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

machine learning algorithm

در نشریات گروه عمران
تکرار جستجوی کلیدواژه machine learning algorithm در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه machine learning algorithm در مقالات مجلات علمی
  • محمد پردل، امیر امین زاده قوی فکر*
    بتن به عنوان یکی از مصالح اصلی در صنعت ساخت، نقش حیاتی در پایداری، ایمنی و رفاه فضاهای شهری ایفا می کند. کیفیت بتن رابطه مستقیمی با تحمل بارهای ثقلی و جانبی دارد و می تواند از تخریب زودهنگام ساختمان ها جلوگیری کرده و علاوه بر کاهش حجم ضایعات ساختمانی، یک محیط شهری پایدار ایجاد نماید. با این حال، عوامل متعددی بر مقاومت فشاری بتن تاثیرگذارند که عدم شناسایی این عوامل می تواند منجر به تخریب زودرس ساختمان ها و همچنین پیامدهای ناگوار در بلایای طبیعی شود. درک صحیح از این عوامل برای ارتقای کیفیت بتن و تضمین عملکرد مطلوب سازه ها ضروری است. هدف این مقاله، تحلیل عوامل موثر بر کیفیت مقاومت بتن در راستای ارتقا پایداری، ایمنی، رفاه فضاهای شهری و همچنین حفاظت از محیط زیست شهری است. در این مقاله، علاوه بر استفاده از مدل یادگیری ماشین مبتنی بر الگوریتم تقویت گرادیان شدید، از الگوریتم های فراابتکاری برای ایجاد یک مدل پیش بینی دقیق استفاده شده است. نتایج این پژوهش نشان می دهد که عوامل متعددی از جمله نسبت آب به سیمان، نوع و کیفیت سنگدانه، افزودنی های بتن، شرایط عمل آوری و شرایط محیطی، بر مقاومت بتن تاثیرگذار هستند. همچنین، در این پژوهش مدل یادگیری ماشین قادر به شناسایی الگوهای پیچیده در بین عوامل شناسایی شده و پیش بینی دقیق مقاومت فشاری بتن با دقت 66/95 درصد است. نتایج این مطالعه می تواند به ارتقای کیفیت ساخت، افزایش طول عمر مفید سازه ها، کاهش هزینه های نگهداری و تعمیرات، ایجاد فضاهای شهری پایدار و ایمن منجر شود.
    کلید واژگان: مدیریت شهری، الگوریتم یادگیری ماشین، الگوریتم فراابتکاری، مقاومت فشاری بتن، محیط زیست، ضایعات ساختمانی
    Mohammad Pordel, Amir Aminzadeh Ghavifekr *
    Concrete, as one of the main materials in the construction industry, plays a vital role in the sustainability, safety, and welfare of urban spaces. This is because concrete has a direct impact on bearing gravitational and lateral loads, and improving the quality of concrete can prevent the premature destruction of buildings. Additionally, it can reduce the volume of construction waste and create a sustainable urban environment. However, numerous factors affect the compressive strength of concrete, and failing to identify these factors can lead to premature building destruction and adverse outcomes during natural disasters. A proper understanding of these factors is essential for enhancing concrete quality and ensuring the optimal performance of structures. Accordingly, the aim of this article is to analyze the factors influencing the quality and strength of concrete to improve the sustainability, safety, and welfare of urban spaces and to protect the urban environment. In this article, to achieve the research objectives, in addition to using a machine learning model based on the Extreme Gradient Boosting algorithm, metaheuristic algorithms have been employed to create an accurate predictive model.
    Keywords: Urban Management, Machine Learning Algorithm, Metaheuristic Algorithm, Concrete Compressive Strength, Environment, Construction Waste
  • روژین محقق، بهنود برمایه ور*، حسین طوسی

    با توجه به جایگاه برجسته کشور در دنیا از منظر منابع انرژی مخصوصا حوزه گازی، اجرای پروژه های زیرساختی انرژی به ویژه خط لوله گاز ضروری می نماید. با این وجود، یکی از چالش های اساسی در این نوع از پروژه ها، موضوع عدم بهره وری مناسب منابع (ماشین آلات و...) است. از این رو هدف اصلی پژوهش حاضر عبارت است از بهبود بهره وری ماشین آلات خاکبرداری پروژه های احداث خط لوله گاز، با کمک الگوریتم های یادگیری ماشین. در این پژوهش، با بهره گیری از مطالعات کتابخانه ای، اسنادی (گزارش های روزانه هفت پروژه خطوط انتقال گاز)، قضاوت خبرگان، روش متن کاوی (و نرم افزار رپیدماینر)، معیارهای موثر بر تعیین بهره وری ماشین آلات خاکبرداری در پروژه های احداث خط لوله گاز، شناسایی و نهایی شدند. به طور خلاصه، نتیجه اصلی پژوهش کنونی اشاره دارد که پیش بینی حجم خاکبرداری، از طریق الگوریتم پیش بینانه (به عنوان مبنای بهینه سازی بهره وری ماشین آلات خاکبرداری) و نیز الگوریتم دسته بندی و با استفاده از مدل یادگیری عمیق (به عنوان مدل منتخب و دارای بهترین عملکرد در پیش بینی حجم خاکبرداری)، قابل اجرا است. درواقع، یافته های پژوهش فعلی در راستای پیش بینی حجم خاکبرداری، پیش از شروع پروژه و تهیه برنامه زمانبندی کلی که در نهایت موجب بهبود بهره وری ماشین آلات خاکبرداری در پروژه های خط لوله گاز می شود، قابل استفاده است.

    کلید واژگان: بهره وری ماشین آلات عملیات خاکبرداری، الگوریتم یادگیری ماشین، پروژه های زیرساختی انرژی، پروژه احداث خط لوله گاز
    Rojin Mohaghegh, Behnod Barmayehvar *, Hossein Toosi

    Considering the outstanding position of the country in the world from the point of view of energy resources, especially the gas field, the implementation of energy infrastructure projects, especially the gas pipeline, is essential. Nevertheless, one of the main challenges in this type of projects is the lack of proper productivity of resources (machinery, etc.). Therefore, the main goal of the current research is to improve the productivity of earthmoving machinery for gas pipeline construction projects, with the help of machine learning algorithms. In this research, by using library studies, documents (daily reports of seven gas transmission pipeline projects), expert judgment, text mining method (and Rapidminer software), effective criteria for determining the productivity of earthmoving machinery in gas pipeline construction projects, identified and final became. In short, the main result of the current research indicates that the prediction of the excavation volume, through the predictive algorithm (as a basis for optimizing the productivity of earthmoving machinery) and also the classification algorithm and using the deep learning model (as the selected model with the best performance in the prediction of the excavation volume), is applicable. In fact, the findings of the current research can be used in order to predict the volume of earthmoving, before the start of the project and prepare a general schedule that ultimately improves the productivity of earthmoving machinery in gas pipeline projects.

    Keywords: Productivity Of Earthmoving Machinery, Machine Learning Algorithm, Energy Infrastructure Projects, Gas Pipeline Construction Project
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