tlbo algorithm
در نشریات گروه عمران-
مدول برجهندگی مصالح راه سازی یکی از پارامتر های مهم در تحلیل و طراحی روسازی چه در روش های تجربی و چه در روش های مکانیستیک تجربی است. این پارامتر به عنوان اصلی ترین پارامتر برای بیان سختی و رفتار تنش-کرنش مصالح راه سازی تحت اثر تنش های تناوبی مورداستفاده قرار می گیرد. برای تعیین این پارامتر نیاز به انجام آزمایش بارگذاری سه محوری دینامیکی در تنش های محدود کننده و تنش های انحرافی مختلف است که بسیار وقت گیر و پرهزینه است. در این مقاله از روش ترکیبی شبکه عصبی موجک (WNN) و الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری (TLBO) به منظور مدل سازی مدول برجهندگی مصالح زیراساس استفاده شده است. ورودی های مدل شامل حداکثر وزن مخصوص خشک، ضریب یکنواختی، ضریب انحناء، درصد عبوری از الک نمره 200، تنش محدودکننده و تنش انحرافی و خروجی مدول برجهندگی در نظر گرفته شده است. نتایج این تحقیق نشان می دهد که افزایش تعداد نرون ها در لایه مخفی به تعداد بیشتر از 20 نرون تاثیر چندانی بر روی افزایش دقت شبکه عصبی موجک ندارد و تابع موجک Mexican Hat بهترین نتیجه را در پیش بینی مدول برجهندگی دارد. همچنین روش WNN-TLBO در مقایسه با روش ANN دارای دقت بیشتری در پیش بینی مدول برجهندگی مصالح زیراساس است. نتایج اعتبار سنجی خارجی نشان می دهد که روش WNN-TLBO همه معیارهای لازم را برآورد می کند که دلالت بر پتانسیل پیش بینی بالای این روش دارد. نتایج تحلیل حساسیت نشان می دهد که درجه اهمیت متغیر تنش محدودکننده نسبت به سایر متغیرها برای پیش بینی مدول برجهندگی بیشتر است. همچنین تحلیل پارامتریک تاثیر هر متغیر ورودی را روی مدول برجهندگی نشان می دهد.
کلید واژگان: مدول برجهندگی، شبکه عصبی موجک(WNN)، الگوریتم TLBO، زیراساس سنگدانه ایThe resilient modulus (MR) of road materials is one of the most important parameters in the analysis and design of pavement. This parameter is used in both empirical methods and mechanistic-empirical methods as the main parameter for expressing the stiffness and behavior of road construction materials. To determine this parameter in the laboratory, it is necessary to perform a dynamic tri-axial loading test under various confining and deviator stresses, which is a time- and cost-intensive approach. In this paper, a wavelet neural network (WNN) hybridized with the teacher learning based optimization (TLBO) algorithm was used to model the MR of unbound subbase materials. The input variables included maximum dry density, uniformity coefficient, curvature coefficient, percent passing No. 200 sieve, confining stress, and deviator stress and output variable was resilient modulus of the unbound subbase materials. The results of this study indicate that increasing the number of neurons in the hidden layer to more than 20 neurons has little effect on increasing the accuracy of the wavelet neural network and the Mexican Hat wavelet function has the best result in predicting the resilient modulus. The results of this study also indicate that the WNN-TLBO method is more accurate than the ANN method in predicting the MR of unbound subbase materials. External validation results indicate that the WNN-TLBO method satisfy all the necessary criteria, which indicates the high predictive potential of this method. The results of sensitivity analysis indicate that the degree of importance of the confined stress is higher than other variables for predicting the resilience modulus. A parametric analysis was also done to study the effects of each input variable on the MR.
Keywords: Resilient Modulus, Wavelet Neural Network (WNN), TLBO Algorithm, Granular Subbase -
ماشین حفار بازویی از آن دسته از ماشین هایی می باشند که قابلیت حفاری بالایی در سنگ هایی با مقاومت کم تا متوسط را دارا می باشند. از این رو به طور گسترده در حفریات زیرزمینی مورد استفاده قرار می گیرند. تخمین عملکرد ماشین حفار بازویی یکی از موضوعات اصلی و مهم در تخمین تقریبی زمان اتمام پروژه و همچنین هزینه های پروژه به حساب می آید. به همین منظور هدف از نگارش این مقاله پیشنهاد مدل های پیش بینی هوشمند برای تخمین عملکرد ماشین حفار بازویی بوسیله ی دو روش هوشمند الگوریتم کرم شب تاب (FA) و الگوریتم مبتنی بر آموزش و یادگیری (TLBO) و با استفاده از یک پایگاه داده (یک مطالعه موردی) است. در این مدل ها از مقادیر واجهشی چکش اشمیت و شاخص کیفیت توده سنگ (RQD) به عنوان پارامترهای ورودی و از نرخ برش ماشین حفار بازویی به عنوان پارامتر خروجی استفاده شده است. در پایان برای ارزیابی دقت مدل ها و مدلسازی از شاخص های ضریب همبستگی مربع (R2)، شمول واریانس (VAF)، جذر میانگین خطای مربع (RMSE) و میانگین خطای مربع (MSE) استفاده شده است. با توجه به نتایج بدست آمده در این مقاله و همچنین اعتبارسنجی مدل ایجاد شده، مقادیر پیش بینی عملکرد ماشین حفار بازویی توسط الگوریتم های بهینه سازی مبتنی بر آموزش و یادگیری و کرم شب تاب با مقادیر واقعی بسیار نزدیک بوده و از خطای کمی برخوردار است. بنابراین از مدل ایجاد شده می توان برای عملکرد ماشین حفار بازویی در شرایط زمین شناسی مشابه دیگر استفاده کرد.
کلید واژگان: ماشین حفار بازویی، الگوریتم مبتنی بر آموزش و یادگیری، الگوریتم کرم شب تاب، مقادیر برگشتی چکش اشمیتRoadheader machine is one of those machines that have high drilling capability in rocks with low to medium strength. Hence they are widely used in underground excavations. Estimating the performance of roadheader machine is one of the main and important issues in estimating the approximate project completion time as well as project costs. Therefore, the purpose of this paper is to propose intelligent forecasting models for estimating the performance of roadheader machine by two intelligent methods (the firefly algorithm (FA) and the Teaching-learning based optimization algorithm (TLBO)) and using a database (a case study). Is. In these models, the Schmidt hammer rebound values and the rock quality degree (RQD) are used as input parameters and the cutting rate of the roadheader is used as the output parameter. Finally, to evaluate the accuracy of the models and modeling, the indices of square correlation coefficient (R2), variance account for (VAF), root mean square error (RMSE) and mean square error (MSE) have been used. The results indicated that the two models have strong potentials to estimate roadheader performance with high degrees of accuracy and robustness.
Keywords: Roadheader, TLBO algorithm, firefly algorithm, Schmidt hammer rebound values, Tunnel excavation -
طراحی بهینه اقتصادی یکی از اهداف اصلی مهندسی عمران می باشد. امروزه جهت تقویت مقاطع بتنی ستون ها از الیافی تحت عنوان الیاف FRP استفاده می شود. این الیاف در سه نوع کربنی، شیشه و آرامید در بازار موجود است. در این مطالعه از الگوریتم فراابتکاری آموزش و یادگیری برای تعیین ابعاد مقطع ستون و میلگردهای ستون و همچنین تعداد لایه های FRP مورد نیاز جهت تقویت استفاده شده است. الگوریتم فراابتکاری مورد نظر با توجه به محدودیت ها و قیدهایی که برای طراحی درنظر گرفته شده است، ابعاد مقطع بتنی و میلگردها را تعیین می کند و سپس ظرفیت مقطع را بررسی کرده چنانچه به مقاوم سازی نیاز داشته باشد، از تعدادی لایه FRP برای تقویت مقطع استفاده می کند. تابع هزینه شامل هزینه بتن، میلگرد و FRP مصرفی جهت تقویت است، که به عنوان تابع هدف معرفی گردیده است. ضوابط طراحی و محدودیت های طراحی بر مبنای آیین نامه ACI 440-08 و ACI 318-14، به صورت قید پیاده سازی و فرمول نویسی شده است. بنابراین مجموعه تابع هدف و قیدها به نحوی با هم در ارتباط هستند تا کمترین هزینه بر مبنای تابع هدف با برقراری تمام قیود (طرحی قابل قبول)، در نقطه ای به نام طرح بهینه حاصل شود. با توجه به نتایج حالت های مختلف، در صورت استفاده از ابعاد و تعداد میلگرد های معرفی شده توسط الگوریتم استفاده از الیاف کربنی با صرفه اقتصادی بیشتری رو به رو می شود.کلید واژگان: الیاف FRP، الیاف کربنی، سازه های بتنی، تقویت ستون ها، بهینه سازی، الگوریتم TLBOOptimum economic design is one of the main goals of civil engineering. Today, reinforced concrete the columns reinforced fibers called FRP fibers. The fiber is available in three types of carbon, glass, and aramid. In this study, the teaching and learning metaheuristic algorithm used to determine the dimensions of the column and steel bars, as well as the number of FRP layers needed for reinforcement. Considering the limitations and constraint that are intended for design, the algorithm determines the dimensions of the concrete cross-section and the bars, and then examines the cross-sectional strength and, if required for reinforcement, a number of FRP layers to reinforce the cross-sectional will use. The cost function includes the cost of concrete, reinforcing, and the FRP, which has been introduced as a target function. Design criteria and design constraints are implemented and formulated in accordance with the ACI 440-08 and ACI 318-14. Therefore, the set of target functions and constraints are related to each other so that the lowest cost based on the objective function is achieved by establishing all constraints (acceptable design) at a point called the optimal design. According to the results, using the dimensions of the column and number of bars represented by the algorithm, CFRP use is more cost effective.Keywords: FRP Fiber, carbon fiber, RC buildings, strengthen of columns, Optimization, TLBO algorithm
- 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.