دانلود مقاله و خرید ترجمه:امکان‌سنجی مدل PSO-ANN برای پیش‌بینی میزان نشست سطحی ناشی از تونل زنی - 2016
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت مقاله خود را دریافت کنید (تا مشکل رفع گردد). با تشکر از صبوری شما!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

-->
مقالات ترجمه شده عمران - سازه ( Civil Engineering - Structures )
  • Feasibility of PSO‑ANN model for predicting surface settlement caused by tunneling امکان‌سنجی مدل PSO-ANN برای پیش‌بینی میزان نشست سطحی ناشی از تونل زنی
    دانلود مقاله | مقاله انگلیسی رایگان | خرید ترجمه فارسی مقاله

    دسته بندی:

    عمران - سازه - Civil Engineering - Structures


    سال انتشار:

    2016


    ترجمه فارسی عنوان مقاله:

    امکان‌سنجی مدل PSO-ANN برای پیش‌بینی میزان نشست سطحی ناشی از تونل زنی


    عنوان انگلیسی مقاله:

    Feasibility of PSO‑ANN model for predicting surface settlement caused by tunneling


    منبع:

    Engineering with Computers DOI 10:1007/s00366-016-0447-0


    نویسنده:

    Mahdi Hasanipanah1 · Majid Noorian‑Bidgoli2 · Danial Jahed Armaghani3 · Hossein Khamesi1


    چکیده انگلیسی:

    The potential surface settlement, especially in urban areas, is one of the most hazardous factors in subway and other infrastructure tunnel excavations. Therefore, accurate prediction of maximum surface settlement (MSS) is essential to minimize the possible risk of damage. This paper presents a new hybrid model of artificial neural network (ANN) optimized by particle swarm optimization (PSO) for prediction of MSS. Here, this combination is abbreviated using PSO-ANN. To indicate the performance capacity of the PSO-ANN model in predicting MSS, a pre-developed ANN model was also developed. To construct the mentioned models, horizontal to vertical stress ratio, cohesion and Young’s modulus were set as input parameters, whereas MSS was considered as system output. A database consisting of 143 data sets, obtained from the line No. 2 of Karaj subway, in Iran, was used to develop the predictive models. The performance of the predictive models was evaluated by comparing performance prediction parameters, including root mean square error (RMSE), variance account for (VAF) and coefficient correlation (R2). The results indicate that the proposed PSO-ANN model is able to predict MSS with a higher degree of accuracy in comparison with the ANN results. In addition, the results of sensitivity analysis show that the horizontal to vertical stress ratio has slightly higher effect of MSS compared to other model inputs.


    چکیده فارسی:

    نشست سطحی احتمالی، به‌ویژه در نواحی شهری، یکی از خطرسازترین عوامل در مترو و دیگر حفاری‌های زیر بنایی است. بنابراین، پیش‌بینی دقیق حداکثر نشست سطحی (MSS) نقش مهمی در به حداقل رساندن ریسک احتمالی وارد آمدن صدمات دارد. در این مقاله یک مدل ترکیبی جدید از شبکه عصبی مصنوعی (ANN) بهینه‌شده توسط الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای پیش‌بینی MSS ارائه شد. در اینجا، این ترکیب با استفاده از PSO-ANN مختصر می‌شود. به‌منظور نشان دادن عملکرد مدل PSO-ANN پیشنهادی در پیش‌بینی MSS، یک مدل ANN از قبل موجود استفاده شد. برای ایجاد مدل‌های موردنظر، نسبت تنش افقی به عمودی، چسبندگی و مدول¬های یانگ به‌عنوان پارامترهای ورودی انتخاب شدند، درحالی‌که MSS به‌عنوان خروجی سیستم در نظر گرفته شد. یک پایگاه داده متشکل از 143 مجموعه داده حاصل از خط شماره 2 مترو کرج، برای ایجاد مدل‌های پیش‌بینی مورداستفاده قرار گرفت. عملکرد مدل‌های پیش‌بینی با مقایسه پارامترهای پیش‌بینی عملکرد، شامل خطای جذر میانگین مربعات (RMSE)، حساب واریانس برای (VAF) و ضریب همبستگی (R2) مورد ارزیابی قرار گرفت. نتایج نشان می‌دهد که مدل پیشنهادی PSO-ANN قادر به پیش‌بینی MSSبا میزان دقت بالاتر در مقایسه با نتایج ANN است. علاوه بر این، نتایج تجزیه‌وتحلیل حساسیت نشان می‌دهد که نسبت تنش افقی به عمودی اثر بیشتری بر MSS در مقایسه با سایر مدل‌های ورودی دارد.


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 11
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 21

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 636 کیلوبایت


    قیمت: 34320 تومان   


    توضیحات اضافی: نظر




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 2593 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 2593 :::::::: افراد آنلاین: 6