این مطالعه روشی برای طراحی شبکه های پایش کمی آب زیر زمینی به منظور کاهش نقاط پایش مکانی اضافی ارائه می کند؛ چاه های اضافی، که اگر نمونه گیری نشوند، خطا تخمین سطح آب زیرزمینی آن ها قابل چشم پوشی است. این روش مبتنی بر روش ماشین بردار پشتیبان بر پایه تئوری یادگیری آماری است. در این مطالعه، با استفاده از اطلاعات کمی 63 چاه مشاهداتی و پارامترهای هواشناسی (بارندگی و تبخیر) دشت رامهرمز، در دوره 7 ساله، عملکرد مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM) در طراحی شبکه برداشت چاه های مشاهداتی آب زیرزمینی بررسی شد. ترکیب های مختلف پارامترهای اثرگذار بر تراز سطح آب زیرزمینی با استفاده از مدل LS-SVM ارزیابی شد. ترکیب برتر مدل LS-SVM دربرگیرنده شاخص های عملکرد (MAE= 0.3405 و 0.9992= R2) است. سپس، با استفاده از تابع تقریب بهینه، 42 عدد چاه مشاهداتی به منظور پایش مکانی مناسب در منطقه دشت رامهرمز مشخص شد.

تبخیر یکی از فرایندهای مهم و تأثیرگذار در چرخه آبی است. تشت تبخیر به علت سهولت تفسیر داده­های آن در سراسر دنیا به عنوان شاخصی برای تعیین تبخیر از دریاچه­ها و مخازن استفاده می­شود. بنابراین با ثبت درست مقدار تبخیر از تشت می­توان تبخیر و تعرق گیاه مرجع را تخمین زد. روابط تجربی ارائه شده برای تخمین تبخیر از سطوح آزاد با در نظر گرفتن پارامترهای هواشناسی به عنوان ورودی، دارای تنوع زیاد است. دقت روابط تجربی در مناطق مختلف متفاوت است و در هر منطقه نیاز به واسنجی دارد. همچنین از دقت بالایی برخوردار نبوده و دسترسی به تمام پارامترهای ورودی مشکل و یا اندازه­گیری آن­ها محتاج صرف هزینه و زمان زیادی می­باشد. هدف از این تحقیق ارزیابی کارایی مدل­های ماشین بردار پشتیبان و حداقل مربعات ماشین بردار پشتیبان جهت تخمین تبخیر از سطح آزاد آب در استان گلستان می­باشد. در این تحقیق از داده­های هواشناسی روزانه سه ایستگاه سینوپتیک (کلاله، گرگان و بندر ترکمن) به مدت 17 سال (1376-1393) استفاده شد. نتایج نشان داد بین الگوهای ورودی به مدل های SVM و LSSVM، الگوی 16 با پارامترهای ورودی  رطوبت نسبی کمینه، رطوبت نسبی بیشینه، سرعت باد و ساعات آفتابی دارای بیشترین R2 و کمترین RMSE و MBE بود. مدل LSSVM در ایستگاه بندر ترکمن دارای بهترین پیش بینی نسبت به دو ایستگاه دیگر بوده است. همچنین در همه ایستگاه های موردمطالعه مدل LSSVM دارای R2 بیشتر و RMSE و MBE کمتری نسبت به مدل SVM بوده است.

هدف: هدف در این مقاله ارایه یک نوع بهبودیافته از مدل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری به منظور بهبود عملکرد کلاس بندی است. روش شناسی پژوهش: با جایگزین کردن متغیر جدید در تابع هدف، نقاط یک کلاس از ابرصفحه حاشیه-پارامتری کلاس دیگر تا جای ممکن دور می شود. یافته ها: مدل بهبودیافته در هر دو حالت خطی و غیرخطی محدب است. همچنین آزمایش های عددی بر روی داده های کتابخانه ای UCI نشان دهنده عملکرد بهتر مدل پیشنهادی در مقایسه با دو مدل مشابه در مقایسه با دو مدل مشابه در حالت های خطی و غیرخطی از نظر دقت است. اصالت/ارزش افزوده علمی: مطالعات قبلی انجام شده در مدل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری که از طریق روش های مانند وزن دار کردن داده ها، تبدیل کردن آن به مدل نامقید و یا اضافه کردن عبارت جدید در تابع هدف دقت مسئله را افزایش می دهند، تضمین کننده دور بودن تمام نقاط از ابرصفحه و قرار داشتن آن ها در نیم فضای منفی نیستند؛ اما این بررسی یک رویکرد جدید برای رفع این مشکل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری ارایه می دهد.

لطفا برای مشاهده چکیده به متن کامل (pdf) مراجعه فرمایید.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید. لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

با توجه به نیاز شبیه سازی سری های زمانی بارش در مقیاس های مختلف برای مقاصد مهندسی از یک طرف و عدم ثبت این پارامترها در مقیاس های ریز بدلیل مشکلات اجرایی و اقتصادی از طرف دیگر، ریزمقیاس کردن بارش به مقیاس مورد نظر، یک امر ضروری می باشد. در این مطالعه، برای ریزمقیاس کردن سری زمانی بارش ایستگاه های تبریز و سهند، با توجه به ویژگی های غیرخطی مقیاس های زمانی، مدل ترکیبی موجک – حداقل مربعات ماشین بردار پشتیبان (WLSSVM) پیشنهاد شده و داده های سری زمانی ماهانه شش ایستگاه و روزانه چهار ایستگاه بارش حوضه آبریز دریاچه ارومیه، برای 10 سال بوسیله تبدیل موجک به زیرسری های زمانی تجزیه شده و سپس با استفاده از معیارهای اطلاعات متقابل و ضریب همبستگی، زیرسری ها رتبه بندی شده و برای ریزمقیاس کردن سری زمانی ماهانه ایستگاه های تبریز و سهند به روزانه، زیرسری های برتر به عنوان داده های ورودی به مدل حداقل مربعات ماشین بردار پشتیبان (LSSVM) وارد شد. نتایج حاصل از مدل WLSSVM، با نتایج کاربرد روش LSSVM و روش کلاسیک رگرسیون چند متغیره خطی، مقایسه شد. در مجموع نتایج مدل WLSSVM نسبت به مدل های LSSVM و رگرسیون چند متغیره خطی برای اعتبارسنجی در حالت بهینه ایستگاه تبریز به ترتیب 10% و 37. 5% و در حالت بهینه ایستگاه سهند، به ترتیب 24. 5% و 46. 7% افزایش نشان داد. لذا ملاحظه گردید که روش WLSSVM نسبت به دو روش دیگر، دقت بالاتری داشته و به عنوان روشی مناسب جهت ریزمقیاس کردن سری های زمانی بارش پیشنهاد می گردد.

مقاومت برشی تیرهای عمیق بتن مسلح (RC) وابسته به پارامترهای مکانیکی و هندسی تیر تغییر می نماید. برآورد دقیق مقاومت برشی در تیرهای عمیق بتن مسلح یکی از اصلی ترین موضوعات در طراحی سازه های مهندسی است. با این حال، پیش بینی مقاومت برشی در این نوع تیرها از دقت بالایی برخوردار نیست. یکی از روش های تخمین نسبتا دقیق مقاومت برشی استفاده از هوش مصنوعی می باشد. هوش مصنوعی دارای روش های مختلفی است که یکی ازاین روش ها استفاده از تکنیک هوش مصنوعی (AI) مبتنی بر روش ماشین بردار پشتیبان است. در این مطالعه برای پیش بینی ظرفیت برشی تیرهای عمیق بتن مسلح از روش ماشین بردار پشتیبان حداقل مربعات وزن دار(WLS-SVM) که روشی نسبتا جدید و کارامد است، استفاده شده است. برای این منظور ابتدا یک بانک اطلاعاتی شامل نتایج آزمایشگاهی مربوط به تیرهای عمیق بتن مسلح جمع آوری شد. سپس پس از تعیین پارامترهای ورودی و خروجی با کمک فرآیند آموزشی در روش WLS-SVM و با استفاده از بخشی از داده های جمع آوری شده، مدلی برای پیش بینی مقاومت برشی تیرهای عمیق بتن مسلح ایجاد شد. به منظور تعیین دقت روش WLS-SVM، نتایج بدست آمده با نتایج حاصل از سایر روش های هوش مصنوعی و آیین نامه های مختلف مورد ارزیابی و مقایسه قرار گرفت. بررسی های آماری نشان داد که روش WLS-SVM دارای بهترین عملکرد از نظر پارامترهای ارزیابی آماری (9887/0=R^2، 107/0= RMSE، 478/0= MAEو %48/9 MAPE=) نسبت به سایر روش ها هستند. بنابراین این مطالعه نشان می دهد که می توان از روش WLS-SVM به عنوان ابزاری کارآمد در طراحی تیرهای عمیق استفاده نمود.