دانلود ترجمه مقاله شبکه عصبی چند جمله ای در برآورد سرعت موج برشی نهشته های خاکی – مجله الزویر
گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” شبکه عصبی چند جمله ای در برآورد سرعت موج برشی نهشته های خاکی ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
تخمین سرعت امواج برشی نهشته های خاکی با استفاده از شبکه عصبی چند جمله ای: کاربردی برای گدازش |
عنوان انگلیسی مقاله: |
Estimating shear wave velocity of soil deposits using polynomial neural networks: Application to liquefaction |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار | ۲۰۱۲ |
تعداد صفحات مقاله انگلیسی | ۹ صفحه با فرمت pdf |
رشته های مرتبط با این مقاله | ژئوفیزیک، زمین شناسی و مهندسی عمران |
گرایش های مرتبط با این مقاله | ژئوالکتریک، زلزله شناسی، زمین شناسی زیست محیطی، زمین شناسی مهندسی و ژئوتکنیک |
مجله | کامپیوترها و علوم زمین – Computers & Geosciences |
دانشگاه | دانشکده فنی، دانشگاه گیلان، ایران |
کلمات کلیدی | سرعت موج برشی، آزمایشات در محل، PNN ، آزمون نفوذ استاندارد، بانک اطلاعاتی، گدازش |
شناسه شاپا یا ISSN | ISSN ۲۰۱۲٫۰۳٫۰۰۲ |
رفرنس | دارد |
لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
نشریه | Elsevier |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت ۱۴ B Nazanin | ۲۱ صفحه |
ترجمه عناوین تصاویر و جداول | ترجمه شده است |
ترجمه متون داخل تصاویر | ترجمه نشده است |
ترجمه متون داخل جداول | ترجمه نشده 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 |
- فهرست مطالب:
چکیده
۱- مقدمه
۲٫ بررسی نسبت های موجود
۳٫ توسعه داده های پایه و مولفه های موثر
۴- مدل سازی با استفاده از شبکه عصبی چند جمله ای (PNN)
۴- ۱بخش داده ها
۴٫۲٫ معماری مدل بهینه
۴٫۳٫ بهینه سازی وزن (آموزش)
۴٫۴ اعتبار سنجی مدل
۵٫۱ نتایج و بحث
۵٫۲٫ مطالعه پارامتریک
۶٫ مقایسه با مدل های قبلی
۷٫ استفاده از مدل ارائه شده در تجزیه و تحلیل گداخته
۸٫ خلاصه و نتیجه گیری
- بخشی از ترجمه:
۸٫ خلاصه و نتیجه گیری
همبستگی جدیدی برای سرعت امواج برشی Vs نهشته های خاکی به عنوان تابعی از مقادیر زیرین SPT تصحیح شده، N 1,60 و تنش سربار موثر ((σ_v ) ́) ارائه شده است. این همبستگی با استفاده از شبکه های عصبی چند جمله ای (PNN) و داده های پایه تازه وارد شده سرعت امواج برشی شامل ۱۰ سایت مختلف، ۸۰ گمانه، و در مجموع ۳۹۴ جفت داده ایجاد شد. مقدم بر توسعه مدل، معادلات متعدد موجود، که قبلا برای سایت مشخص شده و شرایط خاک مطرح شد، از طریق پایگاه داده وارد شده مورد بررسی قرار گرفت. پراکندگی قابل توجه و خطا برای مدل های پیشین مشاهده شده بود به دلیل آن که اکثریت آنها تنها وابسته به مقاومت نفوذ بودند و فشار سربار موثر قابل چشم پوشی بود. علاوه بر این، بسیاری از مدل های قبلی مبتنی بر اندازه گیری های سرعت امواج برشی در یک سایت خاص توسعه داده شد، و در نتیجه برای جاهای دیگر نمی توانست کاربردی باشد.
- بخشی از مقاله انگلیسی:
۸٫ Summary and conclusions
A new correlation was presented for shear wave velocity, Vs, of soil deposits as a function of corrected SPT blow counts, N1,60, and effective overburden stress, s0 v . The correlation was developed using polynomial neural network (PNN) and a newly compiled database of shear wave velocity measurement including 10 different sites, 80 boreholes, and totally 394 data pairs. Prior to the model development, numerous existing equations, which were previously proposed for specified site and soil conditions, were examined via the compiled database. Significant scatter and errors were observed for the previous models because majority of them were just dependent to penetration resistance and ignore effective overburden pressure. In addition, most of the previous models were developed based on the measurements of shear wave velocity in a specific site, and thus they might not be useful for various sites
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
شبکه عصبی چند جمله ای در برآورد سرعت موج برشی نهشته های خاکی |
عنوان انگلیسی مقاله: |
Estimating shear wave velocity of soil deposits using polynomial neural networks: Application to liquefaction |
|