به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

bayesian theory

در نشریات گروه علوم پایه
تکرار جستجوی کلیدواژه bayesian theory در مقالات مجلات علمی
  • مهدی ملکی، زهره سادات ریاضی راد*

    بیزین روشی برای دسته بندی پدیده ها بر پایه احتمال وقوع یا عدم وقوع یک پدیده است و در نظریه احتمالات بااهمیت و پرکاربرد است. اگر برای فضای نمونه مفروض بتوان افراز مناسبی انتخاب کرد، با دانستن اینکه کدام یک از پیشامدهای افراز شده رخ داده است، بخش مهمی از عدم قطعیت تقلیل می یابد. ارزیابی خطر لرزه ای احتمالاتی یکی از روش های مهم در پیش بینی زمین لرزه است. هدف از این تحقیق، روش مدل سازی مبتنی بر ساختار سلسله مراتب زمین لرزه های به وقوع پیوسته در ایالت لرزه زمین ساخت البرز- آذربایجان واقع در شمال ایران است. مبنای کار بر اساس داده های طبیعی است که با استفاده از آمار بیزین انجام می شود. این آمار ابزاری قدرتمند در مدل سازی هم زمان عدم قطعیت و تصادف است. بیزین روشی مبتنی بر کاتالوگ زمین لرزه و انتخاب یک رابطه تضعیف (کاهندگی) مناسب در ساختگاه مورد نظر است. این روش به درستی می تواند مقادیر بیشینه شتاب جنبش زمین را به همراه چندک های تابع توزیع آن در منطقه نشان دهد. این مطالعه، بر اساس 11 ایستگاه شبکه لرزه نگاری کشوری  واقع در شمال و شمال غرب ایران انجام گرفت. نقشه های خطر برای بیشینه شتاب در فاصله زمانی 50 و 475 سال آینده رسم شده است. این نقشه ها مشخص می کند که اطلاعات زمین لرزه های تاریخی در نظریه بیزین بهتر از سایر روش های احتمالاتی، عدم قطعیت ها و نبود لرزه ای را پوشش می دهد. در این مطالعه همبستگی بین روش بیزین و داده های مشاهده شده 95%=α محاسبه شد

    کلید واژگان: نظریه بیزین، روش احتمالاتی، عدم قطعیت، ایالت لرزه زمین ساخت البرز- آذربایجان، شمال ایران، بیشینه شتاب زمین
    Mehdi Maleki, Zohreh Sadat Riazi Rad *

    In probability theory and statistics, Bayes' theorem , describes the probability of an event, based on prior knowledge of conditions that might be related to the event. One of the many applications of the theorem is Bayesian inference, a particular approach to statistical inference. When applied, the probabilities involved in the theorem may have different probability interpretations. With Bayesian probability interpretation, the theorem expresses how a degree of belief, expressed as a probability, should rationally change to account for the availability of related evidence. Bayesian inference is fundamental to Bayesian statistics. The purpose of this study is a modeling method based on hierarchical structure in prioritizing and providing appropriate solutions to reduce seismic hazards in the Alborz-Azerbaijan province. The basis of the work is based on using natural data and Bayesian statistics which is a powerful tool in modeling both uncertainty and randomness. The method can correctly show the values of peak ground acceleration (PGA) along with the quantities of its distribution function in the region. The input information for the method is seismic catalog from 1900 to 2020 and proper ground motion attenuation law. It should be noted that Iran strong motion network had limited data so that there was a gap of large earthquakes of data. This modeling contains a set of processes and rules for using and specifying variables and relationships between them. Based on the results of this study, conducted in the northern and north-western parts of Iran, using Iranian Seismological Center data (http://irsc.ut.ac.ir) that includes 11 stations in the study area, hazard maps were drawn for PGA over a period of next 50 and 475 years, with the highest acceleration in the Alborz region including Tehran and Zanjan and in the Azerbaijan region including Tabriz and Rasht. The correlation between estimated acceleration values by Bayesian method and the values observed by the accelerometer network of Iran Road, Housing and Urban Development Research Center was α=0.95. This indicates that the estimated maximum acceleration is in a good agreement with the observed maximum acceleration. According to the results, the southern part of Alborz (Tehran) and the north-western part of Iran (Tabriz) had the highest PGA. Then, the Bayesian method will give favorable results for probability seismic hazard analysis.The results confirm the uncertainty of different parameters of seismic acceleration. Therefore, all of these parameters calculated, indicate that in the west of the Caspian Sea (Rasht city) the lowest value was allocated. Then, Bayesian method with advantages such as considering the relationship between variables, conditions of uncertainty and high flexibility, has the necessary ability to analyze seismic risk in other parts of Iran. This method can also be used in construction projects. In carrying out such renovations, it is necessary to provide step-by-step protocols and rules guidance for application and specification of variables and relationships between them in designing and correcting the model.

    Keywords: Bayesian Theory, probabilistic method, Uncertainty, Alborz-Azerbaijan province, north of Iran, peak ground acceleration (PGA)
  • فرزاد اسکندری*، سیما نقی زاده اردبیلی، سروش پاکنیت

    اینترنت اشیاء با دارا بودن قابلیت بسیار بالا برای بهره ور نمودن کسب و کارها در حوزه های مختلف از جمله صنایع به عنوان انقلاب آتی در فناوری اطلاعات و ارتباطات معرفی شده است. این بهره وری در زمینه بروز نوآوری و ارایه قابلیت های نو برای کسب و کارها است. صنایع مختلف در خصوص اینترنت اشیاء واکنش های مختلفی را نشان داده اند اما آنچه واضح است این است که اینترنت اشیاء در تمامی کسب و کارها و صنایع دارای کاربرد است. این کاربردها در برخی صنایع مانند بهداشت و حوزه سلامت و یا حمل و نقل پیشرفت چشمگیری داشته اما در صنایع دیگر همچون کشاورزی و دامداری در حال توسعه است. در واقع تولید داده ها بر مبنای اینترنت اشیاء از ارکان اصلی در حوزه مه داده ها و علم داده ها خواهد بود. لذا استفاده از مفاهیم و مدل های آماری که در علم داده ها مورداستفاده قرار می گیرند به خوبی می توانند در این گونه داده ها مورداستفاده قرار گیرند. از جمله مدل های آماری معتبر آمار بیزی برای مه داده ها است که مبنای استفاده در این پژوهش قرار گرفته است. در این پژوهش ضمن معرفی مفاهیم مهم و معتبر که در حوزه مه داده ها مورد استفاده قرار می گیرند به طورخاص اصول آمار بیزی برای مه داده ها و به طور مشخص برای داده های حاصل از اینترنت اشیاء توضیح داده شده است. به صورت کاربردی نیز در دو حوزه رفتار اجتماعی افراد برای علاقه مندی به استفاده از وسیله نقلیه و ترافیک شهری بررسی شده است که نتایج معتبری از نظر علمی و کار بردی در برداشته است

    کلید واژگان: اینتر نت اشیا، نظریه بیزی، رده بندی، مصور سازی
    Farzad Eskandari*, Sima Naghizadeh Ardebili

    The Internet of Things is suggested as the upcoming revolution in the Information and communication technology due to its very high capability of making various businesses and industries more productive and efficient. This productivity comes from the emergence of innovation and the introduction of new capabilities for businesses. Different industries have shown varying reactions to IOT, but what is clear is that IOT has applications in all Businesses. These applications have made significant progress in some industries such as health and transportation but is under development in others, namely agriculture and animal husbandry. In fact, the production of data bases on the Internet of Things is one of the main pillars in the field of big data and data science, Therefore, statistical concepts and models that are used in data science can be beneficially implemented in such data. Among the valid statistical models, Bayesian statistics for data is being utilized in these studies. In this research the fundamentals of Bayesian statistics for big data and most notably the data produced by IOT is explained. They have been Pragmatically examined in both road traffic as well as people’s social behavior towards using vehicles, which have had practically and scientifically valid results.

    Keywords: Internet of Things, Bayesian Theory, Classification, Visualization
  • عبدالحسین بوعلی*، حسین بشری، رضا جعفری
    بیابان زایی به معنی از دست رفتن توانایی حاصل خیزی دایمی اراضی به دلیل تغییرات شرایط اکولوژیکی و مدیریتی است که در مناطق مختلف آب و هوایی روی می دهد. مدیریت صحیح و اصولی جهت جلوگیری از روند بیابان زایی الزامی است، و این مهم نیز به نوبه خود نیازمند ابزارهایی جهت کمک به مدیران برای اتخاذ تصمیم های مناسب می باشد. در شرایطی که نتیجه و پیش بینی شرایط محیطی مختلف و روش های مدیریتی متفاوت نامطمئن است و یا به عبارتی عدم اطمینان در فهم اکوسیستم تحت استرس وجود دارد، تصمیم گیری برای ارایه راهکار مناسب برای مدیران مشکل است. مدل های شبکه بیزین، یکی از روش هایی است که می تواند این عدم قطعیت در پیش بینی این سیستم ها را در مواجه با شرایط گوناگون فراهم نماید. این مدل ها، مدل هایی گرافیکی هستند که متغیرهای سیستم و روابط علی و معلولی بین آنها را نشان داده و برای تجزیه و تحلیل های سناریوهای مختلف و بررسی های تشخیصی استفاده شوند. این مدل ها همچنین در مواردی که داده های تجربی و دقیقی وجود ندارد، با استفاده از دانش تجربی افراد متخصص می توانند مدل مناسبی از چگونگی عملکرد سیستم ارایه نمایند. در این مقاله سعی شده است با استفاده از یک مدل به کار رفته در بیابان های کشور چین به کارایی این مدل ها در ارزیابی بیابان زایی و مدیریت مناطق بیابانی پرداخته شود.
    کلید واژگان: تئوری بیز، نرم افزار Netica، احتمالات شرطی، بیابان زدایی، مدل سازی
    Boualia.*, Basharih., Jafari, R
    Desertification is a permanent loss of land productivity due to change in the ecological parameters and management conditions andcan take place in various climates. Appropriate management practices to prevent desertification should be applied and decision support tools can also assist managers to select the best management options. It is a difficult task for mangers to take decision when they are uncertain about the outcomes of various environmental conditions and their management practices and when there are uncertainties in understanding the ecosystem behavior under stress. Bayesian Belief Network (BBN) models provide an appropriate tool to accommodate uncertainty in the prediction of these systems. The BBN models graphically represent system variables and their cause-and-effect relationships. These models can be used for scenario and diagnostic analyses and can be applied in areas where empirical data are scarce through utilizing expert knowledge. In this paper, the capability of BBN models in desertification assessment and management is discussed using an example from a Chinese desert.
    Keywords: Bayesian theory, Netica software, Conditional probabilities, Combating desertification
  • عطیه مظاهری طرئی*، حسین معماریان، بهزاد تخمچی، بهزاد مشیری
    پارامتر تخلخل یکی از مهمترین خصوصیات مخزن می باشد که با مطالعه مغزه بدست می آید. با این وجود تمامی چاه های یک میدان دارای مغزه نیستند.هم چنین در برخی از چاه ها مانند چاه های افقی مغزه گیری عملا غیر ممکن است. ولی تقریبا در تمامی چاه ها نمودار گیری صورت می گیرد. به طو معمول از نمودار های چاه نگاری به منظور تخمین تخلخل نیز استفاده می شود. تخلخلی که از این نگار ها بدست می آیدتحت تاثیر عواملی هم چون دما، فشار،نوع سیال، میزان هیدرو کربور وشیل موجود در سازند قرار می گیرند ودر نتیجه با میزان واقعی تخلخل کمی متفاوت است. بنابر این تخمین ها توام با خطا وعدم قطعیت هستند. شاید بهترین ودر عین حال عملی ترین روش جهت کاهش عدم قطعیت تخمین، استفاده از منابع مختلف داده جهت تخمین ودر واقع استفاده از تکنیک های ترکیب اطلاعات باشد. کار کرد اصلی این تکنیک ها، افزایش اطمینان وکاهش ریسک در تصمیم گیر ی ها است. در این تحقیق، برای تعیین مقادیر خلخل، با استفاده از داده های چهار چاه واقع در میدان نفتی آزادگان، ابتدا از دو تکنیک شبکه عصبی چند لایه ورگرسیون خطی چندگانه استفاده شده ودر نهایت نتایج این روش ها با تکنیک ترکیب اطلاعات (تئوری بیزین)مقایسه شده است. برای برسی قابلیت تعمیم این سه روش در هر تکنیک، پارامتر تخلخل در یک چاه دیگر میدان نیز تخمین زده شده است. تعداد متغیر های ورودی برای تخمین تخلخل در چاه مورد مطالعه در روش های شبکه عصبی ورگرسیون خطی چندگانه 7 است ودرتکنیک ترکیب اطلاعات نیز از حداکثر 7 متغیر ورودی استفاده شده است. در نهایت با مقایسه نتایج حاصل از 3 روش نامبرده مشاهده شده است که تکنیک ترکیب اطلاعات (تئوری بیزین)از اعتبار بالاتری برخوردار است ودر تخمین تخلخل به مقدار قابل توجهی از دو تکنیک شبکه عصبی چند لایه ورگرسیون خطی چندگانه بهتر عمل نموه است؛ به نحوی که همبستگی نتایج با واقعیت بیش از 90%به دست آمده است.
    کلید واژگان: عدم قطعیت، تخمین، ترکیب اطلاعات، تئوری بیزین، شبکه عصبی چندلایه، رگرسیون خطی چندگانه، میدان آزادگان، سازند سروک، ایران
    Mazaheri Torie A.*, Memarian H., Thokhmchi B., Moshiri B
    Porosity parameter is an important reservoir property that can be obtained by studying the well core. However, all wells in a field do not have a core. Additionally, in some wells such as horizontal wells, measuring the well core is practically impossible. However, for almost all wells, log data is available. Usually these logs are used to estimate porosity. The porosity value obtained from this method is influenced by factors such as temperature, pressure, fluid type, and amount of hydrocarbons in shale formations. Thus it is slightly different from the exact value of porosity. Thus, estimates are prone to error and uncertainty. One of the best and yet most practical ways to reduce the amount of uncertainty in measurement is using various sources and data fusion techniques. The main benefit of these techniques is that they increase confidence and reduce risk and error in decision making. In this paper, in order to determine porosity values, data from four wells located in Azadegan oil field are used. First, multilayer neural network and multiple linear regressions are used to estimate the values and then the results of these techniques are compared with a data fusion method (Bayesian theory). To check if it would be possible to generalize these three methods on other data, the porosity parameter of another independent well in this field is also estimated by using thesetechniques. Number of input variables to estimate porosity in both the neural network and the multiple linear regressions methods is 7, and in the data fusion technique, a maximum of 7 input variables is used. Finally, by comparing the results of the three methods, it is concluded that the data fusion technique (Bayesian theory) is a considerably more accurate technique than multilayer neural network, and multiple linear regression, when it comes to porosity value estimation; Such that the results are correlated with the ground truth greater than 90%.
    Keywords: uncertainty, estimation, data fusion, Bayesian theory, multi layer neural network, multiple linear regression, Azadegan oil field, Sarvak formation, Iran
  • عطیه مظاهری طرئی*، حسین معماریان، بهزاد تخم چی، بهزاد مشیری
    تخلخل یکی از سه متغیر مهم در ارزیابی ویژگی های یک میدان نفتی است. بطور معمول از نمودار های چاه نگاری به منظور تخمین تخلخل استفاده می شود تخلخلی که از این نگار ها به دست می اید، تحت تاثیر عواملی همچون دما،فشار، نوع سیال، میزان هیدرو کربور وشیل موجود در سازند قرار می گیرد ودر نتیجه با میزان واقعی تخلخل کمی متفاوت است. بنابر این تخمین های توام با خطا وعدم قطعیت هستند. شاید بهترین ودر عین حال عملی ترین روش جهت کاهش عدم قطعیت تخمین ها، استفاده از منابع مختلف داده جهت تخمین ودر واقع استفاده از تکنیک های ترکیب اطلاعات باشد. کار کرد اصلی این تکنیک ها، افزایش اطمینان وکاهش ریسک در تصمیم گیر ی ها است. در این تحقیق با استفاده از تکنیک های ترکیب اطلاعات (تئوری بیزین)مقادیر تخلخل در 4 چاه از میدان نفتی آزادگان تخمین زده شده است. برای بررسی قابلیت تعمیم این روش، تخلخل در یک چاه دیگر میدان نیز تخمین زده شده است. از حداکثر هفت متغیر ورودی برای تخمین تخلخل در چاه مورد مطالعه استفاده شده است. نتایج نشان داد که تکنیک ترکیب اطلاعات (تئوری بیزین)نسبت به روش های متداول (رگرسیون چند متغیره وشبکه عصبی)که همبستگی نتایج با یافته های مغزه در این روش ها حدود 7/0تا 8/0 می باشد.،تخلخل را به مراتب، بهتر تخمین زده است. به نحوی که همبستگی نتایج با نتایج مغزه حفاری بیش از 9/0بدست امده است.
    کلید واژگان: عدم قطعیت، تفکیک، نوفه، ترکیب اطلاعات، تئوری بیزین، تخمین، میدان آزادگان
    A. Mazaheri Torie*, H. Memarian, B. Thokhmchi, B. Moshiri
    Porosity is one of the main variables in evaluating the characteristics of an oil field. Petrophysical data are normally used to determine these variables. Measurements obtained from well logs، containes some errors and uncertainty. This porosity is influenced by different factors، such as temperature، pressure، fluid type، clay content and the and amount of hydrocarbons. One of the best، and yet most practical ways to reduce the amount of uncertainty in porosity measurement is using various sources of data and data fusion techniques. Data fusion increase certainty and confidence and reduce risk and error in decision making. In this research، the porosity is estimated in 4 wells of Azadegan oil field، with data fusion method (Bayesian theory). To check the ability of generalization of the method، the porosity was also estimated in one other well of this field. A maximum of 7 input variables were used to estimate porosity in this new approach. The results showed that data fusion technique is more powerfull than traditional tecniques for porosity estimation. According to the results، this method has higher credibility than traditional techniques that show 0. 7 to 0. 8 regressions with log data but data fusion technique showed solidarity over 0. 9 with log data.
    Keywords: uncertainty, resolution, noise, data fusion, Bayesian theory, estimation, Azadegan oil field, Sarvak formation, Iran
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال