پارس پروژه پرتال خدمات دانشگاهی
کد محصول MEM140
تعداد صفحات: 120 صفحه فایل WORD
قیمت: 20000 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 تحليل قرار می گیرد. نتيجه تحليل، ميزان انرژي آزاد شده محتمل زمين تا يك تاريخ معين را مشخص مي‌نمايد.نهايتاً مي توان با مشخص نمودن خطرات و ريسك هاي موجود در محدوده (در مورد خطر وقوع زلزله) با انتخاب الگوي مناسب، به اولويت بندي خطرات و آنگاه به اولويت بندي برنامه هاي مديريتي جهت اجرا پرداخت.
فهرست مطالب
فصل اول 16
کلیات 16
1-1-مقدمه 17
1-2- شمای کلی تحقیقات و ترتیب ادامه مطالب 20
فصـل دوم 21
پیشینه پژوهش21
2-1- تاريخچه مطالعات گذشته 22
2-2- طيف حركت زمين 25
2-2-1- طيف فوريه 25
2-2-2- طيف قدرت (تابع دانسيته طيفي قدرت) 26
2-2-3- طيف پاسخ 27
2-3- طول طيف پاسخ 29
2-4- شناخت و مطالعه علل وقوع زلزله 30
2-5- مدل های پیش بینی داده‌ها 32
2-5-1- طبقه‌بندي 32
2-5-2- رگراسيون 32
2-6-گسل و نقش آن در زلزله 33
2-7-مفهوم طيف پاسخ 39
2-8- شتاب ماكزيمم (PGA) 40
فصل سوم 42
وضعیت لرزه زمین ساخت منطقه 42
3-1- مقدمه 43
3-2- تاریخچه زمین لرزه ای کالیفرنیا: 45
3-3 – مشخصات گسل سن آندرياسگسل سن آندراس، کالیفرنیای مرکزی نوع لغزش گسل – ضربه جانب – راست: 51
3-3-1- زمین لرزه‌های مرتبط با گسل سن اندریاس : 52
فصل چهارم 56
شبکه های عصبی مصنوعی 56
4-1- مقدمه 57
4-2- روش شبکه های عصبی مصنوعی 57
4-3- تاريخ شروع استفاده از شبكه هاي عصبي مصنوعي 57
4-3-1- شکل گیری ایده شبکه عصبی مصنوعی 58
4-3-2 تاریخچه شبکه های عصبی 58
4-4- شبکه های عصبی طبیعی (بیولوژیکی) 60
4-5- مکانیزم عمل شبکه عصبی مصنوعی 61
4-5-1- قابلیت یادگیری 62
4-5-2- پراکندگی اطلاعات 63
4-5-3- قابلیت تعمیم دهی 63
4-5-4- مقاوم بودن 64
4-6- ساختار مدل شبکه عصبی 64
4-7- مدل نرون 64
4-8- توابع محرک (تولید) f 66
4-8-1- تابع محرک خطی: 66
4-8-2- تابع محرک آستانه ای دو مقدار حدی : 67
4-8-3- تابع محرک سیگموئید 67
4-9- شبکه های عصبی چند لایه پرسپترون 68
4-10- قانون آموزش مدل شبکه عصبی 69
4-11- نرخ آموزش 70
4-12- مومنتم 71
4-13- کاهش وزن 72
4-14- توضیح چند اصطلاح 73
4-15- توقف زود هنگام 74
4-16- تأیید دو گانه 75
4-17- مسير رفت و برگشت 76
4-17-1- مسیر رفت: 76
4-17-2- مسیر برگشت: 77
4-18- تنظیم پارامترها 77
4-19- توقف 78
4-20- ملاحظاتی در مورد الگوریتم پس انتشار خطا 78
4-21- انتخاب مقدار اولیه 79
4-22- سرعت پایین همگرایی 80
4-23- تعداد واحدهای لایه ورودی 80
4-24- تعداد واحدهای لایه میانی 80
4-25- رشد دادن : 83
4-26- هرس کردن : 83
4-27- لایه خروجی 84
4-28- نتیجه گیری 84
4-29- مکانیسم آموزش در تحليل ريسك، تخمين و پيشبيني پارامترهاي طيف پاسخ زلزله و PGA، PGV، PGD 85
4-30- طراحی الگوریتم آموزش شبکه عصبی بهینه 88
فصـل پنجم 90
روش پژوهش 90
5-1- مقدمه 91
5-2- گزيده‌اي از روند كار 92
5-3- طرح پژوهش 94
نتایج 112
پیشنهادات 112
منابع فارسی 114
منابع لاتین 115
فهرست اشکال و نمودارها
شكل 3-1 گسل هاي فعال ايالت كاليفرنياي امريكا 44
شكل3-2- گسل سن اندریاس 51
شكل 3-3- تصویر واضح گسل 52
شكل 3-4- تصویر ماهواره ای گسل سن اندریاس 54
شكل 3-5 گسل سان اندرياس از شمال كاليفرنيا تا جنوب كاليفرنيا 55
شکل 4-1: شکل نرون طبیعی 60
شکل 4-2 : نمایی از نرون 65
شکل 4-3 : تابع محرک خطی 66
شکل4-4 : تابع محرک آستانه ای دو مقدار حدی 67
شکل 4-6 : تابع محرک سیگموئید 68
شکل4-7: تأثیر نرخ آموزش بر کیفیت آموزش شبکه عصبی 71
شکل 4-8 : تأثیر مومنتم در بهبود عملکرد شبکه عصبی 72
شکل 4-9: رخ دادن “برازش کمتر از حد” در شبکه عصبی با تعداد وزن کم 73
شکل 4-10 : حالت رخ دادن “برازش بیش از حد” در شبکه عصبی با تعداد وزن زیاد 74
شکل4-11 : توقف زود هنگام در تعداد تکرار مربوط به کمترین خطای آزمایش 75
شكل 4-12- الف- نمايي از داده‌هاي ورودي و خروجي در شبكه عصبي 87
شكل 4-12- ب- نمايي از داده‌هاي ورودي و خروجي در شبكه عصبي 87
شكل 4-12- ج- نمايي از داده‌هاي ورودي و خروجي در شبكه عصبي 87
نمودار 1-5 نمودار طیف پاسخ Smooth شدهی اصلاح شدهی زلزلهی Humbolt Bay (1937) 99
نمودار 2-5 نمودار طیف پاسخ Smooth شدهی اصلاح شدهی زلزلهی Imperial valley-01 (1938) 99
نمودار 3-5 نمودار fit شده بر طیف پاسخ زلزلهی Humbolt Bay (1937) 100
نمودار 4-5 نمودار fit شده بر طیف پاسخ زلزلهی زلزلهی Imperial valley-01 (1938) 100
نمودار 5-5 داده‌هاي پيشبيني شده نرماليزه شده PGA به داده هاي واقعي PGA 102
نمودار 6-5 داده‌هاي پيشبيني شده نرماليزه شده PGA به داده هاي نرماليزه شده PGA 103
نمودار 7-5 داده‌هاي پيشبيني شده نرماليزه شده PGD به داده هاي نرماليزه شده PGD 103
نمودار 8-5 داده‌هاي پيشبيني شده نرماليزه شده PGD به داده هاي واقعي PGD 104
نمودار 9-5 داده‌هاي پيشبيني شده نرماليزه شده PGV به داده هاي واقعي PGV 105
نمودار 10-5 داده‌هاي پيشبيني شده نرماليزه شده PGV به نرماليزه شده PGV 106
نمودار 11-5 داده‌هاي پيشبيني شده نرماليزه شده به نرماليزه شده 106
نمودار 12-5 داده‌هاي پيشبيني شده نرماليزه شده به واقعي 107
نمودار 13-5 داده‌هاي پيشبيني شده نرماليزه شده به نرماليزه شده 108
نمودار 14-5 داده‌هاي پيشبيني شده نرماليزه شده به واقعي 109
نمودار 15-5 داده‌هاي پيشبيني شده نرماليزه شده به نرماليزه شده 110
نمودار 16-5 داده‌هاي پيشبيني شده نرماليزه شده به واقعي 111