ای به نام m-in-net نوشته شده است و از این برنامه برای اماده سازی اطلاعات ورودی برای برنامه NETS استفاده شده است .
در پایان این بخش شبکه عصبی برای پیش بینی وزن سازه و برای پیش بینی خیز سازه مورد بررسی قرار گرفته که توسط جداولی ، ورودی ها و خروجی های آن مشخص شده است .
و نیز یک مثال از شبکه عصبی برای تحلیل سازه ها مورد بررسی قرار گرفته است . که با استفاده از یک جدول شماره ای را برای یک المان و سازه در نظر گرفته و یک شماره برای المان در شبکه عصبی و سایر مشخصات شبکه که شامل تعداد ورودی های شبکه عصبی – نوع اطلاعات ورودی شبکه عصبی ( طول دهانه (C ) سازه فضا کار دو لایه ای بر حسب متر ) و عمق ( h ) سازه فضا کار دو لایه ای بر حسب متر و تعداد خروجی های شبکه عصبی و نوع اطلاعات خروجی شبکه و تعداد زوجهای آموزشی در نظر گرفته شده برای آموزش شبکه و تعداد زوجهای آموزشی در نظر گرفته شده برای آزمایش شبکه که با توجه به تعداد زوجهای آموزشی و کسب عملکرد و دلخواه از شبکه سازه های مختلفی را برای شبکه در نظر می گیریم ، آنها را تربیت و از میان آنها بهترین ساختار را انتخاب می نماییم .
در بخش ششم هم توضیحاتی راجع به سازه های فضا کار داده می شود که از اعضای مستقیم ساخته می شوند و عمکرد آنها در فضای سه بعدی است و به انواع این سازه ها اشاره شده است .
سازه های مهندسی
واژه سازه معانی گوناگونی دارد . یک سازه مهندسی را تقریباً می توان مجموعه ای دانست که ساخته و یا بنا می گردد . سازه های عمده مربوط به مهندسی راه و ساختمان عبارتند از: پلها ، ساختمانها ، دیوارها ، برجها و سازه های پوسته ای .این چنین سازه هایی متشکل از یک یا تعدادی عضو سلب می باشند و ترتیب قرار گرفتن اعضاء به گونه ای است که تمام سازه و همچنین اجزاء مختلف آن در مقابل بارگذاری و حذف بار ، بدون تغییر شکل قابل ملاحظه مقاومت می نماید .
در طرح سازه ها مسائل مختلفی باید مد نظر قرار گیرد که از آن جمله دو شرط اساسی زیر باید حتماً برآورده شوند :
- سازه باید نقش مورد نظر را به خوبی ایفاء نماید .
- سازه ها باید بارهای وارده را با اطمینان خاطر تحمل کند .
به عنوان مثال خر پای شکل ( زیر )را که بر روی دو ستون قرار گرفته است در نظر بگیرید. و هدف از ساختن این خرپای پوششی و ستونهای آن از یک طرف متعادل بودن سازه در مقابل وزن خود سازه ، بار پوشش سقف و نیروی باد و برف بوده و از طرفی دیگر تامین فضاهایی برای اسکان یک خانواده ، برای یک کارخانه و یا جهت مصارف دیگر می باشد.
مقدمه
در چند دهه اخیر اندیشه بالنده شبیه سازی مغز انسان، محققان و دانشمندان را بر آن داشته است توانائیهای مغز انسان را به رایانه منتقل سازند. عملکرد مغز انسان با توجه به میلیونها سال تکامل می تواند به عنوان کاملترین و بهترین الگو برای تشخیص وقایع پیرامون خود در نظر گرفته شود. لذا دانشمندان در تلاش اند تا با درک اصول و سازو کارهای محاسباتی مغز انسان که عملکرد بسیار سریع و دقیقی را دارا می باشد، سیستم های عصبی مصنوعی را شبیه سازی نمایند بدین ترتیب شبکه های عصبی مصنوعی تا حدودی از مغز انسان الگو برداری شده اند و همانگونه که مغز انسان می تواند با استفاده از تجربیات قبلی و مسائل از پیش یاد گرفته ، مسائل جدید را تجزیه و تحلیل نماید ، شبکه های عصبی نیز در صورت آموزش قادرند بر مبنای اطلاعاتی که به ازای آنها آموزش دیده اند جوابهای قابل قبول ارائه دهند و نیز می توان از آنها به طور نامحدود در ارائه جواب به اطلاعاتی که قبلاً با آنها مواجه نبودند، استفاده نمود.
تهیه یک برنامه برای ارائه جواب به مسئله ای که تعداد زیادی متغییر به عنوان ورودی و یا خروجی در آن وجود دارد. با استفاده از روشای برنامه نویسی متداول امروزی, کاری دشوار و یا غیر عملی است زیرا در نظر گرفتن تمامی این متغییر ها و آثارشان بر یکدیگر غیر ممکن است. لیکن با استفاده از شبکه های عصبی مصنوعی و پیشرفت کنونی آن, تهیه یک نرم افزار برای چنین مسئله ای عملی است. همچنین, ساختار روشهای برنامه نویسی متداول امروزی به گونه ای است که در صورت وجود یک اشتباه در اطلاعات ورودی, تمامی محاسبات ممکن است دچار اشغال شوند, اما در شبکه های عصبی مصنوعی به دلیل اینکه بر اساس تجربه آموزش می بینند, حتی در صورت وجود اشتباه در اطلاعت ورودی, شبکه بطور قابل ملاحضه ای قابلیت تحمل خطا را خواهد داشت.
شبکه های عصبی مصنوعی در بسیاری از موارد تحقیق و در تخصص های گوناگون بکار گرفته شده و به عنوان یک زمینه تحقیقاتی بسیار فعال حاصل همکاری دانشمندان در چند زمینه علمی از قبیل مهندسی رایانه, برق, سازه و بیولوژی اند. از موارد کاربرد شبکه های عصبی می توان به طبقه بندی اطلاعات, شناخت ویژگی های حروف و شکلها, برآورد توابع و غیره اشاره نمود. کاربرد شبکه های عصبی در مهندسی عمران و بخصوص سازه نیز روز به روز در حال توسعه است و بی شک در آینده شاهد فراگیر شدن و گسترش این علم در مهندسی سازه خواهیم بود. از موارد استفاده شبکه های عصبی در مهندسی عمران می توان به بهینه سازی, تحلیل, طراحی, پیش بینی خیز و وزن سازه ها, تحلیل و طراحی اتصالات, پیش بینی نتایج آزمایشهای بتنی و خاکی, کاربرد در تئوری گرافها و بسیاری از موارد دیگر اشاره نمود.
سازه های فضاکار, بدلیل صرف وقت نسبتاً زیاد برای تاشه پردازی آنها و پر عضو بودنشان نسبت به سازه های دیگر, زمان طولانی تری برای تحلیل, طراحی و یا تعیین خیز و وزن آنها مورد نیاز است. به همین دلیل, کاربرد شبکه های عصبی برای حل تقریبی آنها می تواند بسیار کارساز باشد. در این تحقیق از شبکه های عصبی مصنوعی برای تحلیل, طراحی و پیش بینی خیز و وزن یک نوع از این سازها استفاده شده و نتایج قابل قبول و مطلوبی به دست آمده است.به گونه ای که با ارئه اطلاعات لازم به این شبکه ها در زمان کمتر از چند دهم ثانیه می توان از وزن و خیز سازه, نیروی ممحور المانهای سازه و مقاطع مورد نیاز برای آنها اطلاع حاصل نمود.
بخش اول
بنیانهای شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی, در ساختارهای بسایر متنوعی توسعه داده شده اند. علارقم این تنوع آشکار, نمونه های مختلف شبکه خصوصیات مشترک . متعارف بسیاری را دارا می باشد.
مدل بیولوژیکی
در شکل گیری علم شبکه های عصبی مصنوعی از شبکه های عصبی بیولوژیکی الهام گرفته شده است. محققان زمانی ساختار و الگوریتم شبکه های عصبی مصنوعی را مورد بررسی قرار می دهند , به ساختار و تشکیلات مغز نیز می اندیشند. در این مقطع تشابه بین این دو مورد بحث بیشتری قرار می گیرد. دانش و آگاهی در باره عملکرد کلی مغز آنقدر محدود است که برای کسانی که می خواهند با آن برابری و رقابت کنند اطلاعات بسیار اندکی موجود است. بنابراین, طراحان شبکه باید به ماورای دانش بیولوژیکی کنونی حرکت کنند و ساختارهایی را جستجو نمایند که وضایف سودمنتری را برعهده گیرند. در بسیاری از حالتها, این جهش ضروری باعث دست کشیدن از بسیاری از خصوصیات محتمل و معقول مغز می شود و شبکه های عصبی مصنوعی فقط تشبیه و استعاره ای از مغر انسان میگردند. در این وضعیت, شبکه هایی بوجود می آیند که یا از نظر ساختاری غیر عملی می باشند و یا به دسته غیر محتملی از فرضیات در باره ساختمان مغز و عملکرد ان نیازمندند.
