بهینه سازی کفتار خالدار و شیر مورچه ای در پیش بینی مقاومت برشی خاک

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 21

تعداد کلمات : 5500

مجله : applied sciences

انتشار : 2019

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
25 مارس 2022
دسته بندی
تعداد بازدیدها
1246 بازدید
36,000 تومان

عنوان فارسی مقاله:بهینه سازی کفتار خالدار و شیر مورچه ای در پیش بینی مقاومت برشی خاک

 چکیده

  دو پیش‌بینی‌کننده ترکیبی جدید به عنوان ترکیبی از شبکه عصبی مصنوعی (ANN)، همراه با تکنیک‌های فراابتکاری بهینه‌ساز کفتار خالدار (SHO) و بهینه‌سازی شیر مورچه (ALO) برای شبیه‌سازی مقاومت برشی خاک (SSS) پیشنهاد شده‌اند. این الگوریتم‌ها برای مقابله با اشکالات محاسباتی این مدل به ANN اعمال شدند. به عنوان تابعی از ده عامل کلیدی خاک (شامل عمق نمونه، درصد ماسه، درصد لوم، درصد رس، درصد رطوبت، تراکم تر، حد مایع، حد پلاستیک، شاخص پلاستیک و شاخص انحلال) SSS به عنوان متغیر پاسخ در نظر گرفته شد. به دنبال توسعه مجموعه‌های ALO-ANN و SHO-ANN، بهترین سازه‌ها با فرآیند آزمون و خطا تعیین شدند. نتایج کارایی هر دو الگوریتم کاربردی را نشان داد، زیرا خطای پیش‌بینی ANN به ترتیب توسط ALO و SHO حدود ۳۵% و ۱۸% کاهش یافت. مقایسه بین نتایج نشان داد که ALO-ANN (خطا = ۰٫۰۶۱۹ و همبستگی = ۰٫۹۳۴۸) کارآمدتر از SHO-ANN (خطا = ۰٫۰۸۷۴ و همبستگی = ۰٫۸۸۶۶) عمل می کند. در نهایت، یک فرمول پیش‌بینی SSS برای استفاده به عنوان جایگزینی برای روش‌های سنتی دشوار ارائه شده است(کفتار خالدار و شیر مورچه ای).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Spotted Hyena Optimizer and Ant Lion Optimization in Predicting the Shear Strength of Soil

Abstract

 Two novel hybrid predictors are suggested as the combination of artificial neural network (ANN), coupled with spotted hyena optimizer (SHO) and ant lion optimization (ALO) metaheuristic techniques, to simulate soil shear strength (SSS). These algorithms were applied to the ANN for counteracting the computational drawbacks of this model. As a function of ten key factors of the soil (including depth of the sample, percentage of sand, percentage of loam, percentage of clay, percentage of moisture content, wet density, liquid limit, plastic limit, plastic Index, and liquidity index), the SSS was considered as the response variable. Followed by development of the ALO–ANN and SHO–ANN ensembles, the best-fitted structures were determined by a trial and error process. The results demonstrated the efficiency of both applied algorithms, as the prediction error of the ANN was reduced by around 35% and 18% by the ALO and SHO, respectively. A comparison between the results revealed that the ALO–ANN (Error = 0.0619 and Correlation = 0.9348) performs more efficiently than the SHO–ANN (Error = 0.0874 and Correlation = 0.8866). Finally, an SSS predictive formula is presented for use as an alternative to the difficult traditional methods.