فایل ورد (word) بررسي تاثير پارامترهاي کرنش بحراني بر يکديگر با استفاده از روش SVM

    —         —    

ارتباط با ما     —     لیست پایان‌نامه‌ها

... دانلود ...

فایل ورد (word) بررسي تاثير پارامترهاي کرنش بحراني بر يکديگر با استفاده از روش SVM دارای 26 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد (word) بررسي تاثير پارامترهاي کرنش بحراني بر يکديگر با استفاده از روش SVM کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ريختگي احتمالي در متون زير ،دليل ان کپي کردن اين مطالب از داخل فایل ورد مي باشد و در فايل اصلي فایل ورد (word) بررسي تاثير پارامترهاي کرنش بحراني بر يکديگر با استفاده از روش SVM،به هيچ وجه بهم ريختگي وجود ندارد


بخشی از متن فایل ورد (word) بررسي تاثير پارامترهاي کرنش بحراني بر يکديگر با استفاده از روش SVM :


سال انتشار : 1397



تعداد صفحات :26

چکیده مقاله:

با توجه به توسعه روز افزون فضاهای زیرزمینی، ارزیابی پایداری و تعیین رفتار توده سنگ از مباحث مهم فضاهای زیر زمینی برای ایمنی و بهینه سازی پروژه می باشد. در سال های اخیر کرنش بحرانی به عنوانمهمترین شاخص برای ارزیابی پایداری و مچاله شوندگی تونل مورد توجه قرار گرفته است. در حال حاضر روش های مختلفی برای تعیین کرنش بحرانی ذات توده سنگ وجود دارد. پارامتر کرنش بحرانی یک شاخصاست که اجازه می دهد تا درجه ای از پتانسیل مچاله شوندگی بر حسب کمیت سنجیده شود. از آن به عنوان سطح کرنش در پیرامون تونل که فراتر از آن باعث بی ثباتی و مشکلات مچاله شوندگی که به احتمال زیاد رخمی دهد یاد شود. همچنین مقدار کرنش بحرانی در ارزیابی پایداری زمین به روش نمودار مشخصه زمین بسیار کاربرد دارد. تاکنون، تلاش هایی بسیار زیادی برای تعیین کرنش بحرانی شده است، که سه روش مقبول در این مطالعه بیان می شود. همچنین برای تعیین پتانسیل مچاله شوندگی تلاش های بسیاری شده است، که در همه مطالعات ها کمیت مچاله شوندگی 1% بر آورد شده است. با توجه به اینکه نتایج بدست آمده از روش های برای تعیین کرنش بحرانی، با استفاده از پارامترهای متفاوتی بوده است، در این پژوهش با استفاده از الگوریتم ماشین یادگیری سعی بر تاثیر هر کدام از پارامترها بر دیگری داشتیم. بدین منظور از الگوریتم هوشمند ماشین یادگیری در نر مافزار داده کاوی Rapidminer استفاده خواهد شد. بنابراین در پژوهش حاضر، با جمع آوری اطلاعات ارایه شده در مقالات معتبر، شرایط موجود به سه وضعیت پایدار، نیمه پایدار و ناپایدار تقسیم شد. نهایتا با استفاده از ماشین یادگیری SVM بین پارامترهای توده سنگ و وضعیت پایداری ارتباط معنادار و قابل قبولی مشاهده شد. خروجی ها ماشین یادگیری شامل اشکالی است که هر کدام از پارامترها را با دیگری بر اساس شرایط موجود در تونل طبقه بندی می کند.

لینک کمکی