---

حساسیت رطوبتی در مخلوط‌های آسفالتی چالشی عمده در دوام زیرساخت‌های راهسازی محسوب می‌شود. پیچیدگی این پدیده، مدل‌سازی دقیق را برای ارائه راهکارهای مؤثر ضروری می‌سازد. روش‌های آزمایشگاهی موجود، از جمله آزمون‌های مبتنی بر شاخص‌های عمومی مانند نسبت مقاومت کششی غیرمستقیم، اگرچه در ارزیابی حساسیت رطوبت کارآمد هستند، اما با محدودیت‌های قابل توجهی از نظر هزینه و زمان مواجه‌اند. در این پژوهش، با استفاده از چهار نوع سنگدانه (دو نوع آهکی و دو نوع گرانیتی) و هشت نوع قیر با درجه عملکردی مختلف، آزمایش‌هایی شامل روش اصلاح‌شده لاتمن و آزمایش کششی غیرمستقیم انجام شد. مجموعه داده‌ای متشکل از ۳۴ نمونه و ۱۱ متغیر برای پیش‌بینی دو شاخص کلیدی عملکرد حساسیت رطوبتی، نقطه عطف عریان‌شدگی (ISP) و شیب عریان‌شدگی (SS)، با استفاده از روش برنامه‌ریزی ژنتیک چندژنی (MGGP) مورد استفاده قرار گرفت. برخی از پارامترهای مهم مورد بررسی شامل ضخامت ظاهری لایه قیر، نفوذپذیری، انرژی جداشدگی، انرژی آزاد پیوستگی و چسبندگی بود. نتایج حاصل از مدل‌سازی نشان می‌دهد که برای پیش‌بینی ISP، مدل‌ MGGP ضریب تعیین (R^۲) ۰,۹۸۱  را ارائه می‌دهد و در مورد SS، این مقدار ۰,۹۷۴ می‌باشد. مدل‌ مورد استفاده در این تحقیق می‌تواند فرمول‌های ریاضی ارائه دهد که شامل پارامترهای ورودی مؤثر بر ISP و SS هستند.
 

---

اهداف: امروزه استفاده از هوش مصنوعی رشد چشمگیری داشته، و به عنوان یک حوزه نوین در حال پیشرفت است. هدف اصلی این پژوهش، شناخت ظرفیت های هوش مصنوعی در پیشبرد فرآیند طراحی و اجرا در محیط مصنوع است. هدف کاربردی پژوهش، توسعه و کاربردی سازی مهمترین دستاوردهای یادگیری ماشینی و در حوزه طراحی است.
روش­ها: روش تحقیق اصلی پژوهش «فراتحلیل» در پارادایم «آزادپژوهی» با رویکرد انتقادی و طراحی مبنا است که با استفاده از تکنیک های پهنانگر، حوزه کلی دانشی این حوزه را بررسی می کند. سپس به منظور تثبیت اشراف به ادبیات موضوع، از طریق جستوجو در سه پایگاه های معتبر دانشی این حوزه، نسبت به جمع آوری مقالات مرتبط به یادگیری ماشین در حوزه های روش های یادگیری بدون نظارت، یادگیری نیمه نظارتی و یادگیری تقویتی اقدام شده؛ مهمترین ظرفیت ها و کاستی ها، و نقاط قوت و ضعف مورد نقد و بررسی قرار می گیرد.
یافته­ ها: یافته های کمی حاصل از داده های ترکیب شده بیانگر آن است که یادگیری ماشینی تحت نظارت و یادگیری عمیق هدایت شده، می تواند بهترین گزینه برای توصیه در آینده طراحی باشد. در حالی که فرآیند یادگیری در یادگیری عمیق تدریجی و کندتر است، یادگیری ماشینی تحت نظارت در مرحله آزمون و تست سریع تر عمل می­کند.
نتیجه ­گیری: نتایج پژوهش تاکید دارد که یادگیری ماشینی تحت نظارت، بهترین گزینه برای پیش بینی پاسخ ها در فرآیند طراحی است اما در صورتی که علاوه بر پیش بینی، موضوع خلاقیت در طراحی مورد نظر باشد، یادگیری عمیق کارآمدتر است.

---

---

---

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 

---

یکی از روش­هایی که امروزه برای به حداقل رساندن هزینه نگهداری و تعمیرات تجهیزات صنعتی دوار به کار می­رود، پایش وضعیت به کمک تحلیل صدا می­باشد. این تحقیق با هدف پایش وضعیت به کمک تحلیل صدا برای تشخیص عیب یک الکتروموتور تک فاز از طریق روش یادگیری ماشین انجام شد. شرایط آزمایش شامل حالت سالم، حالت خرابی بلبرینگ، نابالانسی محور و سایش در محور در دو حالت ۵۰۰ و۱۴۰۰ دور در دقیقه الکتروموتور بود. برای داده‌برداری یک دستگاه میکروفن روی الکتروموتور نصب شد. پس از داده­برداری و پردازش سیگنال و تجزیه و تحلیل آماری نسبت به خوشه­بندی داده­ها به روش یادگیری ماشین و الگوریتم K mean و انتخاب ویژگی­های برتر به روش PCA اقدام شد. سپس برترین ویژگی­ها در فرآیند مدل­سازی ANFIS استفاده شد. ویژگی­های انتخاب شده شامل ویژگی­های انتخاب شده مشترک در هر دو وضعیت دور الکتروموتور بود. پس از ارزیابی مدل­ها، نتایج بالاترین دقت تشخیص عیب در بهترین مدل خروجی مقدار ۸۲/۹۶ درصد بود. میانگین دقت طبقه‌بندی کلی تشخیص عیب ۷۱/۹۵ درصد بود. نتایج نشان داد که آنالیز سیگنال­های صوتی و مدل­سازی با استفاده از روش یادگیری ماشین می­تواند در تشخیص عیوب الکتروموتور استفاده شود. براساس نتایج پایش وضعیت الکتروموتور از طریق آنالیز صوتی موجب کاهش توقفات الکتروموتور و ادامه روند کار آن در صنعت شده و با پایش وضعیت مناسب آن هزینه­های تعمیراتی الکتروموتور کاهش می­یابد.

---

با تغییر در شدت عملیات مکانیکی-حرارتی متفاوت، تنوع فرمولاسیون و شرایط نگهداری، ۳۶ نمونه پنیر موزارلا کم­چرب تهیه و سختی چسبندگی، انسجام، فنریت، حالت صمغی و قابلیت جویدن آنها توسط تجزیه و تحلیل مشخصات بافت اندازه­گیری و با استفاده از تجزیه و تحلیل تک­متغیره در قالب فاکتوریل در نرم­افزار SPSS با یکدیگر مقایسه شد. سپس تصویربرداری از همان نمونه­ها با دوربین فراطیفی در محدوده ۱۰۰۰-۴۰۰ نانومتر با دوربین فراطیفی انجام و پس از پیش­پردازش طیف­ها و جداسازی طول موج­های مؤثر به کمک الگوریتم­های انتخاب ویژگی، مدلسازی با الگوریتم رگرسیون خطی چندگانه، رگرسیون حداقل مربعات جزئی، ماشین بردار پشتیبان با کرنل خطی، شبکه عصبی پرسپترون چندلایه، جنگل­های تصادفی و الگوریتم رأی اکثریت در نرم­افزار پایتون انجام و کارائی مدل­های ارزیابی گردید. نتایج نشان داد که با تشدید عملیات مکانیکی-حرارتی، سختی، فنریت، حالت صمغی و قابلیت جویدن و انسجام افزایش و چسبندگی کاهش پیدا کرد (۰۵/۰< P). افزودن اسید و جانشین­شونده­های چربی سبب کاهش سختی، انسجام، فنریت و قابلیت جویدن شده و حالت صمغی و چسبندگی را افزایش دادند. الگوریتم رأی اکثریت، بیشترین کارایی را در پیش­بینی سختی (۸۷۸/۰=R^۲p، ۵۲/۲۶۰۶= RMSEp و ۱۲/۲=RPD) بروز داد و توانست انسجام موزارلا را با کارائی بالاتری نسبت به سایر الگوریتم­ها پیش­بینی نماید. رگرسیون خطی چندگانه در پیش­بینی چسبندگی کارائی نداشت، اما روش جنگل­های تصادفی با عملکرد بالا این ویژگی را پیش­بینی نمود (۸۰۸/۰=R^۲p، ۴۹/۵۶= RMSEp، ۹۰/۱=RPD). شبکه عصبی پرسپترون چندلایه با کمترین خطا، توانست فنریت (۸۴۸/۰= R^۲p ۰۹۴/۰= RMSEp، ۱۲/۲=RPD) و قابلیت جویدن (۸۴/۰=R^۲p، ۲۱/۱۱۱۷= RMSEp، ۹۶/۱=RPD) موزارلا را با عملکرد مناسب پیش­بینی نماید. تمام روش­ها به جز جنگل­های تصادفی توانستند با کارائی بالا حالت صمغی را پیش­بینی کنند. در این مطالعه مشخص شد عوامل فرایند تأثیر معنی­داری بر ویژگی­های بافتی داشتند و روش تصویربرداری تصویربرداری فراطیفی یک روش جایگزین مناسب برای تخمین ویژگی­های بافتی پنیر موزارلا تشخیص داده شد.
 

---

معادن و صنایع وابسته به آن، در زمان بهره‌برداری و پس از متروکه شدن، بر محیط زیست اطراف خود تأثیرگذارند. از جملۀ این تأثیرات می‌توان به آلودگی آب‌های زیرزمینی و سطحی، و نیز آلودگی خاک اشاره کرد. مدل‌سازی غلظت فلزات سنگین با استفاده از روش‌های مقرون‌به‌صرفه لازمۀ مدیریت و اصلاح آسیب‏های واردشده به محیط زیست است. هدف این تحقیق ارائۀ چارچوبی به‌منظور مدل‌سازی فلزات سنگین در خاک با استفاده از طیف‌سنجی و نیز روش‌های مدل‌سازی آماری است. بدین منظور با استفاده از طیف‌سنجی، نمودار طیفی مربوط به ۵۳ نمونه خاک مربوط به منطقه‌ای در اطراف یک معدن متروکه در ایالت نیوساوث ولز استرالیا در طول موج‌های مرئی تا مادون قرمز میانی برداشت شد و مشتق دوم این داده‌ها محاسبه شد. سپس داده‌های طیفی مناسب برای مدل‌سازی غلظت فلزات سنگین شامل سرب، نقره، کادمیوم و جیوه با استفاده از روش انتخاب ویژگی جنگل تصادفی تعیین شدند و به‌عنوان ورودی برای مدل‌سازی غلظت فلزات سنگین با استفاده از روش‌های رگرسیون خطی چندمتغیره، جنگل تصادفی رگرسیون و ماشین‏بردار رگرسیون به‌کار گرفته شدند. نتایج نشان داد که طول موج‌های مادون قرمز میانی دارای اهمیت بیشتری به‌منظور مدل‌سازی غلظت فلزات سنگین در این تحقیق هستند. همچنین روش‌های غیرخطی یادگیری ماشین به‌خصوص جنگل تصادفی رگرسیون با مقادیر مجذور میانگین مربعات خطا ppm ۸/۰ و ضریب تعیین ۵۱/۰ برای سرب و ppm ۴/۹ و ۴۶/۰ برای کادمیوم دارای عملکرد بهتری نسبت‌به روش رگرسیون خطی چندمتغیره هستند.
 

---