دانلود ترجمه مقاله پیش بینی مقاومت فشاری بتن بازیافت شده (ساینس دایرکت – الزویر ۲۰۱۸) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)
این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۸ صفحه در سال ۲۰۱۸ منتشر شده و ترجمه آن ۱۸ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
پیش بینی مقاومت فشاری بتن بازیافت شده مبتنی بر یادگیری عمقی |
عنوان انگلیسی مقاله: |
Compressive strength prediction of recycled concrete based on deep learning |
|
مشخصات مقاله انگلیسی | |
فرمت مقاله انگلیسی | |
سال انتشار | ۲۰۱۸ |
تعداد صفحات مقاله انگلیسی | ۸ صفحه با فرمت pdf |
نوع مقاله | ISI |
نوع نگارش | مقاله پژوهشی (Research Article) |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | مهندسی عمران، مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | سازه، مدیریت ساخت، هوش مصنوعی |
چاپ شده در مجله (ژورنال) | ساخت و ساز و مصالح ساختمانی – Construction and Building Materials |
کلمات کلیدی | بتن بازیافت شده، یادگیری عمقی، شبکه های عصبی پیچشی، مقاومت فشاری، مدل پیش بینی |
کلمات کلیدی انگلیسی | Recycled concrete – Compressive strength- Prediction model – Deep learning – Convolution neural network |
ارائه شده از دانشگاه | دانشکده مهندسی برق و اتوماسیون، دانشگاه جیاوتونگ چین شرقی، چین |
نمایه (index) | Scopus – Master journals – JCR |
نویسندگان | Fangming Deng، Yigang He، Shuangxi Zhou، Yun Yu، Haigen Cheng، Xiang Wu |
شناسه شاپا یا ISSN | ISSN ۰۹۵۰-۰۶۱۸ |
شناسه دیجیتال – doi | https://doi.org/10.1016/j.conbuildmat.2018.04.169 |
ایمپکت فاکتور(IF) مجله | ۴٫۶۸۶ در سال ۲۰۱۹ |
شاخص H_index مجله | ۱۲۹ در سال ۲۰۲۰ |
شاخص SJR مجله | ۱٫۵۲۲ در سال ۲۰۱۹ |
شاخص Q یا Quartile (چارک) | Q1 در سال ۲۰۱۹ |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۱۰۵۲۱ |
لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
نشریه الزویر |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
وضعیت ترجمه | انجام شده و آماده دانلود |
کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۱۸ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه شده است ✓ |
ترجمه متون داخل جداول | ترجمه شده است ✓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده |
بخشی از ترجمه |
چکیده با در نظر داشتن دشواری های فعلی برای پیش بینی مقاومت فشاری بتن های سنگدانه ای بازیافت شده، این مقاله یک مدل پیش بینی را مبتنی بر نظریه ی یادگیری عمقی ارائه می دهد. نخست، ویژگی های عمقی نسبت آب به سیمان، نسبت جایگذاری سنگدانه های درشت بازیافت شده، نسبت جایگذاری سنگدانه های ریز بازیافت شده ، نسبت جایگذاری خاکستر بادی و ترکیب های آن ها از طریق شبکه های عصبی پیچشی ( کانولوشنی) مشخص می شود. سپس یک مدل پیش بینی با استفاده از رگرسیون سافتمکس ایجاد می شود. ۷۴ مجموعه از بلوک های بتنی با نسبت ترکیب های مختلف در این آزمایش مورد استفاده قرار گرفته است و نتایج نشان می دهد که مدل پیش بینی مبتنی بر یادگیری عمقی ، دقت، کارایی و قابلیت تعمیم بالاتری در مقایسه با روش های متداول مدل های عصبی ایجاد می کند و می توان از آن به عنوان یک روش جدید برای محاسبه ی مقاومت بتن های بازیافت شده، استفاده کرد.
۵-جمع بندی به دلیل تغییر در مشخصات RAC ها ، یک رابطه ی غیر خطی بین مقاومت فشاری RAC ها و نسبت های ترکیب آن وجود دارد. ازین رو ، یک مدل پیش بینی مبتنی بر CNN ها در این مقاله ارائه شده است. مدل CNN می تواند با یادگیری عمیق ویژگی های نسبت آب به سیمان ، نسبت جایگذاری سنگدانه های درشت بازیافت شده، نسبت جایگذاری سنگدانه های ریز بازیافت شده ، و نسبت جایگذاری خاکستر بادی ، مقدار مقاومت RAC ها را پیش بینی کند . برای اثبات ظرفیت روش پیشنهاد شده، ۷۴ مجموعه از بلوک های بتن ساخت و ساز با ترکیب های مختلف در آزمایش استفاده شد. نتایج نشان می دهد که مدل پیش بینی مبتنی بر روش یادگیری عمقی مزیت هایی از جمله دقت بالاتر، کارایی بالاتر و حالت تعمیم بهتر در مقایسه با مدل های شبکه های عصبی متداول دارد. |
بخشی از مقاله انگلیسی |
Abstract Considering on the current difficulties of predicting the compressive strength of recycled aggregate concrete, this paper proposes a prediction model based on deep learning theory. First, the deep features of water-cement ratio, recycled coarse aggregate replacement ratio, recycled fine aggregate replacement ratio, fly ash replacement ratio as well as their combinations are learned through a convolutional neural networks. Then, the prediction model is developed using the softmax regression. 74 sets of concrete block masonry with different mix ratios are used in the experiments and the results show that the prediction model based on deep learning exhibits the advantages including higher precision, higher efficiency and higher generalization ability compared with the traditional neural network model, and could be considered as a new method for calculating the strength of recycled concrete.
۵- Conclusion Due to the variability in the characteristics of RAC, it is a nonlinear relationship between the compressive strength of RAC and its mixing ratio. Therefore, a predictive model based on CNN is proposed in this paper. The CNN model can predict the strength by learning the deep features of the water-cement ratio, the recycled coarse aggregate replacement ratio, the recycled fine aggregate replacement ratio, the fly ash replacement ratio as well as their combinations. In order to prove the capability of the proposed method, 74 sets of concrete block masonry with different mixing ratios are used in the experiments. The results show that the prediction model based on deep learning exhibits the advantages including higher precision, higher efficiency and higher generalization ability compared with the traditional neural network model. |
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
پیش بینی مقاومت فشاری بتن بازیافت شده مبتنی بر یادگیری عمقی |
عنوان انگلیسی مقاله: |
Compressive strength prediction of recycled concrete based on deep learning |
|