ترجمه مقاله پیش بینی مقاومت فشاری بتن بازیافتی مبتنی بر یادگیری عمقی - نشریه الزویر

قیمت خرید این محصول

۳۷,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

پیش بینی مقاومت فشاری بتن بازیافتی مبتنی بر یادگیری عمقی

عنوان انگلیسی

Compressive strength prediction of recycled concrete based on deep learning

صفحات مقاله فارسی

18

صفحات مقاله انگلیسی

8

سال انتشار

2018

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

pdf و ورد تایپ شده با قابلیت ویرایش

فونت ترجمه مقاله

بی نازنین

سایز ترجمه مقاله

14

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

نوع ارائه مقاله

ژورنال

پایگاه

اسکوپوس

ایمپکت فاکتور(IF) مجله

4.686 در سال 2019

شاخص H_index مجله

129 در سال 2020

شاخص SJR مجله

1.522 در سال 2019

شناسه ISSN مجله

0950-0618

شاخص Q یا Quartile (چارک)

Q1 در سال 2019

کد محصول

10521

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه منابع داخل متن

به صورت عدد درج شده است ✓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است ✓

ضمیمه

ندارد ☓

بیس

نیست ☓

مدل مفهومی

ندارد ☓

پرسشنامه

ندارد ☓

متغیر

ندارد ☓

رفرنس در ترجمه

در داخل متن و انتهای مقاله درج شده است

رشته و گرایش های مرتبط با این مقاله

مهندسی عمران، مهندسی کامپیوتر، سازه، مدیریت ساخت، هوش مصنوعی

مجله

ساخت و ساز و مصالح ساختمانی - Construction and Building Materials

دانشگاه

دانشکده مهندسی برق و اتوماسیون، دانشگاه جیاوتونگ چین شرقی، چین

کلمات کلیدی

بتن بازیافت شده، مقاومت فشاری، مدل پیش بینی، یادگیری عمقی، شبکه های عصبی پیچشی

کلمات کلیدی انگلیسی

Recycled concrete - Compressive strength- Prediction model - Deep learning - Convolution neural network

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.conbuildmat.2018.04.169

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
1. مقدمه
2. شبکه های عصبی مصنوعی و نظریه یادگیری عمقی
2.1 نورون های مصنوعی و شبکه عصبی مصنوعی
2.2 شبکه های عصبی چند لایه ای
3. مواد
3.1 مواد سیمانی
3.2 سنگدانه ها
3.3 طراحی ترکیب بتن و مقاومت فشاری
4. مدل پیش بینی مقاومت بتن بازیافتی مبتنی بر یادگیری عمقی
4.1 ایجاد مدل پیش بینی شبکه عصبی پیچشی
4.2 تمرین مدل پیش بینی
4.3 نتایج و تحلیل پیش بینی ها
5-جمع بندی

نمونه چکیده متن اصلی انگلیسی

Abstract

Considering on the current difficulties of predicting the compressive strength of recycled aggregate concrete, this paper proposes a prediction model based on deep learning theory. First, the deep features of water-cement ratio, recycled coarse aggregate replacement ratio, recycled fine aggregate replacement ratio, fly ash replacement ratio as well as their combinations are learned through a convolutional neural networks. Then, the prediction model is developed using the softmax regression. 74 sets of concrete block masonry with different mix ratios are used in the experiments and the results show that the prediction model based on deep learning exhibits the advantages including higher precision, higher efficiency and higher generalization ability compared with the traditional neural network model, and could be considered as a new method for calculating the strength of recycled concrete.

نمونه چکیده ترجمه متن فارسی

چکیده
با در نظر داشتن دشواری های فعلی برای پیش بینی مقاومت فشاری بتن های سنگدانه ای بازیافت شده، این مقاله یک مدل پیش بینی را مبتنی بر نظریه ی یادگیری عمقی ارائه می دهد. نخست، ویژگی های عمقی نسبت آب به سیمان، نسبت جایگذاری سنگدانه های درشت بازیافت شده، نسبت جایگذاری سنگدانه های ریز بازیافت شده ، نسبت جایگذاری خاکستر بادی و ترکیب های آن ها از طریق شبکه های عصبی پیچشی ( کانولوشنی) مشخص می شود. سپس یک مدل پیش بینی با استفاده از رگرسیون سافتمکس ایجاد می شود. 74 مجموعه از بلوک های بتنی با نسبت ترکیب های مختلف در این آزمایش مورد استفاده قرار گرفته است و نتایج نشان می دهد که مدل پیش بینی مبتنی بر یادگیری عمقی ، دقت، کارایی و قابلیت تعمیم بالاتری در مقایسه با روش های متداول مدل های عصبی ایجاد می کند و می توان از آن به عنوان یک روش جدید برای محاسبه ی مقاومت بتن های بازیافت شده، استفاده کرد.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات انگلیسی مهندسی عمران، دانلود رایگان مقالات انگلیسی هوش مصنوعی