کاهش حالت کوانتومی و نظریه پیچش نیوتنی

Quantum state reduction, and Newtonian twistor theory

چکیده
1 مقدمه
2 تغییر فاز برای میدان های گرانشی غیر یکنواخت
3 نظریه چرخشی معادله ایری (Airy)
4 تابع چرخش نیوتنی معکوس
منابع

چکیده
 ما در مورد اصل هم ارزی درحرکت های کوانتومی در زمینه هندسه نیوتن-کارتان و نظریه چرخش غیر نسبیتی صحبت می کنیم.

2 تغییر فاز برای میدان های گرانشی غیر یکنواخت
ابهام فاز (1.4) چندان نگران کننده نیست زیرا دو تابع موج انیشتینی یا نیوتنی می تواند برای توصیف ذره انتخاب شود و بطور مداوم برای مدلسازی حرکت دورانی کوانتومی آن استفاده شود. اگر میدان گرانشی خود در برهم نهی کوانتومی دخالت داشته باشد، مشکل به وجود می آید. مثالی که در [2] در نظر گرفته شده، یک جسم عظیم است که در یک برهم نهی در دو مکان یک و دو قرار گرفته اند، هر کدام دارای میدان گرانشی یکنواختg_1 وg_2 خود هستند. یک تابع موج انیشتینی هنوز می تواند در نقطه p در نظر گرفته شود و (همان طور که میدان گرانشی کلی زمین از بین می رود) و یک اختلاف فاز به شکل (1.4) با g^2 جایگزین شده توسط |g_1-g_2 |^2 وgz جایگزین شده توسط (g_1-g_2).x وجود دارد.

در این بخش ما نشان می دهیم که وابستگی مکعبی زمان در ابهام فاز حاصل از اتخاذ یک میدان گرانشی یکنواخت نیست و برای ظرفیت های بالقوه کلی در معادله شرودینگر قرار دارد.

ما باید از یک ترتیب هندسی استفاده کنیم که در آن معادله وابستگی زمان شرودینگر از یک کاهش کالوزا-کلاین تهی بدست آید.

یک اندازه صفحه-موج در چند برابر ابعادM^5 با مختصات محلی x^μ=(u,t,x^i ) با یک ایزومتریک(isometry) تهی را در نظر بگیرید که ما انتخاب کردیم تا توسط یک بردار نهایی تهی K=∂/∂u و عنصر خطی تولید شود.

 تحلیل اطلاعات لرزه ای به کمک شبکه های عصبی مصنوعی عمیق

Deep Artificial Neural Networks as a Tool for the Analysis of Seismic Data

چکیده

مقدمه

شبکه های عصبی عمیق

ویژگی های تحلیل داده های لرزه ای

یادگیری چند منظوره

نتایج و بحث

نتیجه گیری ها

منابع

چکیده

تعداد مطالعات لرزه شناسی برمبنای شبکه های عصبی مصنوعی در حال افزایش است. با این حال، شبکه های عصبی با یک لایه مخفی (پنهان) تقریباً به محدوده قابلیت های خود دست یافته است. در چند سال اخیر پیشرفت های جدیدی در زمینه فناوری نرونی مرتبط با توسعه شبکه های نسل سوم یعنی شبکه عصبی عمیق وجود داشته است. این شبکه ها با داده هایی در یک سطح بالاتر کار می کنند. داده های بدون علامت برای پیشگیری از شبکه قابل استفاده هستند، به این معنا که نیازی وجود ندارد که یک متخصص از قبل مشخص کند که این داده ها به چه پدیده ای مرتبط هستند. آموزش نهایی نیازمند مقدار کمی از داده های علامت گذاری شده است. شبکه های عمیق دارای یک سطح بالاتر از انتزاع هستند و خطاهای کمتری تولید می کنند. شبکه ای یکسان برای حل کارهای متعدد در یک زمان قابل استفاده است یا دستیابی به آن از یک کار به کار دیگر آسان است. این مقاله درباره امکان به کارگیری شبکه های عمیق در لرزه شناسی بحث می کند. ما به طور کامل شبکه های عمیق، مزیت های آن ها، نحوه آموزش آن ها، نحوه تطبیق آن ها با ویژگی های داده های لرزه شناسی و چشم اندازهای موجود در ارتباط با استفاده از آن ها را به طور کامل مورد بررسی قرار داده ایم.

نتیجه گیری ها

شبکه های عصبی مصنوعی عمیق انتخاب بهتری از ویژگی ها در داده های سری های زمانی در مقایسه با شبکه های NN کم عمق ارائه می کنند و ویژگی های بیشتری را نیز در نظر می گیرند. واضح است که تمامی ساختارهای موجود DNN و انتخاب های آموزش آن ها در این مقاله ارائه نشده است.. به عنوان مثال، یک جهت گیری امیدوار کننده توسعه مدل هایی است که معماری خود را در فرآیند یادگیری تغییر می دهند. کارهای تحقیقاتی عملی در حال حاضر در اختیار ریاضی دانان است تا هر چیزی را در ارتباط با DNN اثبات کنند. نسخه های بسیاری از معماری عمیق وجود دارد و در بیشتر موارد هیچ اثبات ریاضی مبنی بر بهتر یا خوب بودن آن ها نسبت به موارد دیگر وجود ندارد. آموزش عمیق یک حوزه در حال پیشرفت است و ساختارها، نسخه ها و الگوریتم ها جدید تقریباً روزانه پدید می آیند. فرمول D NN برای موفقیت به صورت ذیل است: 1. الگوریتم های پیش آموزش امکان یافتن یک نقطه شروع خوب برای تنظیم مناسب اجرا شده توسط روش بازگشت به عقب را فراهم می کنند که براساس آن روش نزول گرادیان امکان دستیابی به یک کمینه (حداقل) محلی خوب را امکان پذیر می سازد (و بیشتر اوقات یک حداقل عمومی است).

Abstract

The number of seismological studies based on artificial neural networks has been increasing. However, neural networks with one hidden layer have almost reached the limit of their capabilities. In the last few years, there has been a new boom in neuroinformatics associated with the development of third-generation networks, deep neural networks. These networks operate with data at a higher level. Unlabeled data can be used to pretrain the network, i.e., there is no need for an expert to determine in advance the phenomenon to which these data correspond. Final training requires a small amount of labeled data. Deep networks have a higher level of abstraction and produce fewer errors. The same network can be used to solve several tasks at the same time, or it is easy to retrain it from one task to another. The paper discusses the possibility of applying deep networks in seismology. We have described what deep networks are, their advantages, how they are trained, how to adapt them to the features of seismic data, and what prospects are opening up in connection with their use.

CONCLUSIONS

Deep artifical neural networks offer a better selection of features in the time series data compared to shallow NNs and take into account more features. Obviously, not all existing DNN architectures and their training options are presented in the paper. For example, a promising direction is the development of models that change their architecture in the learning process. Practical research work is now far ahead of mathematicians’ ability to prove anything about the DNN. There are many versions of deep architecture and, in most cases, there is no mathematical proof why they are good or better than others. Deep training is a rapidly developing field, and new architectures, versions, and algorithms appear almost daily. The DNN formula for success is as follows: (1) Pretraining algorithms make it possible to find a good starting point for fine-tuning conducted by the backpropagation method from which the gradient descent method makes it possible to achieve a good local minimum (and most often a global minimum).

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 تحلیل اطلاعات لرزه ای به کمک شبکه های عصبی مصنوعی عمیق

Deep Artificial Neural Networks as a Tool for the Analysis of Seismic Data

پیش بینی زلزله بر اساس تقسیم جامعه

Earthquake Prediction Based on Community Division

چکیده

1- مقدمه

2- ساخت شبکه زلزله

A- استراتژی 1

B- استراتژی 2

3- الگوریتم تقسیم بندی جامعه

4- تحلیل شبیه سازی

5- نتیجه گیری

چکیده

در حوزه تاثیر زمان- فضا، دو شبکه زلزله وزندار جهت دار براساس تعداد زلزله و ماکزیمم دامنه کالیفرنیای جنوبی، ساختاربندی شده است. روش پیش بینی زلزله مبتنی بر مینیموم وزن لبه است. با الگوریتم تقسیم بندی جامعه CNM ( روش تشخیص جامعه)، شبکه به جوامع مختلفی تقسیم شده است و 10 جامعه برتر مطابق تعداد گره ها انتخاب می شوند. بالاخره، صحت شبکه تقسیم شده و شبکه فاقد تقسیم بندی جامعه را باهم مقایسه می کنیم. نتایج شبیه سازی نشان می دهد که تقسیم بندی جامعه، صحت پیش بینی زلزله را بهبود می بخشد.

5- نتیجه گیری

در این مقاله، دو شبکه زلزله وزندار و جهتدار مبتنی بر حوزه تاثیر زمان- فضا تولید می کنیم. استراتژی 1 بر مبنای تعداد زلزله و استراتژی 2 برمبنای ماکزیمم دامنه است. سپس، با ترکیب اینها با الگوریتم تقسیم بندی جامعه CNM، شبکه به جوامع مختلفی تقسیم شده و 10 جامعه برتر را مطابق تعداد گره ها انتخاب می کنیم. بدیهی است 10 جامعه برتر شبکه محتوی اکثر گره ها هستند، زیرا هر چه مینیموم وزن لبه کوچکتر باشد، به همان نسبت تعداد لبه های شبکه زلزله بیشتر است. بنابراین، برای مطالعه بهترصحت پیش بینی زلزله، با تغییرتعداد زلزله، زلزله را براساس مینیموم وزن لبه پیش بینی می کنیم. با وجود تعداد زیاد گره های جامعه، تعداد زلزله متناسب با تعداد گره ها است. بنابراین، برای مطالعه بهتر تاثیر تقسیم بندی جامعه بر صحت پیش بینی زلزله، این مقاله صحت پیش بینی و تعداد زلزله ها را نرمال نموده و آنها را با صحت پیش بینی بدون تقسیم بندی جامعه مقایسه می نماید. شبیه سازیها نشان می دهند که با تقسیم بندی جامعه، صحت پیش بینی زلزله شبکه را می توان افزایش داد.

Abstract

In time-space influence domain, two directed weighted earthquake network are structured based on the earthquake number and the maximum magnitude of Southern California. The earthquake prediction method is proposed based on the minimum edge weight. By CNM (community detection method) community division algorithm, the network is divided into several communities and the top 10 communities can be selected according to the number of nodes. Finally, we compare the accuracy of the divided network with the network without community division. The simulation results show that the community division can improve the accuracy of the earthquake prediction.

V- CONCLUSION

In this paper, we generate two directed weighted earthquake networks based on time-space influence domain. Strategy 1 is based on the earthquake number. Strategy 2 is based on the maximum magnitude. Then combining with the CNM community division algorithm, the network is divided into several communities and we select the top 10 communities according to the number of nodes. It is obvious that the top 10 communities of the network contain most nodes. Because the smaller the minimum edge weight is, the more the edge of the earthquake network is. So in order to better study the earthquake prediction accuracy as the earthquake number changes, we make earthquake prediction based on the minimum edge weight. Although there are many community nodes, the number of earthquake is not proportional to the number of nodes. So in order to better study the influence of community division on the earthquake prediction accuracy, this paper normalizes the prediction accuracy and the earthquakes number, and compares with the prediction accuracy without community division. The simulations show that the network earthquake prediction accuracy can be improved by community division.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی زلزله بر اساس تقسیم جامعه

Earthquake Prediction Based on Community Division

سدهای خاکی در مناطق نزدیک گسل: از مدل ناحیه ای تا مدل محل

Earth Dams in Near-fault Areas: From the Regional to the Site Model

Abstract

The seismic response of large embankments in near-source conditions may be investigated by a multi-scale and multidisciplinary approach, where the seismological and geological aspects of the problem are firstly studied on a regional scale while the local and geotechnical aspects are studied on a detailed scale, including the structure of interest. A detailed knowledge of the basic seismological aspects of the area on a regional scale is necessary to properly simulate the seismic source and the wave propagation pattern within the rock basement to get the input motion at the bedrock formation for the reference site. The proper characterization of the motion at the bedrock level is crucial for large earth-dams or embankments for which a strong variability of the input motion may be dangerous, since differential settlements and fractures of the embankment may be promoted, with the consequent reduction of structure safety. Worth mentioning is the case-history of Conza Dam (AV) during the 1980 Irpinia earthquake: the embankment was partially jeopardized by the seismic event, being the dam site very close to the Irpinia source (≈10 km). To merge the different scales of analysis (macro and micro) the mathematical formulation of the Domain Reduction Method (DRM), initially proposed by [1], has been recently implemented [14] in a FDM commercial code. One of the main advantage of the DRM procedure is the possibility of sub-structuring the real problem, dealing the generation and propagation of the seismic waves (model on a regional scale) separately from the seismic response of the specific site and structure, carried out on a reduced and detailed model (site model). According to the DRM approach, the dam is inserted in the refined internal domain and will receive the seismic motion from the external domain (which contains the source and propagation medium) through an interface boundary. To quantitatively evaluate the variability of the ground motion at the bedrock of the reference site, synthetic parameters were selected and suitable represented.

در مورد پارامترهای پیش بینی حرکت زمین برای تحلیل خطر لرزه ای احتمالی

On the Forecasting of Ground-Motion Parameters for Probabilistic Seismic Hazard Analysis

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

در مورد پارامترهای پیش بینی حرکت زمین برای تحلیل خطر لرزه ای احتمالی

On the Forecasting of Ground-Motion Parameters for Probabilistic Seismic Hazard Analysis

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

نرخ لغزش مستقیم هولوسین مشخص شده به واسطه قدمت یابی پیدایش اولیه و OSL روی گسل آنار، ایران مرکزی

Holocene right-slip rate determined by cosmogenic and OSL dating on the Anar fault, Central Iran

خلاصه

مقدمه

تنظیمات زمین شناسی و مورفولوژی کلی گسل منطقه Anar

نشانگرهای انحرافات و استراتژی نمونه برداری

نتایج و بحث در مورد قدمت یابی

نتیجه گیری

چکیده

قدمت یابی مواجهه اشعه کیهانی (CRE) و لومینسانس (تابناکی) نوری تحریک شده (OSL) برای انحراف تجمعی سطوح مخروط افکنه برای به دست آوردن نرخ لغزش بلندمدت منطقه گسل Anar انجام شده است. در دو محل، مقایسه بین دوره های OSL به دست آمده در آخرین رسوبات قرار گرفته در طول دوره های آبرفت گذاری مخروطی و مواجهه پیدایش اولیه سنگریزه های رها شده روی سطح قبل از شکاف و انحراف راستگرد بعدی آن، میراث قابل توجه و CRE متغیر را نشان می دهد. ترکیب بالا برنده های انحراف با قدمت یابی CRE و OSL، نشان دهنده لغزش های گسل جنوبی Anar در نرخ حداقل 0.8 mm yr−1، کمی سریع تر از نرخ قبلی تخمین زده شده است، با فرض اینکه برشی که بالا برنده ها را خلق نمود، با شروع هولوسن هم تاریخ شد (ka 2 ± 12). آخرین برش منطقه ای در منطقه Anar با شروع قسمت پر باران اولیه-میانه هولوسن (6–10.5 ka) نسبتاً هم تاریخ به نظر می رسد که در منطقه همسایه شمالی عمان نشان داده شده است.

نتیجه گیری

قدمت OSL، تعیین محل مخروط های Anar در پایان از آخرین مرحله یخبندان، احتمالا بعد از آخرین یخبندان و در طول آغاز هولوسن را نشان می دهد. سنین مسن تر و پراکنده CRE محاسبه شده برای سنگریزه های سطحی و زیر سطحی نشان می دهد که ماده نهایی گنجانده شده در فانگلومرات قبل از هر تعیین محل و رها شدن مخروط، به طور یکنواخت در معرض پرتوهای کیهانی قرار نگرفته است. وراثت CRE متغیر به احتمال زیاد از نبش قبر پیشرونده و تغییر سنگ بستر در حوضه بالایی از جریان در طول زمان آخرین یخبندان مرحله سرچشمه گرفته است. در نظر گرفتن وراثت دشوار به نظر می رسد (به عنوان مثال Hetzel و همکاران 2006؛ Oskin و همکاران 2008.) و هیچ راه حل مدل سازی سرراست برای بازیابی سن سطح وجود دارد. تنها با استفاده از سنین CRE ممکن است به دست بالا گرفتن معنی دار (50-60 درصد) سن رها شدن سطح مخروط منجر شود، به طور خاص در هنگامی که پروفایل های عمق غلظت های 10Be به مدل سازی وراثت کمک نمی کند.

Abstract

10Be cosmic ray exposure (CRE) and optically stimulated luminescence (OSL) dating of cumulative offset of alluvial fan surfaces have been performed to derive the long-term sliprate of the Anar fault. At two sites, the comparison between OSL ages obtained within the latest sediments emplaced during the aggradation of the fan and cosmogenic exposure ages of the pebbles abandoned on the surface before its incision and subsequent dextral offset indicates a significant and variable CRE inheritance. Combining offset risers with CRE and OSL dating implies the southern Anar fault slips at a minimum rate of 0.8 mm yr−1, a little faster than formerly estimated by assuming the incision, which created the risers, was coeval with the onset of the Holocene (12 ± 2 ka). The latest regional incision in the Anar area appears rather coeval with the onset of the early-middle Holocene pluvial episode (6–10.5 ka) evidenced in the neighbouring region of Northern Oman.

CONCLUSION

OSL dating indicates the Anar fans emplaced at the end of the Last Glacial Stage, most probably after the Last Glacial Maximum and during the beginning of the Holocene. The older and scattered CRE ages calculated for the surface and subsurface pebbles indicate that the material eventually incorporated in the fanglomerates has not been uniformly exposed to cosmic rays prior to both fan emplacement and abandonment. The variable CRE inheritance likely originated from a progressive exhumation and alteration of bedrock in the upper catchments of the streams during the Last Glacial Stage. Accounting for the inheritance appears difficult (e.g. Hetzel et al. 2006; Oskin et al. 2008) and there is no straightforward modelling solution to retrieve the age of the surface. Using CRE ages alone may lead to significant overestimate (50–60 per cent) of the age of a fan surface abandonment, specifically when depth profiles of 10Be concentrations do not help modelling the inheritance.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

نرخ لغزش مستقیم هولوسین مشخص شده به واسطه قدمت یابی پیدایش اولیه و OSL روی گسل آنار، ایران مرکزی

Holocene right-slip rate determined by cosmogenic and OSL dating on the Anar fault, Central Iran

میدان های الکترومغناطیسی ناشی از امواج درونی اقیانوسی

On the Electromagnetic Fields Induced by Oceanic Internal Waves

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

میدان های الکترومغناطیسی ناشی از امواج داخلی اقیانوسی

On the Electromagnetic Fields Induced by Oceanic Internal Waves

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

میدان مغناطیسی ناشی از امواج دریا

The Induced Magnetic Field of Sea Waves

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

میدان مغناطیسی القایی از امواج دریا

The Induced Magnetic Field of Sea Waves

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

روش جایگذاری شبکه ای مبتنی بر GIS در برابر رویکرد مدلسازی – یک مطالعه قیاسی برای ناحیه بندی خطر زمین لغزه (LHZ) در منطقه متا رابی ناحیه شوآی غربی اتیوپی

GIS based Grid overlay method versus modeling approach – A comparative study for landslide hazard zonation (LHZ) in Meta Robi District of West Showa Zone in Ethiopia

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

متد جایگذاری شبکه ای مبتنی بر GIS در برابر رویکرد مدلسازی- مطالعه قیاسی برای ناحیه بندی خطر زمین لغزه (LHZ) در منطقه متا رابی ناحیه شوآی غربی اتیوپی

GIS based Grid overlay method versus modeling approach – A comparative study for landslide hazard zonation (LHZ) in Meta Robi District of West Showa Zone in Ethiopia

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.