وزن های تصادفی کوچک پیشنهاد می شود.
۳-۱۴ نقاط قوّت و محدودیتها
موارد زیر دلایلی هستند که بخاطر آنها، شبکه های عصبی مصنوعی تبدیل به یک ابزار محاسباتی جذاب شده اند:
می توانندبدون هیچ ملاحضات فیزیکی خاصی،رابطه بین متغیرهای ورودی وخروجی راتشخیص دهند.
حتی زمانی که مجموعه های آموزشی دارای نویز و خطای اندازه گیری هستند، بخوبی کار خود را انجام می دهند.
قادرهستنند با گذشت زمان، با راه حل ها تطبیق پیدا تا تغییرات محیطی جبران گردد.
از خصوصیات ذاتی پردازش اطلاعات دیگری برخوردارند و زمانیکه یکبار آموزش داده شوند، استفاده از آنها ساده خواهد بود.
در بسیاری از اوقات، مسائل به وضوح درک نشده یا برای تحلیلی معنی دار با بهره گرفتن از روش های مبتنی بر فیزیک، به سختی قابل تعریف اند. حتی زمانیکه چنین مدلهایی قابل دسترس هستند، باید بر یکسری فرضیاتی تکیه کنند که این خود باعث می شود تا شبکه های عصبی مصنوعی جذاب تر به نظر برسند. از این گذشته، شبکه های عصبی مصنوعی به طور پیوسته غیر خطی بودن فرایندهای زیربنایی را مدلسازی می نمایند، بدون اینکه مجبور باشند درگیر حل معادلات دیفرانسل جزئی پیچیده گردند. برخلاف تکنیک های مبتنی بر رگرسیون، هیچ نیازی به فرضِ مفروضات در خصوص شکل ریاضیاتی رابطه بین ورودی و خروجی نمی باشد.
بدلیل پردازش توزیع شده در شبکه، وجود نویز در ورودی ها و خروجی ها توسط شبکه عصبی مصنوعی
۴۸
مرتفع می گردد، بدون اینکه تأثیر شدیدی بر صحت نتیجه نهایی داشته باشد. این ویژگی، به همراه ذات غیرخطی تابع فعال سازی، حقیقتاً کلیت بخشی به توانایی های شبکه عصبی مصنوعی را پیشرفت داده و آنها را برای بازه گسترده ای از مسائل در مقوله علوم مهندسی تبدیل به گزینه ای مطلوب می نماید.
علی رغم اینکه مطالعات متعدد نشان می دهد که شبکه های عصبی مصنوعی بطور بالقوه ابزاری مفید در علوم مهندسی هستند، اما نباید معایب آنها نادیده گرفته شود. موفقیت یک شبکه عصبی مصنوعی بستگی به کمیت و کیفیت داده های قابل دسترسی دارد. این نیازمندی چیزی نیست که به سادگی بدست آید، چرا که بسیاری از بایگانی های سوابق در علوم مهندسی، به اندازه کافی به قبل برنمی گردند. بسیاری از اوقات، داده های پیش شرط برای این امر قابل دسترسی نبوده و لازم است تا توسط روش های دیگری از قبیل دیگر مدلهایی که بخوبی آزموده شده اند تهیه و تولید گردند. حتی زمانیکه بایگانی سوابق دراز مدت در دسترس است، ما مطمئن نیستیم که شرایط در طول آن بازه از زمان بدون تغییر باقی مانده باشد. بنابراین، مجموعه داده های بایگانی شده از یک سیستم، که نسبتاً پایدار و دست نخورده توسط فعالیتهای انسانی هستند، مطلوبِ این امر می باشند. نمایش تغییرات زودگذر اغلب بواسطه شامل نمودن ورودی و خروجی های گذشته بعنوان ورودیهای فعلی بدست می آیند. البته، بلافاصله مشخص نخواهد شد که چقدر باید به گذشته برگردیم تا تأثیرات موقت نیز شامل گردند. این موضوع، حاصل ساختار شبکه عصبی مصنوعی را پیچیده تر می کند. هنوز، یک محدودیت عمده شبکه های عصبی مصنوعی، در خصوص فقدان مفاهیم و روابط فیزیکی است. این قضیه تبدیل به یکی از دلایل اولیه برای برخوردی آمیخته با شک با این متدولوژی می باشد. همچنین، این حقیقت که هیچ روش استاندارد شده ای برای انتخاب معماری شبکه وجود ندارد، خود مسئله ای است که بر آن انتقادات زیادی وارد است. انتخاب معماری شبکه، الگوریتم فراگیری، و تعریف خطا معمولاً بجای اینکه بر اساس جنبه های فیزیکی مسئله تعریف شوند، مبتنی بر تجربه قبلی و ترجیح کاربر تعیین می گردند.
۴۹
۳-۱۵ برخی از قابلیتهای شبکههای عصبی در مهندسی عمران
-
- در مسائل بهینه سازی ، تحلیل خطی و غیر خطی سازهها
-
- آموزش شبکه در ایجاد ضرایب المانهای ماتریس سختی سازه در محدوده مشخصی از اطلاعات ورودی در حل بسیاری از مسائل غیر خطی که با بهره گرفتن از روش های پیچیده اجزائ محدود صورت میگیرد.
-
- کاربرد قابل توجهی در کنترل فعالیت سازهها تحت اثر نیروهای دینامیکی دارد.
-
- کاربرد در طراحی اولیه سازهها، با بهره گرفتن از شبکههای عصبی امکان رسیدن به طرح اولیه و یا مقدماتی امکان پذیر میگردد.
-
- کاربرد شبکههای عصبی دربررسی رفتارسازههاوتعیین مواردضعف احتمالی آنهاتحت اثرنیروهای دینامیکی.
-
- در کارخانههای تولید کننده قطعات پیش ساخته فولادی و بتن مسلح که در کاربردی محصولات تولیدی آنها تغییرات مختصری صورت میگیرد، بکاربستن شبکههای عصبی میتواند بسیار مفید و موثر واقع گردد.
۳-۱۶ کاربرد شبکههای عصبی مصنوعی در بهینهسازی سازهها
در طراحی بهینه سازهها لازم است سازه را در دفعات متوالی تحلیل نمود، زیرا توپولوژی و مشخصات سازه در پروسه بهینه سازی مرتب تغییر پیدا میکند. استفاده از روشهای تقریبی تحلیل سازه جانشین مناسبی برای تحلیل دقیق میباشد زیرا در روش دقیق مدت زمان محاسبات رایانهای برای بهینه سازی بطور قابل ملاحظهای افزایش مییابد. برتری شبکههای عصبی بر روشهای دیگر، سرعت بسیار زیاد آنها در پاسخ دادن به دادهها است. در این صورت میتوان زمان مورد نیاز برای بهینه سازی سازهها را کاهش داد و سازههای بزرگ در
۵۰
دنیای واقعی را بهینه نمود. برای استفاده از یک شبکه عصبی در بهینه سازی به عنوان یک تحلیل کننده سریع، لازم است ابتدا شبکه بر اساس یک سری زوجهای ورودی خروجی تصادفی آموزش داده شود. بدیهی است که کارکرد شبکه قبلاً بایستی کنترل شود تا دقت خروجیها در محدوده قابل قبول باشد. پس از آموزش شبکه و در مرحله بهینه سازی سازه، دیگر نیازی به تحلیل مجدد سازه نیست، بلکه در تکرارهای بی شمار که صورت میگیرد شبکه عصبی به عنوان یک تحلیل کننده سریع عمل می نماید.
۳-۱۷ معرفی نرم افزار Matlab
نرم افزار Matlab یک محیط کارآمد برای انجام محاسبات تکنیکی است که امکان محاسبات، نمایش اطلاعات و برنامه نویسی را در قالب یک محیط ساده و علائم مرسوم ریاضی فراهم می آورد.[۲]
کاربردهای معمول Matlab را می توان در موارد زیر خلاصه نمود:
توسعه الگوریتم ها
دریافت و جمع آوری داده ها
مدلسازی، شبیه سازی و ساخت نمونه های اولیه
تحلیل داده ها، اکتشاف و نمایش دادها
گرافیک مهندسی و علمی
توسعه برنامه های کاربردی و ساخت رابط های گرافیکی کاربر
Matlab یک سیستم محاوره ای است که آرایه های فاقد اندازه، اجزای اولیه آنرا تشکیل می دهند. Matlab شماراقادر به حل بسیاری ازمسائل محاسباتی به خصوص مسائلی که در قالب برداری و ماتریسی فرموله
۵۱
می شوند، می سازد. زمان مورد نیاز جهت انجام محاسبات در Matlab نسبت به زبان هایی مثل C و Fortran بسیار اندک می باشد .
نام نرم افزار Matlab از حروف ابتدایی از دوکلمه matrix laboratory ( آزمایشگاه ماتریس) استخراج شده است. این نرم افزار اولین بار برای دسترسی بهتر به نرم افزار ماتریسی توسعه داده شده در پروژه های LINPACK و EISPACK نوشته شد. امروزه Matlab ترکیبی از کتابخانه های LAPACK و BLAS را گردهم می آورد. شکل ۳- ۳ نمایی کلی از محیط کار نرم افزار Matlab را نمایش می دهد.
شکل ۳- ۳: نمایی کلی از محیط کار نرم افزار Matlab
۵۲
۳-۱۸ مراحل مدل سازی
ابتدا آمار و اطلاعات مورد نیاز از سازمان نظام مهندسی ساختمان آذرشهر تهیه و با بهره گرفتن از تابع توزیع نرمال ورودی های شبکه را نرمالیزه کرده و مدل شبکه عصبی مصنوعی با هدف پیش بینی مکانی ظرفیت باربری طراحی شده است.
شرح مراحل کار به ترتیب انجام شده:
تعیین پارامترها(مختصات جغرافیایی، ظرفیت باربری مجاز ، عرض پی)
تهیه دادها
مرتب سازی داده ها به صورت فایل متنی
نرمال کردن داده ها در محدوده بین ۰ و ۱
تعیین هندسه کلی مدل به روش سعی و خطا
تعیین هندسه مدل به روش سعی و خطا ( برای مشخص نمودن هندسه مدل به صورت سعی و خطا عمل می کنیم بدین صورت که تعداد گره های لایه میانی را عوض کرده و هربار خطای مدل را محاسبه می کنیم تا زمانی که به کمترین خطا برسیم. این روش برای تعیین تابع مورد استفاده لایه میانی و خروجی نیز استفاده می گردد.)
[یکشنبه 1400-08-02] [ 08:47:00 ق.ظ ]
|