کد محصول MEM140
تعداد صفحات: ۱۲۰ صفحه فایل WORD
قیمت: ۲۰۰۰۰ تومان
چکیده:
از آنجایی که شبکه عصبی مصنوعی کارائی خود را در پیش بینی روند سری های زمانی و سری های زمانی- مکانی به خوبی نشان داده اند،طی سالهای اخیر تلاش هائی برای به کارگیری شبکه عصبی مصنوعی در بررسی و پیش بینی توزیع زمانی و مکانی زلزله ها انجام شده است. در این پژوهش با مطالعه و بررسی تاریخ فعالیتها و جنبشهای گذشته گسله های پویا با سیستم دینامیکی بسیار پیچیده ای که در مناطق لرزه خیز کشورمان وجود دارد، تصویر ساده شدهای از گسل ساخته می شود و با استفاده از این مدل، می توان کارآمدی شبکه عصبی مصنوعی را تعیین کرد. با استفاده از اطلاعات شتابنگارهای موجود و بهره جستن از تکنیک شبکه عصبی مصنوعی، شبکه ای تحت آموزش قرار می گیرد که دارای قابلیت پیش بینی زمان وقوع وبزرگی زلزله در منطقه تحت بررسی باشد. در این بررسی میزان بزرگی زلزله های اتفاق افتاده به انرژی آزاد شده تجمعی زمین تا زمان وقوع زلزله تبدیل، و به عنوان یکی از پارامترهای ورودی وخروجی به نرم افزار داده می شود.علاوه برآن پارامترهای عمق کانونی، فاصله کانون زلزله از گسل مسبب و زمان وقوع زلزله از داده های مختلف بانک اطلاعاتی مورد استفاده می باشد.کلیه داده ها نرمالیزه شده و به عنوان ورودی در نرم افزار مورد تحلیل قرار می گیرد. نتیجه تحلیل، میزان انرژی آزاد شده محتمل زمین تا یک تاریخ معین را مشخص مینماید.نهایتاً می توان با مشخص نمودن خطرات و ریسک های موجود در محدوده (در مورد خطر وقوع زلزله) با انتخاب الگوی مناسب، به اولویت بندی خطرات و آنگاه به اولویت بندی برنامه های مدیریتی جهت اجرا پرداخت.
فهرست مطالب
فصل اول ۱۶
کلیات ۱۶
۱-۱-مقدمه ۱۷
۱-۲- شمای کلی تحقیقات و ترتیب ادامه مطالب ۲۰
فصـل دوم ۲۱
پیشینه پژوهش۲۱
۲-۱- تاریخچه مطالعات گذشته ۲۲
۲-۲- طیف حرکت زمین ۲۵
۲-۲-۱- طیف فوریه ۲۵
۲-۲-۲- طیف قدرت (تابع دانسیته طیفی قدرت) ۲۶
۲-۲-۳- طیف پاسخ ۲۷
۲-۳- طول طیف پاسخ ۲۹
۲-۴- شناخت و مطالعه علل وقوع زلزله ۳۰
۲-۵- مدل های پیش بینی دادهها ۳۲
۲-۵-۱- طبقهبندی ۳۲
۲-۵-۲- رگراسیون ۳۲
۲-۶-گسل و نقش آن در زلزله ۳۳
۲-۷-مفهوم طیف پاسخ ۳۹
۲-۸- شتاب ماکزیمم (PGA) ۴۰
فصل سوم ۴۲
وضعیت لرزه زمین ساخت منطقه ۴۲
۳-۱- مقدمه ۴۳
۳-۲- تاریخچه زمین لرزه ای کالیفرنیا: ۴۵
۳-۳ – مشخصات گسل سن آندریاسگسل سن آندراس، کالیفرنیای مرکزی نوع لغزش گسل – ضربه جانب – راست: ۵۱
۳-۳-۱- زمین لرزههای مرتبط با گسل سن اندریاس : ۵۲
فصل چهارم ۵۶
شبکه های عصبی مصنوعی ۵۶
۴-۱- مقدمه ۵۷
۴-۲- روش شبکه های عصبی مصنوعی ۵۷
۴-۳- تاریخ شروع استفاده از شبکه های عصبی مصنوعی ۵۷
۴-۳-۱- شکل گیری ایده شبکه عصبی مصنوعی ۵۸
۴-۳-۲ تاریخچه شبکه های عصبی ۵۸
۴-۴- شبکه های عصبی طبیعی (بیولوژیکی) ۶۰
۴-۵- مکانیزم عمل شبکه عصبی مصنوعی ۶۱
۴-۵-۱- قابلیت یادگیری ۶۲
۴-۵-۲- پراکندگی اطلاعات ۶۳
۴-۵-۳- قابلیت تعمیم دهی ۶۳
۴-۵-۴- مقاوم بودن ۶۴
۴-۶- ساختار مدل شبکه عصبی ۶۴
۴-۷- مدل نرون ۶۴
۴-۸- توابع محرک (تولید) f ۶۶
۴-۸-۱- تابع محرک خطی: ۶۶
۴-۸-۲- تابع محرک آستانه ای دو مقدار حدی : ۶۷
۴-۸-۳- تابع محرک سیگموئید ۶۷
۴-۹- شبکه های عصبی چند لایه پرسپترون ۶۸
۴-۱۰- قانون آموزش مدل شبکه عصبی ۶۹
۴-۱۱- نرخ آموزش ۷۰
۴-۱۲- مومنتم ۷۱
۴-۱۳- کاهش وزن ۷۲
۴-۱۴- توضیح چند اصطلاح ۷۳
۴-۱۵- توقف زود هنگام ۷۴
۴-۱۶- تأیید دو گانه ۷۵
۴-۱۷- مسیر رفت و برگشت ۷۶
۴-۱۷-۱- مسیر رفت: ۷۶
۴-۱۷-۲- مسیر برگشت: ۷۷
۴-۱۸- تنظیم پارامترها ۷۷
۴-۱۹- توقف ۷۸
۴-۲۰- ملاحظاتی در مورد الگوریتم پس انتشار خطا ۷۸
۴-۲۱- انتخاب مقدار اولیه ۷۹
۴-۲۲- سرعت پایین همگرایی ۸۰
۴-۲۳- تعداد واحدهای لایه ورودی ۸۰
۴-۲۴- تعداد واحدهای لایه میانی ۸۰
۴-۲۵- رشد دادن : ۸۳
۴-۲۶- هرس کردن : ۸۳
۴-۲۷- لایه خروجی ۸۴
۴-۲۸- نتیجه گیری ۸۴
۴-۲۹- مکانیسم آموزش در تحلیل ریسک، تخمین و پیشبینی پارامترهای طیف پاسخ زلزله و PGA، PGV، PGD ۸۵
۴-۳۰- طراحی الگوریتم آموزش شبکه عصبی بهینه ۸۸
فصـل پنجم ۹۰
روش پژوهش ۹۰
۵-۱- مقدمه ۹۱
۵-۲- گزیدهای از روند کار ۹۲
۵-۳- طرح پژوهش ۹۴
نتایج ۱۱۲
پیشنهادات ۱۱۲
منابع فارسی ۱۱۴
منابع لاتین ۱۱۵
فهرست اشکال و نمودارها
شکل ۳-۱ گسل های فعال ایالت کالیفرنیای امریکا ۴۴
شکل۳-۲- گسل سن اندریاس ۵۱
شکل ۳-۳- تصویر واضح گسل ۵۲
شکل ۳-۴- تصویر ماهواره ای گسل سن اندریاس ۵۴
شکل ۳-۵ گسل سان اندریاس از شمال کالیفرنیا تا جنوب کالیفرنیا ۵۵
شکل ۴-۱: شکل نرون طبیعی ۶۰
شکل ۴-۲ : نمایی از نرون ۶۵
شکل ۴-۳ : تابع محرک خطی ۶۶
شکل۴-۴ : تابع محرک آستانه ای دو مقدار حدی ۶۷
شکل ۴-۶ : تابع محرک سیگموئید ۶۸
شکل۴-۷: تأثیر نرخ آموزش بر کیفیت آموزش شبکه عصبی ۷۱
شکل ۴-۸ : تأثیر مومنتم در بهبود عملکرد شبکه عصبی ۷۲
شکل ۴-۹: رخ دادن “برازش کمتر از حد” در شبکه عصبی با تعداد وزن کم ۷۳
شکل ۴-۱۰ : حالت رخ دادن “برازش بیش از حد” در شبکه عصبی با تعداد وزن زیاد ۷۴
شکل۴-۱۱ : توقف زود هنگام در تعداد تکرار مربوط به کمترین خطای آزمایش ۷۵
شکل ۴-۱۲- الف- نمایی از دادههای ورودی و خروجی در شبکه عصبی ۸۷
شکل ۴-۱۲- ب- نمایی از دادههای ورودی و خروجی در شبکه عصبی ۸۷
شکل ۴-۱۲- ج- نمایی از دادههای ورودی و خروجی در شبکه عصبی ۸۷
نمودار ۱-۵ نمودار طیف پاسخ Smooth شدهی اصلاح شدهی زلزلهی Humbolt Bay (1937) ۹۹
نمودار ۲-۵ نمودار طیف پاسخ Smooth شدهی اصلاح شدهی زلزلهی Imperial valley-01 (1938) ۹۹
نمودار ۳-۵ نمودار fit شده بر طیف پاسخ زلزلهی Humbolt Bay (1937) 100
نمودار ۴-۵ نمودار fit شده بر طیف پاسخ زلزلهی زلزلهی Imperial valley-01 (1938) ۱۰۰
نمودار ۵-۵ دادههای پیشبینی شده نرمالیزه شده PGA به داده های واقعی PGA ۱۰۲
نمودار ۶-۵ دادههای پیشبینی شده نرمالیزه شده PGA به داده های نرمالیزه شده PGA ۱۰۳
نمودار ۷-۵ دادههای پیشبینی شده نرمالیزه شده PGD به داده های نرمالیزه شده PGD ۱۰۳
نمودار ۸-۵ دادههای پیشبینی شده نرمالیزه شده PGD به داده های واقعی PGD ۱۰۴
نمودار ۹-۵ دادههای پیشبینی شده نرمالیزه شده PGV به داده های واقعی PGV ۱۰۵
نمودار ۱۰-۵ دادههای پیشبینی شده نرمالیزه شده PGV به نرمالیزه شده PGV 106
نمودار ۱۱-۵ دادههای پیشبینی شده نرمالیزه شده به نرمالیزه شده ۱۰۶
نمودار ۱۲-۵ دادههای پیشبینی شده نرمالیزه شده به واقعی ۱۰۷
نمودار ۱۳-۵ دادههای پیشبینی شده نرمالیزه شده به نرمالیزه شده ۱۰۸
نمودار ۱۴-۵ دادههای پیشبینی شده نرمالیزه شده به واقعی ۱۰۹
نمودار ۱۵-۵ دادههای پیشبینی شده نرمالیزه شده به نرمالیزه شده ۱۱۰
نمودار ۱۶-۵ دادههای پیشبینی شده نرمالیزه شده به واقعی ۱۱۱