123.5607

13.68441
10.93348
7.434403
3

-9.88103

5.290111
-0.24705
26.60076
4

6.563518

-21.6957
1.24511
-52.6174
5

126.268

4.098695
0.86563
16.62129
6

-76.1307

57.93548
-3.88604
31.11009
7

125.018

6.275588
10.09209
-11.685
8

-112.675

-0.14508
-0.01223
0.060598
9

132.3193

-3.4917
12.2292
23.18402
10

5.98226

-29.2266
-0.91772
8.623531
11

24.05137

16.4498
-5.15596
23.64961
12

645.8551

-0.7502
0.000861
0.020081
13

-18.3359

-3.74975
10.95124
-65.1899
14

-11.3491

-275.365
-72.0163
317.668
15

972.96

-2.01975
-0.00038
0.0207
16

260.8761

16.08062
165.3736
34.96404
17

148.5288

7.944029
12.97507
-40.3522
18

6.681166

-82.6408
-5.16395
37.57121
19

-14.0737

804.2194
-104.182
463.2244
20

20.68346

421.7809
86.18602
-535.6
21

9.573458

2.070317
5.130527
-19.7777
22

17.44355

5.002027
1.120841
-1.40573
23

-6.6711

282.8847
-8.94984
42.99153
24

125.4444

4.624343
1.06686
0.239912
25

101.3924

-2.45425
9.920891
-29.8681
26

-139.756

-7.38693
-11.5267
-1.65502
27

شکل 3-10 پارامترهای شبکه حین مرحلۀ آموزش را نشان میدهد.

شکل 3-10- رفتار پارامترها در مرحله آموزش شبکه جهت پیش بینی حجم بحرانی

شکل 3-11- نمودار عملکرد شبکه بهینه جهت پیش بینی حجم بحرانی

3-5-2-1- مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی با داده های تجربی برای حجم بحرانی
نتایج دادههای پیش بینی شده ی شبکه عصبی بهینه در مقابل داده های آزمایشگاهی حجم بحرانی در شکل 3-12 نشان داده شده است. همان طور که از شکل پیدا است، دادهها با دقت قابل قبولی تخمین زده شده اند.

شکل 3-12- داده های تخمین زده شده توسط شبکه عصبی مصنوعی در مقابل داده های تجربی برای حجم بحرانی

همچنین شاخص های آماری مربوط به شبکه عصبی بهینه طبق جدول زیر می باشد.

جدول 3-7- شاخص های آماری مربوط به شبکه عصبی بهینه جهت تخمین حجم بحرانی
Test
Total
Train

مطلب مرتبط :   پایان نامه رایگان درموردهوش عاطفی، عملکرد سازمان، جمع آوری اطلاعات، عملکرد سازمانی

4.2974
4.4406
4.4763
MRE %
0.9926
0.9920
0.9918
R2

این شبکه طبق معادله ی 3-8 پیروی می کند:
Vc= f (MW,N) + b2

در حالی که b2 بایس لایه ی خروجی می باشد و تابع f طبق معادله 3-9 تعریف می شود:
f(n) = Wlw× (tansig(Wiw×Vi + b1))

tansig(n) =2/(1+exp⁡(-2 ×n))
در حالی که Viو b1 به ترتیب بردارهای ورودی ها و بایس های لایه ی مخفی می باشند، همچنین Wiw و Wlw به ترتیب وزن های لایه ی مخفی و لایه ی خروجی می باشند. مقادیر وزن ها (Wiw و Wlw) و بایاس ها ( b1و b2) در جدول 3-6 گزارش شده است.
3-5-3- مدل ارائه شده توسط شبکه عصبی مصنوعی برای فشار بحرانی
شکل 3-13 نمایی از مدل شبکه عصبی مصنوعی پیشنهادی به همراه ورودی های مشخص شده جهت تخمین فشار بحرانی برای مواد مختلف را نشان می دهد.


دیدگاهتان را بنویسید