مقاله مروری بر کاربرد بردار پشتیبان در مهندسی عمران

word قابل ویرایش
27 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

مروری بر کاربرد بردار پشتیبان در مهندسی عمران
خلاصه
تحقیقات اخیر در سیستم پردازش داده ها و تحقیقات مهندسی نسبت به ایجاد سیستم های هوشمند به منظور تکامل مدل ها برای مسائل گسترده ی مهندسی پرداخته شده است. ماشین بردار پشتیبانی یکی از روشهای یادگیری بانظارت است که از آن برای طبقهبندی و رگرسیون استفاده میکنند. این روش از جمله روشهای نسبتاً جدیدی است که در سالهای اخیر کارایی خوبی نسبت به روشهای قدیمیتر برای طبقهبندی از جمله شبکههای عصبی پرسپترون نشان داده است. مبنای کاری دستهبندی کننده SVM دستهبندی خطی دادهها است و در تقسیم خطی دادهها سعی میکنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد این مقاله شامل پنج قسمت می باشد. قسمت اول، درباره تاریخچه پیشرفت و اصول کلیدی ماشینهای بردار پشتیبانی((SVM توضیح می دهد. سپس، کاربرد SVM روی مسائل مهندسی سازه ای مختلف مرور شده است. بعد، سه مطالعه موردی انجام شده است تا عملکرد SVM را تایید کند. مقاله با یک توضیح نتایج مطالعه های موردی بدست آمده و کاربرد این روش جدید بر مسائل مهندسی سازه ای نتیجه گیری می شود..
کلمات کلیدی : بردار پشتیبان- یادگیری آماری – مهندسی سازه – ظرفیت بار نهایی- SFRC -FRP

مقدمه
پیشرفت اخیر در تکنولوژی مدلسازی داده ها، توجه بسیاری از مطالعات مهندسی مختلفی را به خود جلب کرده است. به همین علت، عملا مدلسازی داده های تجربی برای محققین و مهندسین با اهمیت تر شده است. بدین گونه، یک فرآیند تمرین داده ها جهت ساختن یک مدل از یک سیستم برای هدف کسب پیش بینی برای مواردی که هنوز باید مشاهده شوند، استفاده شده است. عملکرد مدل، بنابراین، وابستگی زیادی به مقدار و دقت دستاوردهای تجربی استفاده شده برای مدل تمرینی دارد. با وجود یک تکنیک مدلسازی جدید، روش ماشین های بردار پشتیبانی((SVM یکی از آن روشهایی است که می تواند انجام شود تا نتایج آزمایش را پیش بینی کند. در مهندسی سازه ها، مدلسازی داده های تجربی موضوع مهمی می باشد که به محققین و مهندسین کمک میکند تا نتایج آزمایش را پیش بینی کنند. به عبارت دیگر، این مقاله در نظر دارد تا کاربرد این روش جدید را برای مسائل مهندسی سازه ای بررسی کند.
ماشین های بردار پشتیبانی همانند یک ابزار مدلسازی
SVM ها ابتدا توسط Boser,Guyon و Vapnik Boser و همکاران (۱۹۹۲) فرمول نویسی و ارائه شده بود، و برای اولین بار در کنفرانس نظریه آموزشی محاسباتی (COLT) در سال ۱۹۹۲ ارائه شد. مشخصات اصلی این روش در حال
حاضر در مقالات در دسترس بوده و در یادگیری ماشینی شبیه ابر صفحات با حاشیه زیاد در فضای ورودی از سال ۱۹۶۰
اعمال شده است.((.cristianini,showe-toylor 2000
بعد از اینکه این روش ارائه شد ، بسیاری از محققین به هر دو تحلیل (الگوریتمی و تئوری) این سیستم ها پرداختند. فقط در عرض چند سال یک مسیر تحقیق جدید و موثر به شیوه درست بدست آوردند که براساس ادغام موضوعات عرصه های تحقیقی علمی از قبیل آمار، بهینه سازی ، تحلیل های تابعی مانند یادگیری ماشین می باشد. چند سال بعد ، کرتز و واپنیک (۱۹۹۵) طبقه بندی حاشیه ای نرم را ارائه کردند، الگوریتم در سال ۱۹۹۵ به حالت رگرسیون بسط داده شد.(واپنیک (۲۰۰۰
علاوه بر پایه عددی استوار در نظریه آموزشی آماری، بردار پشتیبانی عملکرد کاملا محاسباتی را در چندین کاربرد نشان دادند مانند تشخیص چهره ، استخراج متن، فرآیند تصویری و بیوانیفورماتیک. این حقیقت که، SVMها یکی از روش های مدرن برای استخراج داده و یادگیری ماشینی به همراه دیگر روش های محاسباتی نرم مانند سیستم های فازی و شبکه های عصبی (ونگ(۲۰۰۵ هستند، به اثبات رسیده است.

با وجود یک تکنیک آموزش کنترل شده، SVMتوابع نگاشت ورودی-خروجی را از مجموعه داده های آموزشی برچسب دار بدست می آورد. یک تابع رگرسیون یا یک تابع طبقه بندی کننده مانند دسته داده های ورودی می توانند تابع نگاشت باشند. توابع کرنل غیر خطی، برای طبقه بندی کردن، به طور مکرر برای تبدیل داه های ورودی به یک فضا با بعد بالا استفاده می شوند. طبق این روش، داده های ورودی در مقایسه با فضای ورودی کامل قابل تفکیک می شوند. سپس ایجاد ابرصفحات با حاشیه ماکزیمم اجرا می شود(ونگ .(۲۰۰۵
با حل بهینه سازی ، مقادیر پارامتری ابر صفحات با حاشیه ماکزیمم بدست می آیند. قوانین الگوریتمی مشخص بیشماری برای هدف حل مسئله QP که ازSVMها بدست می آیند وجود دارند که معمولا وابسته به قوانین اکتشافی برای تبدیل مسئله به بخش های کوچکتر، قسمت های قابل کنترل تر می باشد. الگوریتمSMO آقای پیات یک تکنیک ساده برای حل مسئله QPمی باشد. این الگوریتم مسئله را به ریز مسئله های دو بعدی به منظور آنالیز تحلیلی می شکند. بدین گونه، نیاز به یک الگوریتم بهینه ساز عددی مانند روش گرادیان مزدوج حذف می شود.
سپس در این مدل براساس فقط یک زیرمجموعه از داده های تمرینی نزدیک به مرزهای گروه توسعه داده می شود. بعلاوه،مدلی که توسط رگرسیون بردار پشتیبانی ایجاد شده است، از هر داده تمرینی که به اندازه کافی به پیش بینی مدل نزدیک است، چشم پوشی می کند. همچنین فرض شده است که SVM ها متعلق به (تکنیک های کرنل) هستند(ونگ.(۲۰۰۵
ترتیب توسعه SVMها تکامل NNها را وارونه کرده است.SVMها از نظریه دقیق برای برنامه ها و آزمایش ها توسعه داده شدند در صورتیکه NNها همراه با سعی و خطا، از پیاده سازی و آزمایش قابل توجه تا نظریه می باشند. به طرز عجیبی، SVMها، ابتدا برخلاف پس زمینه نظری خیلی قوی آنها، خیلی مورد تقدیر واقع نشدند، امروزه، واضح است که SVMها عملکرد خیلی بهتر(یا قابل مقایسه) نسبت به شبکه های عصبی و مدل های آماری دیگر، برای حل مسائل دنیای واقعی نشان دادند (هوآنگ و همکاران.(۲۰۰۶

طبقه بندی بردار پشتیبانی
SVMها برای اهداف طبقه بندی داده ها بسیار مفید هستند. فرآیند طبقه بندی با جداسازی داده ها به مجموعه های آموزشی و آزمایشی شروع می شوند. هر ردیف داده در مجموعه آموزشی شامل یک مقدار هدف و صفات مختلف می باشد.
هدف اصلی SVM خلق یک مدل می باشد که مقادیر هدف داده آزمایشی را به وسیله استفاده از صفات داده شده پیش بینی کند (سو و همکاران.(۲۰۰۲ توابع کرنل استفاده شده برای طبقه بندی داده داده ها به صورت زیر هستند.

در اینجا ،d و r پارامترهای کرنل هستند.
معمولا فرآیندSVM شامل:
(۱ تبدیل داده به فرمت بسته SVM
(۲ امتحان کردن با کرنل ها و پارامترهای زیاد روی یک مبنای تصادفی
(۳ آزمایش مدل
سو و همکاران یک فرآیند SVM جدید را پیشنهاد دادند((۲۰۰۲ که در زیر آمده است:
(۱تبدیل داده به فرمت بسته SVM
(۲ برنامه مقایسه کننده ساده روی داده ها
(۳ لحاظ کردن تابع کرنلRBF
(۴ بدست آوردن مقادیر برای پارامترهایC و با استفاده از اعتبارسنجی ضربدری
(۵ استفاده از پارامترهای C و بدست آمده برای آموزش کل مجموعه آموزشی
(۶ آزمایش مدل
مروری بر کاربردهای SVM در مهندسی سازه

مدلسازی خصوصیات مواد بتن با استفاده ازSVM
بتن سیمانی یکی از محبوب ترین مواد استفاده شده در مهندسی سازه می باشد. مدلسازی و پیش بینی پارامترهای بتن به این علت که ،بتن اجزای مختلفی به نام های سیمان، ماسه، شن، آب و مواد افزودنی می باشد و همچنین به دلیل غیر خطی بودن بین روابط این اجزای وابسته و مستقل، وظیفه دشواری می باشد . ماشین های بردار پشتیبان یکی از ابزارهای محاسباتی می باشد که تلاش می کند تا این مسائل بسیار پیچیده را حل کند. قسمت های زیر مروری جزیی بر ادبیات مرتبط با کاربرد SVM در مدلسازی پارامترهای انواع مختلف بتن می باشد.

کاربرد در مدلسازی مقاومت بتن
مقاومت بتن یک مشخصه ذاتی که رابطه محکمی با کیفیت و مقاومت کل سازه دارد. محققین مختلف روش ماشین های بردار پشتیبان را در پیش بینی مقاومت بتن با موفقیت انجام دادند. شنگو و جونبو (۲۰۰۷) از دو نوع تابع کرنل استفاده کردند و فهمیدند که پیش بینی مدل SVM توسعه داده شده با آزمایشات تطابق نسبتا خوبی دارد.
ژو و همکاران((۲۰۰۸ یک مدل ریاضی بر مبنای SVM ارائه کردند که رابطه بین مقاومت و کمیت های فیزیکی که از آزمایش غیرمخرب بدست آمدند، نشان می دهند. آن ها فهمیدند که این روش مزایایی از قبیل زمان محاسباتی کمتر و دقت بالا در پیش بینی دارد . این روش جدید می تواند برای تبدیل مقاومت بتن برای آزمایش های غیر مخرب استفاده شود.
دمای بالا خسارات جدی در سازه بتنی وارد می کند. رابطه غیر خطی بین خصوصیات مواد بتنی و در معرض آتش دشواری تخمین درست از دمای ایجاد شده القا می کند. چن و همکاران((۲۰۰۹ یک مدل SVM بدست آوردند که تقریبا برای پیش بینی مقادیر در دمای قرار گرفته امکان پذیر است و همچنین آن ها اهمیت تعداد پارامترهای موثر را نشان دادند. یک نمونه از پیش بینی مقاومت توسط مطالعه های-ژیا (۲۰۱۰) بدست آمده است که از روش SVM برای پیش بینی بتن مقاومت بالا انجام داده است. آنها نتایج SVM را با آزمایشات واقعی مانند رگرسیون، شبکه پس انتشار (BP)وشبکه تابع مبنای شعاعی (RBF)مقایسه کردند. آنها همچنین بر ظرفیت SVM بر پیش بینی مقاوت بتن تاکید کردند.
پیش بینی مدول الاستیسته همچنین مشخصه مهمی می باشد که برای محاسبه تغییر شکل سازه ها استفاده می شود. به عنوان مثال،یان وشی((۲۰۱۰ یک مدل SVMدر پیش بینی مدول الاستیسیته برای بتن مقاومت معمولی و مقاومت بالا بررسی کردند. آن ها همچنین یک مقایسه از نتایج SVM و دیگر مدل های پیشنهادی و همچنین نتایج آزمایشگاهی انجام دادند. آن ها به این نتیجه رسیدند که عملکرد و ظرفیت تعمیم سازی مدل SVM بر دیگر مدل ها ارجحیت دارد.
بین و همکاران((۲۰۱۱ یک مدل معرفی کردند که مقاومت فشاری بتن از دو مجموعه نمونه مکعبی ، یک مجموعه شامل خاکستر آتشفشانی و دیگری شامل خاکستر آتشفشانی و خاکستر سرباره را تخمین می زند. نشان داده شد که مدل با دقت پیش بینی بهتر نسبت به روش رگرسیون خطی انجام شد و پایدارتر از شبکه عصبی مصنوعی BP می باشد.
همچنین روش های موجود برای پیش بینی خصوصیات بتن موثرند. نمونه ای از این حالت توسط گیلان و همکاران((۲۰۱۱ انجام شده است که مقاومت فشاری بتن را باSVR با کمک تابع فازی تکاملی پیش بینی کردند. آن ها قوت و قابلیت تعمیم سازی تابع فازی تکاملی با SVR (EFF‐SVR) را با دیگر روش های مدلسازی موجود از قبیل سیستم عصبی-فازی وفقی (ANFIS) تابع فازی با تخمین حداقل مربعات((FF‐LSE، شبکه عصبی مصنوعی و بهبودیافته FF‐LSE ، مقایسه کردند. نتایج عملکرد و قابلیت بهتر مدل EFF‐SVRرا نشان دادند.
مدلسازی تیرهای عمیق بتنی پیش تنیده و مسطح توسط پال و سول (۲۰۱۱) ارائه شد که SVM را برای پیش بینی مقاومت برشی انجام دادند. به منظور مقایسه، آنها همچنین یک شبکه عصبی پس از انتشار سه معادله تجربی برای تیرهای عمیق اعمال کردند. نتایج نشان دادند که مدل SVM عملکرد بهتری دارد و معادلات پارامتری، اهمیت پارامترهای موثر از قبیل مقاومت بتن و نسبت دهانه برشی و عمق موثر تیر روی پیش بینی مقاومت را نشان دادند.
ونگ و همکاران((۲۰۱۱یک مدل براساس SVM به منظور پیش بینی مقاومت و امکان پذیری ارائه کردند. نتایج نشان دادند که SVM روش بهتری برای بیان رابطه بین مقاومت بتن و ضرایب موثر می باشد.
سریرام و همکاران((۲۰۱۲از SVM برای بررسی امکان استفاده از ریز دانه های گرانیتی به عنوان جایگزینی برای ماسه بستر رودخانه ای ، کمک گرفتند. نتایج نشان دادند که انجامSVM باعث عملکرد بالایی در پیش بینی مقاومت بتن می شود.
استفاده از مدل های قویتر برای تخمین مقاومت فشاری بتن بدون کارایی که خصوصیات و اجزاء بسیار حساس دارند، مورد نیاز است. سبحانی و همکاران((۲۰۱۳ یک مدل SVM ارائه کردند تا مقاومت فشاری بتن بدون کارایی را پیش بینی کنند و نتایج را با مدل شبکه عصبی بهینه شده (ANN) مقایسه کردند. نشان داده شد که اگرچه هر دو مدل دارای دقت بالایی در پیش بینی و قابلیت تعمیم سازی دارند، اما SVM در مقایسه با مدل های ANN سریعتر می باشد.
سان و همکاران(SVM 2013 (را با حداقل مربعات (LS‐SVM)برای پیش بینی مقاومت نمونه های بتنی با افزودنی خاکستر آتش فشانی با حجم زیاد انجام دادند. آن ها نشان دادند که مدل LS‐SVMمی تواند از اشکالات شبکه های عصبی (ANN)به نام های تمرین بیش از حد و قابلیت ضعیف تعمیم سازی جلوگیری کند .
رابطه بین مقاومت کششی و مقاومت فشاری توسط یان و همکاران((۲۰۱۳ مطالعه شد که یک مدل SVM با استفاده از داده های تجربی در دسترس در مقالات ارائه کرد. نتایج با مطالعات تجربی مقایسه و تطابق خوبی نشان داده شد. نتایج با خروجی های معادلات طراحی تجربی و مدل های مختلف مقایسه شد . بدست آمد کهSVM یک پتانسیل قوی برای تخمین مقاومت کششی جداکننده از مقاومت فشاری دارا می باشد.
مثال دیگری برای مدلسازی مقاومت بتن مطالعه یانگ ودانگ (۲۰۱۳) می باشد، آن ها از SVM برای بررسی امکان این روش کمک گرفتند. نتایج با روش شبکه عصبی رگرسیون تعمیم داده شده مقایسه شد. یوواراج و همکاران((۲۰۱۳ یک مکانیک شکست براساس مدلSVMبرای تخمین خصوصیات تیرهای بتنی با مقاومت بالا و بسیار بالا ارائه کردند. مدل تلاش می کند تا مقادیر انرژی شکست، ضریب شدت تنش بحرانی، جابجایی بازشدگی نوک ترک بحرانی و بارهای گسیختگی را پیش بینی کند. نتایجی که از مدل های ارائه شده بدست آمدند با نتایج مقادیر آزمایشگاهی تطابق خوبی داشتند.

پیشبینی خوردگی بتن
دوام سازه، نگرانی بزرگ در مهندسی سازه می باشد و بطور چشم گیری تحت تاثیر خوردگی بتن و آرماتور مسطح می باشد. با توجه به این، پیش بینی شدت خوردگی یک پدیده اساسی برای محققین می باشد.
یک مثال برای پیش بینی شدت خوردگی توسط شوجیان و همکاران (۲۰۰۷) ارائه شد که SVM را همچون یک طبقه بندی کننده شدت خوردگی انجام داد. محققین فهمیدند که این روش دارای مزیت دقت بالا در طبقه بندی می باشد.
ژانگ و سانگ (۲۰۱۲) یک آزمایش نمونه های بتنی دارای خاکستر آتش فشانی در اسید سولفوریک انجام دادند و نتایج را با روش SVM میانگین مدلسازی کردند. مقایسه نتایج با مقادیر اندازه گیری شده، نشان داده شد که این روش جدید محاسبه قابلیت پیش بینی خوردگی اسید سولفوریک بتن را دارا می باشد. خصوصیات مکانیکی بتن مسطح خورده شده توسط یانگ و همکاران((۲۰۱۴بررسی شد که آزمایشاتی را روی نمونه های تحت بارهای تکراری انجام دادند. با استفاده از SVMپارامترهای عرض ترک ماکزیمم و تغییر شکل، پیش بینی و با نتایج آزمایشی مقایسه شد. در نتیجه یک دقت پیش بینی بالای مدل مشاهده شد .

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 27 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد