بخشی از مقاله
کاربرد شبکه های عصبی مصنوعی در مهندسی عمران
چکيده
بدنبال پردازش و حل سریع تر مسایل، شبکه عصبی مصنوعی، که یک سامانه پردازشی داده هاست و از مغز انسان ایده گرفته شده مطرح شده است. در شبکه های عصبی پردازش داده ها را به عهده پردازنده های کوچکی که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند، می باشد.
از مزایای این شبکه ها ، سرعت زیاد آن در پاسخگویی است. هم چنین این شبکه ها توان پاسخ گویی به سوال های بی جوابمان را با درصد خطاهای مختلف است. شبکه های عصبی در واقع همانند یک سیستم پاسخگویی تجربی است که امکان خطا کردن دارد، اما هرچه بیشتر تجربه کرده باشد و هر چه تجربه کنندگانش )نورون ها( بیشتر باشد، کمتر دچار خطا می شود و نتیجه دقیق تری به ما میدهد.
در این مقاله بر آن شدیم تا موارد کاربردی شبکه های عصبی و تکنیک های جدید مطرح شده در دنیا در مهندسی عمران را برای خوانندگان فراهم کنیم. از کاربرد های شبکه های عصبی امروزه در بخش مهندسی عمران می توان به بهینه سازی سازه ها، کنترل رفتار برخط سازه ها و پیش بینی رفتار سازه در اثر بالیای طبیعی چندگانه )سیل، زلزله و طوفان( می باشد که در این مقاله آشنایی الزم برای خواننده ها فراهم می شود.
واژههای کليدی: شبکه های عصبی مصنوعی، سازه، آموزش شبکه
مقدمه
انسان ها قرون متمادی در راستای ارتقای سطح ماشین ها تالش می کردند. اما با این حال که ماشین ها پیشرفته تر شده اند و اجزای پردازشی کامپیوترها بسیار سریع تر از اجزای پردازشی مغز انسان )نورون ها( عمل می کنند. اما واکنش انسان ها از کامپیوتر ها بسیار سریعترند. دلیل این امر این است که نورون های مغز انسان به صورت موازی عمل می کنند. در حالی که در کامپیوتر ها محاسبات به صورت ترتیبی انجام می شوند. برای حل این مسئله از سیستم عصبی بدن انسان الهام گرفته شده و شبکه های عصبی مصنوعی مطرح شده اند. شرکه عصبی مصنوعی یک سامانه پردازشی داده هاست که پردازش داده ها را به وسیله پردازنده هایی کوچک انجام میدهد. این پردازنده ها به طور موازی با هم عمل می کنند. سپس به صورت شبکه هایی به هم می پیوندند و با اعمال الگوریتم آموزشی به آن شبکه آموزش می بینند.
در بخش های بعدی این چکیده در ابتدا سیستم های عصبی زیستی را با شبکه های عصبی مصنوعی مقایسه کرده و شبکه های عصبی مصنوعی را دقیق تر معرفی خواهیم کرد. در ادامه تاریخچه ای از پیدایش و تکامل شبکه های عصبی مصنوعی ارائه خواهیم کرد. در قسمت های بعدی نیز به بررسی ساختار شبکه های عصبی مصنوعی و نحوه آموزش آن ها می پردازیم. در انتها با جمع بندی کلی مطالب ارائه شده گزارش را به پایان می رسانیم.
سيستم های عصبی زیستی
شبکه عصبی زیستی مجموعه ای از تعداد بسیار زیادی پردازشگرهای موازی به نام نورون اند. نورون ها اطالعات را به وسیله سیناپس ها از مغز به ارگان ها و از ارگان ها به مغز منتقل می کنند. در این شبکه ها اگر یک سلول آسیب ببیند بقیه سلول ها می توانند نبود آن را جبران کرده و نیز در بازسازی آن سهیم باشند.
این شبکه ها توانایی یادگیری تطبیقی را دارند، یعنی با استفاده از مثال ها آموزش می بینند تا در صورت دادن ورودی های تازه شبکه جواب درست بدهد.
یک نورون شامل سه قسمت اصلی است:
الف- دندریت ها: که سیگنال ها را از نورون های دیگر دریافت می کنند. ب- سوما: یا بدنه سلول که تمامی سیگنال های ورودی را جمع می کند.
پ- آکسون، زمانی که سیگنال های ورودی به آستانه پتانسیلی عملی برسد سیگنال ها توسط آکسون ها به نورون های دیگر فرستاده می شود. )شکل )1
شکل :1 نورون زیستی نورون ها و شبکه های عصبی زیستی تحت تاثیر محیط تغییر می کنند و با این تغییرات شبکه آموزش می بیند.
شبکه های عصبی مصنوعی
شبکه عصبی مصنوعی یک سامانه پردازشی داده هاست که از مغز انسان ایده گرفته شده و پردازش داده ها را به عهده پردازنده های کوچک مسپردد که این پردازنده ها به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا مسئله را حل نماید.
در این شبکه ها ساختار داده ای طراحی می شود که همانند نورون عمل می کنند که به این ساختار گره یا نورون می گویند. این گره ها دارای دو حالت روشن و خاموش اند که این حالت روشن یا خاموش توسط تابع فعالسازی هر گره تعیین می شود. سپس گره ها را با یال هایی به صورت یک شبکه به هم وصل می کنند که هریک از این یال ها دارای وزن اند.
تاریخچه شبکه های عصبی مصنوعی
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نوروفیزیولوژیست ها سعی می کردند که سامانه یادگیری مغز را کشف کنند و از سوی دیگر ریاضیدانان تالش می کردند تا به مدلی ریاضی دست یابند که قابلیت فراگیری حل مسائل را داشته باشد. اولین بار در سال 1443 میالدی مک کالچ و والترپیتز اولین شبکه عصبی را طراحی کردند که تا به امروز هنوز این مدل ساختار اصلی شبکه های عصبی را شکل می دهد. ایده در نظر گرفتن آستانه برای نورون ها در این مدل امروزه در بسیاری از شبکه های عصبی استفاده می شود. از این مدل در مدارهایمنطقی و اجرای توابع ساده منطقی مثل AND و OR استفاده می شود.
در سال 1444 میالدی دونالد هب اولین قانون آموزش را برای شبکه های عصبی مطرح کرد. طبق الگوریتم آموزش وی اگر در یک لحظه دو نورون با هم روشن باشند وزن یال متصل کننده آن ها افزایش می یابد.
در سال 1491 روزنبالت شبکه پرسپترون را معرفی کرد. این شبکه شبیه مدل های قبل بود با تفاوت که یک الیه میانی به عنوان الیه پیوند به شبکه افزوده شد. پرسپترون ها قابلیت یادگیری دارند به طوری که به ازای ورودی داده شده خروجی متناظر را نتیجه می دهند.
در سال 1491 میالدی ویدرو و هاف مدل دیگری به نام مدل خطی تطبیقی نورون )شبکه آداالین( را که اولین شبکه عصبی به کار گرفته شده در مسائل واقعی بودند مطرح کردند. تفاوت این روش با پرسپترون ها در روش آموزش شبکه می باشد.
در سال 1494 میسکی و پاپرت با انتشار کتابی محدودیت های شبکه های تک الیه و پرسپترون های چند الیه را تشریح کردند و مطرح کردند که پرسپترون ها قادر به حل هیچ مسئله جالبی نیستند. با انتشار این کتاب میل عمومی برای انجام تحقیقات بر روی شبکه های عصبی کاهش یافت. اما با این حال برخی محققان تحقیقات خویش را ادامه دادند و به دستاوردهایی چون کنترل دست ربات، تکنیک های جدید یادگیری و ... رسیدند.
اندرسون و کوهنن از اشخاصی بودند که تکنیک هایی جدید برای آموزش ارائه کردند.
ورباس در سال 1494 میالدی الگوریتم آموزش پس انتشار خطا را بیان کرد که یک شبکه پرسپترون چند الیه به وسیله آن آموزش می بیند.
یکی دیگر از اقدامات بسیار مهم ارائه شبکه هایی متفاوت توسط جان هاپفیلد و دیوید تانک می باشد. در این شبکه ها ضرایب یال های متصل کننده نورون ها ثابت بوده و توابع فعالسازی خود را با شرایط تطبیق می دهند. از این شبکه ها با عنوان شبکه های حافظه انطباقی یاد می کنند که به وسیله آن ها می توان مسائلی همچون "مسئله سفر مرد دوره گرد " را حل کرد.
در سالهای دهه 11 میالدی با ابداع روش انتشار برگشتی که مستقال توسط پارکر و لوکان ارائه گردیده تحولی در شبکه های عصبی صورت گرفت. از سایر کسانی که در پیشبرد این علم سهیم بودند برنده جایزه نوبل فیزیک هاپفیلد بود که شبکه
های عصبی را که براساس وزن ثابت عمل می نمایند برای اولین برا معرفی کرد. این شبکه ها به صورت حافظه مشارکتی عمل نموده و امکان حل مسائلی با قیدهای اولیه توسط آن ها میسر می گردد.
فوکوشیما مجموعه ای از شبکه های عصبی را به نام نئوکگنیترون را در جهت شناسایی حروف بسط و توسعه داد به طوری که برنامه اصالح شده او قادر به شناسایی حروف حتی با وجود تغییر شکل و یا دوران بود.
ساختار شبکه های عصبی
نورون ها در شبکه عصبی در الیه هایی دسته بندی می شوند به طوری که نورون هایی که در یک الیه قرار دارند هدفی مشترک را دنبال می کنند. فاکتورهایی که رفتار یک نورون را تعیین می کنند تابع فعالسازی و ضرایبی هستند که آن نورون را به نورون های دیگر متصل میکند. به همین دلیل در یک الیه معموال نورون ها توابع فعالسازی یکسان دارند و الگوی اتصال آن ها به نورون های دیگر مشابه است.
شبکه های عصبی براساس تعداد الیه های موجود در آن ها به دو دسته تقسیم می شوند:
شبکه های تک الیه: که دارای یک الیه می باشند، بدین صورت که سیگنال های ورودی به شبکه وارد شده وارد الیه می شوند و سپس از واحد های خروجی پاسخ شبکه را منتقل می کنند.)شکل )2
شکل :2 شبکه عصبی تک الیه
شبکه های چند الیه: این شبکه ها دارای چندین الیه هستند. در واقع در این شبکه ها بین واحد های ورودی و خروجی چندین الیه وجود دارد که به این الیه ها بخش پنهان شبکه می گویند. شبکه های چند الیه قابلیت حل مسائی پیچیده تری را نسبت به شبکه های تک الیه دارند اما ممکن است آموزش آن ها بسیار سخت و دشوار باشد.)شکل )3
