۱۴ نتیجه برای یادگیری عمیق
دوره ۱۱، شماره ۱ - ( ۲-۱۴۰۰ )
چکیده
اهداف: نسل جدیدی از مصالح نوین ساختمانی با استفاده از روشهای رایانشی و دیجیتال تولید میشوند. مصالح نوین ساختمانی چشم انداز جدیدی به امکان ایجاد محیط زیست شهری سالم ایجاد کرده است. هدف اصلی پژوهش، بررسی، تحلیل و اولویت شناسی در رایانش مصالح نوین در هماهنگی با محیط زیست است. هدف کاربردی پژوهش، تبیین مفهوم و ارائه راهبردهایی برای کاربرد مصالح مناسب برای دست یابی به الگوی «شهر سالم» است.
روش ها: پژوهش از نظر رویکرد روش شناختی کیفی-کمی است. نتایج کیفی به تبیین مفهوم منتهی میشود و اولویت شناسی از طریق پرسشنامه برخط به دست میآید. برای تایید پایایی از ضریب کاپا یا ضریب توافق طرفین استفاده شده است. تعداد ۳۸۶ پرسشنامه سالم جمع آوری، و با کمک همبستگی اسپرمن، نتایج بررسی و تحلیل شدند.
یافته ها: در میان گویههای دهگانه استخراج شده درباره مصالح نوین به کاررفته، چهار گویه با درجه معناداری بالا به دست آمده؛ که به ترتیب عبارتند از: ۱- قرارگرفتن در معرض نور مستقیم خورشید، ۲- سلامتی مصالح (MSDS)، ۳- سهولت تعویض و جایگزینی و ۴- درجه جاذب رطوبت بودن.
نتیجه گیری: افزیش خطر بیماریهای فراگیر نشان میدهد که تحقق کانسپت شهر سالم بدون رایانش مصالح نوین امکان پذیر نیست؛ حوزهای میاندانشی و بین رشتهای که نیازمند رویکردی ترکیبی از شیمی سبز، رایانش زیستی و رایانش مبتنی بر مواد است. رایانش مصالح نوین، روشی موثر در دست یابی به الگوی شهر سالم است؛ موضوعی که نیازمند توسعه آموزش محیط زیست و مهارت مدیریت شهر سالم است.
دوره ۱۲، شماره ۳ - ( ۱۰-۱۴۰۱ )
چکیده
نگهداری و حفظ روابط با مشتریان و جلوگیری از رویگردانی مشتری از وظایف مهم سازمان‌ها در بازارهای به‌شدت رقابتی کنونی است. در این پژوهش مسئله رویگردانی مشتری و استراتژی‌های حفظ و نگهداشت مشتری بررسی شده‌اند. این موضوعات از راه مرور ادبیات نظام‌مند و از زوایای مختلف از جمله زمینه فعالیت سازمان، درجه فردی‌سازی مدیریت ارتباط با مشتری، دسته‌بندی مشتریان، انتخاب مشتریان کلیدی، تعلق خاطر کارمندان به سازمان و ارزیابی عملکرد کارکنان سازمان بررسی قرار شده‌اند.
علاوه‌بر‌این، ابزاری مبتنی بر شبکه‌های یادگیری عمیق جهت پیش‌بینی رویگردانی مشتری استفاده شده است. در‌نتیجه یک چارچوب و مدل مفهومی بر پایه ادبیات موجود در این حوزه ایجاد شده و بعد از آن با مدل پیش‌بینی رویگردانی مشتری با استفاده از شبکه‌های یادگیری عمیق ترکیب شده است. نتایج نشان میدهد استفاده از یادگیری عمیق در پیش‌بینی رویگردانی مشتری یک شیوه کاملاً مؤثر و کارآمد برای حل مسئله ارتباط، حفظ و نگهداشت مشتری است. این رویکرد نه‌تنها قادر به پیش‌بینی دقیق این است که کدام یک از مشتریان سازمان در حال رویگردانی از سازمان و قطع ارتباط خود با سازمان هستند، بلکه میتواند به‌طور دقیق عوامل و پارامترهای مؤثر بر رویگردانی مشتری را شناسایی کند و بینش بسیار ارزشمندی برای واحد بازاریابی سازمان‌ها به ارمغان آورد.
دوره ۱۲، شماره ۴ - ( ۱۰-۱۴۰۱ )
چکیده
اهداف: در فضای داخلی، دما و رطوبت نسبی اغلب کنترل می شود و حتی بدون استفاده از سیستم های گرمایش و سرمایش، تغییرات دما و رطوبت نسبی فضای داخلی کمتر از فضای باز خارجی است. ساختمان‌ها در برابر آلاینده‌هایی که منشأ بیرونی دارند، به صورت نسبی محافظت می شوند. مساله اصلی پژوهش تحلیل و بررسی اثرات زیست محیطی حاصل از قرار گرفتن در معرض ذرات و گازهایی که در داخل خانه منتشر یا تولید میشوند؛ و به خصوص تاثیر این آلاینده ها بر سلامت ساکنان می باشد.
روش ها: روش تحقیق این پژوهش بر اساس استدلال منطقی استوار شده است. مبانی علمی موضوع با رویکرد شبه تجربی تحلیل شده، نتایج با روش مدل سازی ترکیبی ارایه می شود. از نظر روش شناختی، در این پژوهش، واکنش های شیمیایی انجام شده در فضاهای داخلی مورد بررسی قرار می گیرند. در این راستا، مکانیسم ها و سینیتیک واکنش ها، ویژگی های سطوح مختلف و اثر عواملی چون نور و دما مورد بررسی قرار خواهد گرفت.
یافته ها: محیط زیست سالم پیش نیاز زندگی سالم برای ساکنان است؛ این مهم در فضاهای بسته به اندازه فضاهای باز و نیمه باز دارای اهمیت است. یافته های پژوهش بر اهمیت ویژه ریزآلاینده ها و تاثیر آن ها بر سلامت ساکنان تاکید دارد.
نتیجه گیری: تبیین اهمیت و نقش مصالح ساختمانی در سلامت هوای داخل، یکی از مهمترین دستاوردهای این پژوهش است. دستاوری که بیش از هرچیز بر اهمیت آموزش محیط زیست در ترویج ساختمان سالم، رایانش زیستی و کاربرد مصالح دوستدار محیط زیست تاکید دارد.
دوره ۱۵، شماره ۲ - ( ۳-۱۴۰۳ )
چکیده
سرطان یکی از شایع‌ترین علل مرگ و میر در جهان است. سرطان پستان فراوان ترین سرطان در بین زنان است و سالیانه باعث میزان بالایی از مرگ و میر می شود. معتبرترین و مطمئن ترین روش برای مدیریت موفق سرطان، تشخیص دقیق و زود هنگام است. در مقابل، عدم تشخیص به موقع منجر به گسترش سرطان در بدن می شود، در نتیجه درمان و کنترل آن را دشوار می نماید. روش استاندارد طلایی برای تشخیص سرطان پستان، بیوپسی است. به طور معمول از روش های دستی و بصری برای تشخیص سرطان استفاده می شود و پاتولوژیست اسلاید های هیستوپاتولوژی را زیر میکروسکوپ بررسی می نماید که این نوع تشخیص به زمان زیاد و تخصص بالایی احتیاج دارد و بسیار مستعد خطاست، به همین دلیل استفاده از سیستم تشخیص رایانه ای(CAD) برای کمک به پزشکان در جهت بهبود کارایی تفسیر تصاویر پزشکی ضروری است. در این مطالعه ما از مدل های یادگیری عمیق، خصوصا شبکه های عصبی کانولوشنی (CNNs) برای تشخیص سرطانی بودن یا نبودن تصاویر هیستوپاتولوژیک استفاده می کنیم. میزان AUC، صحت و امتیاز F۱ به دست آمده با استفاده از شبکه ی عصبی عمیق از پیش آموزش داده شده Incetion-V۳ به ترتیب برابر ۳۶/۹۸ % ، ۲۸/۹۵ % و ۲۵/۹۷ % است و همین پارامترها برای شبکه ی عصبی عمیق از پیش آموزش داده شده ی ResNet-۱۸ برابر با ۹۰/۹۷ % ، ۴۶/۹۷ % و ۲۲/۹۸ % می باشد. مدل ارائه شده قادر است برای مورفولوژی های متفاوت بافت پستان، پاسخ قابل توجهی ارائه دهد.
دوره ۱۶، شماره ۱ - ( ۱۰-۱۴۰۳ )
چکیده
پایش فشار خون، یکی از مؤلفه‌های حیاتی برای حفظ سلامتی است. فشار خون بالا، به عنوان یک عامل خطر میتواند منجر به بروز حمله قلبی، سکته، نارسایی قلبی و کلیوی شود. همچنین، فشار خون پایین نیز میتواند خطرناک باشد و منجر به گیجی، ضعف، غش و اختلال در اکسیژن رسانی به اندام‌ها و آسیب به مغز و قلب گردد. از این رو پایش مداوم میزان فشار خون در افراد با ریسک بالا بسیار حائز اهمیت می‌باشد، به طوری که استفاده از دستگاه هولتر فشارخون به دلیل قابلیت ثبت طولانی مدت و ارزشمند اطلاعات فشارخون برای بسیاری از بیماران تجویز میشود. تلاش برای دستیابی به تکنیک‌های نرم افزاری و توسعه دستگاههای اندازه‌گیری فشارخون بدون کاف، با حفظ آسایش و راحتی بیمار، از مهمترین چالش‌هایی است که ذهن پژوهشگران را به خود اختصاص داده است. در این پژوهش یک چهارچوب یادگیری عمیق بر مبنای شبکهUNet یکبعدی با نظارت عمیق جهت تخمین فشار خون پیوسته از روی سیگنال فوتوپلتیسموگرافی بدون استفاده از روش کالیبراسیون فردی ارائه شده است. مدل ارائه شده بر روی بانک داده UCI برای ۹۴۲ بیمار تحت مراقبت ویژه، به میانگین خطای مطلق ۸۸/۸ ، ۴۳/۴ و ۳۲/۳ و انحراف معیار ۰۱/۱۱، ۱۸/۶ و ۱۵/۴ میلیمتر جیوه به ترتیب برای فشار خون سیستول ، دیاستول و فشار خون میانگین دست یافت. طبق استاندارد بین المللی BHS، روش پیشنهادی، درجهی A برای فشار خون دیاستول و میانگین و نیز درجهیC برای فشار خون سیستول را برآورده میکند. نتایج حاصل از این پژوهش حاکی از آن است که چهارچوب یادگیری عمیق پیشنهادی
دوره ۱۷، شماره ۱۰۹ - ( ۱۲-۱۳۹۹ )
چکیده
آفات و بیماری های گیاهی یک تهدید عمده برای امنیت غذایی بشر بشمار میآیند. در مزارع وسیع، تشخیص دقیق و به هنگام توسط انسان به دلیل زمان بر بودن و احتمال تشخیص اشتباه امکان پذیر نمی باشد. از اینرو برای تشخیص فوری، اتوماتیک ، مناسب و دقیق آفات کشاورزی، استفاده از پردازش تصویر و هوش مصنوعی از جمله یادگیری عمیق میتواند بسیار مفید باشد. در این تحقیق، مدل‌های شبکه عصبی پیچشی برای تشخیص و شناسایی سه نوع آفت مرکبات متداول در شمال ایران نظیر پروانه مینوز، فوماژین (قارچ دوده مرکبات) و بالشتک با استفاده از تصاویر برگ‌های آلوده، از طریق روشهای یادگیری عمیق توسعه داده شده است. برای این منظورمعماری‌های رزنت۵۰ و وی‌جی‌جی۱۶ به عنوان شبکه عصبی پیچشی معروف با استفاده از روش انتقال یادگیری بر روی ۱۷۷۴ تصویر برگ آلوده مرکبات که در شرایط طبیعی و مزرعه‌ای فراهم گردید، آموزش داده شد. در مرحله آموزش، از روش افزونه‌سازی داده‌ها برای افزایش تعداد نمونههای آموزشی و بهبود تعمیم‌پذیری طبقه‌بند‌ها استفاده گردید. برای تجزیه و تحلیل تجربی از اعتبارسنجی ضربدری به منظور اندازه‌گیری دقت شبکه عصبی پیچشی استفاده شد. در این استراتژی، همه تصاویر بدون هیچگونه همپوشانی مجموعه داده‌های آموزش و امتحان، آزمایش شدند. بر اساس نتایج به دست آمده دقت مدل‌های رزنت۵۰ و وی‌جی‌جی۱۶ به ترتیب ۰۵/۹۶ و ۳۴/۸۹ درصد ارزیابی گردید.از اینرو مدل رزنت۵۰، می تواند روش فوق را به یک سیستم مشاوره یا هشداردهنده اولیه بسیار مناسب تبدیل کند.
دوره ۱۸، شماره ۱۱۵ - ( ۶-۱۴۰۰ )
چکیده
دفع آفات و امراض جزء مهمترین عملیات در مرحله داشت مرکبات محسوب میشود. امروزه تحقیقات زیادی در زمینه تشخیص آفات و بیماریهای گیاهی با به‌کارگیری روشهای ماشین بینایی انجام شده است. یکی از مشکلاتی که باعث کاهش دقت ماشین برای تشخیص آفات در شرایط مزرعه‌ای میشود، وجود عوامل نامساعد از قبیل سایه و تغییرات شدت نور در ساعات مختلف روز می‌باشد. در این پژوهش به‌منظور یافتن شدت نور مناسب در ساعات مختلف روز از نورپردازی به‌وسیله یک لامپ در محل تصویربرداری استفاده شده است. برای تشخیص درختان آلوده به آفت حلزون از روش یادگیری عمیق با سه نوع الگوریتم بهینه‌ساز نسبتا قوی یعنی RMSProp، Adam و SGDm استفاده شد. برای بررسی و آزمون الگوریتم‌های مورد استفاده، تعداد ۸۰۰۰ تصویر در ۹ شرایط مزرعه‌ای و یک حالت آزمایشگاهی مورد بررسی قرار گرفت. در شرایط مزرعه‌ای، کمترین مقدار دقت تشخیص الگوریتم‌ها با ۳۲/۶۴ درصد مربوط به تصویربرداری در روز ابری با شدت نور ۳۵۰ الی ۷۰۰ لوکس و با استفاده ازالگوریتم RMSPropحاصل شد، ولی با ایجاد شدت نور کنترل شده به‌وسیله لامپ (تقربیا ۹۰۰۰ لوکس)، دقت تشخیص با استفاده از الگوریتم SGDm تا ۲۵/۹۵ درصد بهبود یافت. در شرایط آزمایشگاهی که تصاویر در محیطی کنترل شده با شدت نور ثابت تهیه شده بود، استفاده از الگوریتم SGDm، دقت تشخیص را تا مقدار ۷۳/۹۸ درصد ارتقاء داد.
دوره ۲۲، شماره ۱ - ( ۱-۱۴۰۱ )
چکیده
سازه های مهندسی عمران به دلیل قرار گرفتن در معرض شرایط جوی و بارگذاری های مختلف در طول عمر خود ممکن است دچار آسیب های گوناگون شوند به همین دلیل پایش سلامت سازه همواره جز مسائل مورد توجه مهندسین عمران بوده است. در این مقاله یک روش نوین جهت شناسایی آسیب های موضعی و کلی سازه های عمرانی با استفاده از شبکه عصبی بدون بازرس عمیق ارائه می شود. در این روش ابتدا سازه بدون آسیب تحت اثر بارهای محیطی قرار می گیرد. پاسخ های سازه تحت اثر بارهای محیطی به قطعات کوچکتری تقسیم بندی می شوند و با استفاده از تبدیل فوریه گسسته به حوزه فرکانس منتقل می شوند. یک شبکه عصبی بدون بازرس عمیق که از چند لایه ماشین بولتزمن مجزا تشکیل شده است با استفاده از پاسخ های سازه بدون آسیب آموزش داده می شود. شبکه عصبی بدون بازرس عمیق پس از آموزش قادر به شناسایی ویژگی های معنادار موجود در پاسخ های سازه است. در مرحله بعد سازه در وضعیت نامشخص از نظر سلامت مورد بررسی قرار می گیرد. پاسخ های سازه در وضعیت مجهول در برابر بارهای محیطی جمع آوری شده و با استفاده از شبکه عصبی که قبلا آموزش دیده، ویژگی های موجود در داده های جدید استخراج می شوند. این عمل می تواند به صورت جداگانه برای هر یک از بخش های مورد نظر در سازه انجام شود. با استفاده از ویژگی های استخراج شده از سازه ی سالم و سازه در وضعیت مجهول از نظر سلامت سازه، شاخص سلامت برای هر یک از بخش های مورد بررسی سازه محاسبه می شود. با توجه به ویژگی های استخراج شده در حالت سالم و مجهول سازه، وجود و شدت آسیب های احتمالی شناسایی می شوند. یکی از مزیت های روش ارائه شده عدم نیاز به مدلسازی آسیب ها برای آموزش شبکه عصبی است و فقط پاسخ های سازه سالم برای آموزش شبکه عصبی استفاده می شود. جهت بررسی روش پیشنهادی یک ساختمان بلند مرتبه مدلسازی شده و شاخص های سلامت برای هر یک از قسمت های سازه محاسبه شده است. شاخص های سلامت محاسبه شده برای ساختمان مورد بررسی دارای دقت قابل قبولی هستند و دقت روش پیشنهادی تقریبا ۹۵ درصد می باشد همچنین آسیب های موجود و شدت آنها با دقت مناسبی شناسایی شده اند.
محمدجواد ناطق، ناصر محمدی،
دوره ۲۲، شماره ۱۰ - ( ۷-۱۴۰۱ )
چکیده
استخراج اطلاعات مورد نیاز برای ماشین‌کاری، یکی از مراحل اصلی در طرح ریزی فرایند ماشین‌کاری قطعات به کمک کامپیوتر می‌باشد. استفاده از تکنیک‌های هوش مصنوعی برای شناسایی فیچرهای ماشین‌کاری از روش‌هایی است که بیش از دو دهه مورد توجه و تحقیق محققین در این حوزه بوده است. در کلیه روشهای قبلی بکار گیری شده اعم از روشهای سنتی و یا روشهای مبتنی بر هوش مصنوعی، داده‌های ورودی به سامانه شناسایی فیچرهای ماشین‌کاری، اطلاعات خروجی یک سامانه طراحی به کمک کامپیوتر می‌باشد. شناسایی فیچرهای ماشین‌کاری از داده‌های فایل خروجی طراحی به کمک کامپیوتر با محدودیت‌هایی از قبیل تنوع فرمت و نوع چینش داده‌ها، حذف برخی داده‌ها از فایل طراحی بدلیل وجود تداخل‌های هندسی فیچرها، سرعت کم استخراج فیچرها بدلیل گستردگی اطلاعات موجود در فایل طراحی و همچنین محدودیت شناسایی انواع مختلف فیچرهای ماشین‌کاری توسط یک سامانه شناسایی فیچرها می‌باشد. در روش ارایه شده در این تحقیق با استفاده از تکنیک‌های هوش مصنوعی مبتنی بر یادگیری عمیق، فیچرهای ماشین‌کاری مستقیما از تصویر دو بعدی یک قطعه استخراج و شناسایی میشود. تصویر قطعه میتواند خروجی یک فایل طراحی به کمک کامپیوتر باشد و یا توسط هر ابزار دیگری تهیه شده باشد و یا توسط یک دوربین عکاسی معمولی از قطعه باشد.
حمید رضا حیدری، طاهره قهری صارمی، طیبه قهری صارمی،
دوره ۲۳، شماره ۵ - ( ۲-۱۴۰۲ )
چکیده
دست انسان یکی از پیچیده‌ترین اندام‌های بدن انسان است که قادر به انجام وظایف ماهرانه می‌باشد. ماهرانه عمل کردن به ویژه گرفتن یک توانایی حیاتی برای ربات‌ها محسوب میشود. با این حال، گرفتنِ اشیاء توسط دست ربات یک مسئله چالش برانگیز است. بسیاری از محققان از روشهای یادگیری عمیق و بینایی کامپیوتری برای حل این مسئله استفاده کرده‌اند. این مقاله یک دست ربات ۵ درجه آزادی انسان‌نما را ارائه میدهد. دست رباتیک با استفاده از پرینتر سه بعدی ساخته شده و برای حرکت انگشتان از ۵ سروو موتور استفاده میشود. به منظور سادگی دست رباتیک، سیستم انتقال مبتنی بر تاندون انتخاب شده که به انگشتان دست ربات اجازه خمش و کشش میدهد. هدف این مقاله استفاده از الگوریتم یادگیری عمیق برای گرفتن نیمه خودکار اشیای مختلف می‌باشد. در این راستا یک ساختار شبکه عصبی کانولوشن با بیش از ۶۰۰ تصویر آموزش داده میشود. این تصاویر توسط یک دوربین نصب شده بر روی دست ربات جمع آوری شده است. سپس عملکرد این الگوریتم در شرایط مشابه روی اشیای مختلف آزمایش میشود. در نهایت دست رباتیک قادر به گرفتن موفقیت آمیز با دقت ۸۵ درصد می‌باشد.
ناصر محمدی، محمد جواد ناطق،
دوره ۲۳، شماره ۶ - ( ۳-۱۴۰۲ )
چکیده
در تولید قطعات صنعتی، ماشین‌کاری از مهمترین عملیاتی است که در حوزه ساخت قطعات مطرح است. تولید یک قطعه صنعتی در سه مرحله طراحی، طرح‌ریزی فرآیند و ساخت صورت می‌گیرد و در کلیه این مراحل، از کامپیوتر به عنوان یک ابزار قدرتمند، استفاده فراوانی شده است. در طرح‌ریزی فرآیند به کمک کامپیوتر، مرحله شناسایی فیچرهای ماشین‌کاری پیش‌نیاز و مقدمه مراحل بعدی می‌باشد. استخراج اطلاعات و شناسایی فیچرها از اطلاعات طراحی به‌کمک کامپیوتر با توجه به افزایش پیچیدگی قطعات، به صورت دائم بهبود یافته است لیکن تحقیق برای یافتن یک راه حل بهینه پایان ناپذیر است. طی چند دهه گذشته، برای استخراج و شناسایی فیچرهای ماشین‌کاری از اطلاعات فایل طراحی، روشهای متعددی توسط محققین معرفی و به کارگیری شده است. در کلیه روش‌هایی که تاکنون توسط محققین معرفی و ارایه گردیده است، تعداد و نوع ویژگی‌ها به عنوان متغیرهای مستقل در الگوی شناسایی فیچرهای ماشین‌کاری، توسط طراح الگو و از داده‌های فایل طراحی قطعه استخراج می‌گردد. در این تحقیق ویژگی‌های مورد نیاز برای شناسایی فیچرهای ماشین‌کاری از مقادیر پیکسل‌های تصویر شکل فیچرها و توسط سامانه هوش مصنوعی و بصورت خودکار استخراج می‌گردد. سامانه هوش مصنوعی تولید شده برای شناسایی فیچرهای ماشین‌کاری در این تحقیق قادر است با مشاهده تصویر یک قطعه، کلیه اطلاعات مورد نیاز برای ماشین‌کاری از جمله نام، مختصات محل قرارگیری فیچر نسبت به قطعه و ابعاد مورد نیاز برای ماشین‌کاری قطعه را شناسایی نماید و اطلاعات فیچرهای موجود در تصویر ورودی به سامانه را در یک جدول ارایه دهد.
دوره ۲۴، شماره ۴ - ( ۷-۱۴۰۳ )
چکیده
زاویه اصطکاک خاک یکی از پارامترهای اساسی در مهندسی ژئوتکنیک است و به‌طور مستقیم بر پایداری سازه‌هایی مانند دیوار‌های حائل، شیب‌ها و پی‌ها تأثیر می‌گذارد. در این پژوهش یک شبکه عصبی پیچشی (Convolutional neural network)، با استفاده از پارامترهای ورودی عکس و جرم مخصوص خشک، برای پیش‌بینی زاویه اصطکاک اوج ماسه فیروزکوه، توسعه داده شد. برای این منظور، ابتدا ۱۰ نمونه از ماسه فیروزکوه با دانه‌بندی‌های متفاوتِ ۱S تا ۱۰S تهیه و برای هر دانه‌بندی نیز سه جرم مخصوص خشک متفاوت در نظر گرفته شد. سپس زاویه اصطکاک اوج متناظر با ۳۰ جرم مخصوص خشک برای ۱۰ دانه‌بندی ۱S تا ۱۰S با استفاده از آزمایش برش مستقیم تعیین شد. برای آموزش و آزمون شبکه از هر نمونه ۵۰ عکس گرفته شد. با توجه به اینکه در فرآیند آموزش شبکه، برای هر نمونه سه جرم مخصوص خشک متفاوت در نظر گرفته شد، در مجموع ۱۵۰۰ عکس برای بانک اطلاعاتی شبکه تهیه گردید. از این تعداد، ۱۱۲۵ عکس برای آموزش و ۳۷۵ عکس برای آزمون شبکه استفاده شد. نتیجه آزمون شبکه عصبی پیچشی این پژوهش نشان داد که این شبکه میتواند با استفاده از عکس و جرم مخصوص خشک خاک به‌عنوان پارامترهای ورودی، زاویه اصطکاک اوج ماسه فیروزکوه را، با خطای نسبی نرمال‌شده ۳/۰ درصد، پیش‌بینی کند.
دوره ۲۷، شماره ۳ - ( ۷-۱۴۰۲ )
چکیده
گرم شدن محیط زیست شهری یکی از پیامدهای رشد شهری ناپایدار است. هدف این پژوهش بررسی امکان مدلسازی تاثیر پارامترهای ساختاری شهر بر دمای سطح زمین در فصل تابستان در شهر تهران است. بدین منظور، از تصویر لندست-۸ اخذ شده در سال ۲۰۱۸ به جهت محاسبه دمای سطح زمین استفاده شده و به منظور تعیین واحدهای مطالعاتی در این پژوهش از روش قطعه‌بندی شیگرا بر روی تصویر سنجنده سنتینل-۲ سال ۲۰۱۸ استفاده گردیده و میزان پوشش گیاهی، جداسازی مناطق ساخته شده از مناطق ساخته نشده از این تصاویر استخراج شده است. همچنین روش شبکه عصبی پرسپترون چند لایه و روش شبکه عصبی کانولوشن به منظور مدلسازی تاثیر پارامترهای ساختاری شهر بر دمای سطح زمین در طی فصل تابستان مورد استفاده قرار گرفته است. نتایج به دست آمده از انتخاب ویژگی به روش جنگل تصادفی برای فصل تابستان نشان میدهد که حضور پوشش گیاهی و کاربریهای شهری که شامل مناطق مسکونی، مناطق تجاری و خدماتی، مناطق صنعتی، زمینهای بایر است، و نیز لایههای اطلاعاتی تراکم معابر و تراکم جمعیت در این فصل بر تغییرات دمای سطح زمین تاثیر گذار هستند. همچنین نتایج حاصل از مدلسازی و نتایج به دست آمده از آزمون آماری تی نمونههای جفت شده نشان دهنده برتری روش شبکه عصبی کانولوشن با ریشه میانگین مربعات خطای ۶۱/۰ درجه سانتیگراد، ضریب تعیین ۶۲/۰ و درصد خطای برآورد ۷۵/۱۷ نسبت به روش شبکه عصبی پرسپترون چند لایه با ریشه میانگین مربعات خطای ۸۲/۰، ضریب تعیین ۲۶/۰ و درصد خطای برآورد ۳۴/۲۳ است.
دوره ۲۸، شماره ۲ - ( ۴-۱۴۰۳ )
چکیده
در مناطق خشک و نیمه‌خشک، کمبود آب‌های سطحی منجر به برداشت بی‌رویه از آب‌های زیرزمینی و کاهش شدید سطح آب شده که در بسیاری از دشت‌های ایران به پدیده فرونشست زمین انجامیده است. درک تغییرات سطح آب زیرزمینی برای مدیریت بهینه منابع آبی و کاهش مخاطرات مرتبط اهمیت زیادی دارد. روشهای مختلف آماری، ریاضی و یادگیری ماشین برای مدلسازی این تغییرات استفاده شده‌اند. اخیراً، شبکه‌های عصبی عمیق به‌ویژه برای تحلیل رفتار پیچیده آب‌های زیرزمینی، به‌دلیل ماهیت زمانی-مکانی آنها، مورد توجه قرار گرفته‌اند. در این تحقیق، از مدل ترکیبی Wavelet-Principal Component Analysis (PCA) برای تحلیل داده‌های ۴۴ چاه پیزومتری دشت قهاوند طی دوره ۳۰ ساله (۱۳۶۷-۱۳۹۷) استفاده شده است. این مدل، الگوهای زمانی و مکانی تغییرات سطح آب زیرزمینی را در مقیاس‌های مختلف زمانی استخراج کرده و سپس مؤلفه‌های اصلی به‌دست‌آمده از Wavelet-PCA به مدل شبکه عصبی بازگشتی Long Short Term Memory (LSTM) ارائه شدند تا سری‌های زمانی سطح آب پیش‌بینی شود. سطوح مختلف تبدیل موجک برای شناسایی روندهای کوتاه‌مدت و بلندمدت به‌کار گرفته شد. مدل LSTM با دقت R۲ = ۰,۸۵ برای گروه آموزشی و R۲ = ۰,۶۲ برای داده‌های آزمایشی توانست روندهای سطح آب زیرزمینی را مدلسازی کند. همچنین، داده‌های راداری ماهواره Sentinel-۱ بین سال‌های ۲۰۱۴ تا ۲۰۱۹ نشان داد که بیشینه فرونشست زمین در مناطقی با افت قابل‌توجه سطح آب زیرزمینی رخ داده است. همپوشانی این نقشه‌ها با لایههای کاربری زمین، ارتباطی معنادار بین فعالیت‌های کشاورزی و افت سطح آب زیرزمینی و فرونشست زمین را نشان داد.
