تخمین مدول تغییرشکل پذیری سنگ آهک آسماری با استفاده از سیستم عصبی- ژنتیک

سال انتشار: 1391
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 74

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JIRAEG-5-1_008

تاریخ نمایه سازی: 13 دی 1402

چکیده مقاله:

مدول تغییر شکل پذیری توده­سنگ (Em) به عنوان مهم ترین خصوصیت برای طراحی پروژه­های مهندسی سنگ مطرح است و بهترین نماینده برای رفتار مکانیکی پیش از شکست توده­سنگ است. به دلیل هزینه بالا و زمان­بر بودن و مشکلات اجرایی در انجام دقیق آزمایش­های برجا، روش­های غیرمستقیم مانند روابط تجربی و شبکه­های پس انتشار عصبی (BPN) جایگاه بهتری پیدا می­کنند. از این میان  BPN دارای کاربردی گسترده در تخمین خصوصیات توده سنگ از جمله Em است. محققین متعددی از روش سعی و خطا برای ایجاد یک BPN کارا  بهره گرفته­اند که نیاز به صرف زمان و مهارت کاربر دارد. اما در این مطالعه، از الگوریتم ژنتیک برای بهینه کردن پارامتری موثر BPN به منظور تخمین Em در رشته   کوه­های زاگرس ایران استفاده شد.  برای این منظور، یک بانک اطلاعاتی از پروژه­های مختلف رشته کوه­های زاگرس جمع آوری و Em سنگ آهک آسماری تخمین زده و در نهایت نتایج به دست آمده از روش عصبی - ژنتیک با روش عصبی سعی و خطا  مقایسه شد. که براساس نتایج به دست آمده روش عصبی- ژنتیک  دارای دقت و سرعت بالاتر در تخمین Em است.

کلیدواژه ها:

الگوریتم ژنتیک ، رشته کوه زاگرس ، شبکه پس انتشار عصبی ، مدول تغییر شکل پذیری توده سنگ

نویسندگان

زینب علی آبادیان

کارشناس ارشد گرایش مکانیک سنگ، دانشگاه صنعتی امیرکبیر

مصطفی شریف زاده

استادیار دانشکده مهندسی معدن و متالوژی، دانشگاه امیرکبیر

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 :
  • Alvarez Grima, M., Babuska, R., ۱۹۹۹. Fuzzy model for the ...
  • Bieniawski, Z.T. , ۱۹۹۳. Determining rock mass deformability: experience Fromcase ...
  • Fu, L., ۱۹۹۵. Neural Networks in Computer Intelligence New York:McGraw-Hill ...
  • Gokceoglu, C., ۲۰۰۲. A fuzzy triangular chart to predict the ...
  • Grimstad, E., Barton, N. , ۱۹۹۳. Updating the Q-system for ...
  • Hassoun, M.H., ۱۹۹۵. Fundamentals of Artificial Neural Networks. CambridgeMA: MIT ...
  • Hecht-Nielsen, R., ۱۹۸۷. Kolmogorov’s mapping neural network existence theorem; Proceedings ...
  • Henseler, J., ۱۹۹۵, Backpropagation. In: Braspenning P.J., Thuijsman, F., Weijters, ...
  • Hertz, J., Krogh, A., Palmer, R.G., ۱۹۹۱. Introduction to the ...
  • Hush, D.R., ۱۹۸۹, Classification with neural networks: a performance Analysis. ...
  • Hoek, E., Brown E.T., ۱۹۹۷. Practical estimates of rock mass ...
  • Majdi, A., Beiki, M., ۲۰۱۰. Evolving neural network using a ...
  • Meulenkamp, F., Alvarez Grima, M., ۱۹۹۹. Application of neural networks ...
  • Mitri, H.S., Edrissi, R., Henning, J., ۱۹۹۴. Finite element modeling ...
  • Osman, M.S., Abo-Sinna, M.A., Mousa, A.A., ۲۰۰۵. Combined genetic algorithm-fuzzy ...
  • Palonen, M., Hasan, A., Siren, K., ۲۰۰۹. A genetic algorithm ...
  • Paola, J.D., ۱۹۹۴. Neural Network Classification of Multispectral Imagery., MSc ...
  • Read S.A.L., Richard L.R., Perrin N.D., ۱۹۹۹. Applicability of the ...
  • Serafim, J.L., Pereira, J.P., ۱۹۸۳. Considerations on the geomechanical classification ...
  • Sietsma, J., Dow, R.J.F., ۱۹۹۱. Creating artificial neural network that ...
  • Sonmez, H., Gokceoglu, C., Nefeslioglu, H.A., Kayabasi, A., ۲۰۰۶. Estimation ...
  • Staufer, P., Fisher, M.M. , ۱۹۹۷. Specral pattern recognition by ...
  • Tahmasebi, P., Hezarkhani, A., ۲۰۰۹. Application of adaptive neuro-fuzzy inference ...
  • Wang, C. , ۱۹۹۴. A Theory of Generalization in Learning ...
  • نمایش کامل مراجع