دانلود پایان نامه کاربرد شبکه های عصبی و الگوریتم های ژنتیک در تعیین طرح اختلاط بتن با مقاومت بالا

خلاصه پایان نامه:

 مقاومت بتن به عنوان یکی از مهمترین پارامترهای لازم برای طراحی، به عوامل بسیار زیادی از قبیل طرح اختلاط بتن،جنس مواد تشکیل دهنده بتن، شرایط آزمایشگاهی، مهارت های فرد آزمایش کننده، خطاهای آزمایشگاهی و ... بستگی دارد. از آنجا که بسیاری از این عوامل نامعلوم بوده و نمی توان به فرمولاسیون خاص و نسبتاً دقیقی برای مقاومت بتن دست یافت، لذا بکار بردن روشی که ورای فرمول های معمول ریاضی بتواند تا حد قابل قبولی مقاومت بتن را پیش بینی کند، حائز اهمیت خواهد بود. امروزه استفاده از شبکه های عصبی که الهام گرفته از رفتار مغز و نرون های عصبی است در مسائلی که ماهیتاً دارای مجهولات زیادی بوده و در مواردی دسترسی به حل آنها ناممکن می نماید، رو به افزایش است. در بخش اول این تحقیق با در دست داشتن نتایج تعداد بسیار زیادی نمونه آزمایشگاهی (شامل درصدهای اجزاء تشکیل دهنده نمونه و مقاومت نمونه موردنظر)، یک شبکه عصبی سه لایه، با الگوریتم آموزش پس انتشار خطا و با استفاده از توابع انتقال سیگموئید و خطی در لایه های میانی و خروجی، آموزش داده خواهد شد. پس از آزمایش، شبکه این قابلیت را خواهد داشت که با داشتن اوزان اجزاء تشکیل دهنده یک مترمکعب بتن، مقاومت فشاری آن را پیش بینی کند.

کاربرد شبکه های عصبی و الگوریتم های ژنتیک در تعیین طرح اختلاط بتن با مقاومت بالا

در بخش دوم این تحقیق با استفاده از الگوریتمهای ژنتیک در یک فضای چند بعدی که هر بعد آن یکی از اجزاء تشکیل دهنده بتن با مقاومت بالا می باشد، به جستجو می پردازیم تا به نقطه موردنظر که دارای مقاومت پیشینه خواهد بود برسیم. الگوریتم های ژنتیک، الگوریتم های جستجویی هستند که بر اساس سازوکار انتخاب طبیعی و ژنتیک طبیعی بنا نهاده شده اند. این الگوریتم ها مناسب ترین رشته ها را از میان اطلاعات تصادفی سازماندهی شده، با روش جستجوی انسانی انتخاب می کنند. در هر نسل یک گروه جدید رشته ها با استفاده از بهترین قسمتهای دنباله های قبلی و بخش جدید اتفاقی برای رسیدن به یک جواب مناسب بوجود می آید. هنگام پیشامدسازی، الگوریتم های وراثتی عمل پیشامدسازی ساده را نمی پیمایند، بلکه آنها داده های پیشین را با تفکر انتخاب نقاط جستجوی جدید برای رسیدن به پیشرفت موردنظر، توام می کنند. تابع برازش مورد استفاده در الگوریتم ژنتیک بکار رفته در این تحقیق، شبکه عصبی سه لایه ای است که دارای یک نرون در لایه خروجی و ده نرون در هر یک از دو لایه پنهان میانی بوده و با استفاده از الگوریتم آموزش پس انتشار خطا، در بخش اول تحقیق آموزش داده شده است.