پیش بینی مقاومت فشاری بتن بازیافتی مبتنی بر یادگیری عمقی
ترجمه شده

پیش بینی مقاومت فشاری بتن بازیافتی مبتنی بر یادگیری عمقی

عنوان فارسی مقاله: پیش بینی مقاومت فشاری بتن بازیافتی مبتنی بر یادگیری عمقی
عنوان انگلیسی مقاله: Compressive strength prediction of recycled concrete based on deep learning
مجله/کنفرانس: ساخت و ساز و مصالح ساختمانی - Construction and Building Materials
رشته های تحصیلی مرتبط: مهندسی عمران، مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: سازه، مدیریت ساخت، هوش مصنوعی
کلمات کلیدی فارسی: 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
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: scopus - master journals - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.conbuildmat.2018.04.169
دانشگاه: دانشکده مهندسی برق و اتوماسیون، دانشگاه جیاوتونگ چین شرقی، چین
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2018
ایمپکت فاکتور: 4.686 در سال 2019
شاخص H_index: 129 در سال 2020
شاخص SJR: 1.522 در سال 2019
شناسه ISSN: 0950-0618
شاخص Quartile (چارک): Q1 در سال 2019
صفحات مقاله انگلیسی: 8
صفحات ترجمه فارسی: 18 (1 صفحه رفرنس انگلیسی)
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: بله
کد محصول: 10521
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
ترجمه فارسی 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

فهرست انگلیسی مطالب

Abstract


1. Introduction


2. Artificial neural networks and deep learning theory


2.1. Artificial neuron and artificial neural network


2.2. Multi-layer neural networks


3. Materials


3.1. Cementitious materials


3.2. Aggregate


3.3. Concrete mixing design and compressive strength


4. Prediction model of recycled concrete strength based on deep learning


4.1. Convolution neural network prediction model establishment


4.2. Predictive model training


4.3. Prediction results and analysis


5. Conclusion

نمونه ترجمه فارسی مقاله

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.


1. مقدمه


همراه با رشد سریع و توسعه ی اقتصادی شهری، تولید ضایعات ساخت و ساز و تخریب (C&D) به صورت محسوس در بسیاری از قسمت های دنیا افزایش یافته است. در عین حال، مقادیر زیاد سنگدانه های طبیعی هر ساله برای ساخت و ساز از طبیعت استخراج می شود [1]. استفاده از سنگدانه های بازیافت شده (RA ها) برای تولید بتن می تواند تا حد زیادی منابع غیر تجدید پذیر ما را حفظ کند، مانع استفاده ی غیر ضروری از منابع محدود شده و میزان مصرف انرژی را هم کاهش دهد. به دلیل فواید این روش در زمینه ی پیش گیری از کاهش سنگدانه های طبیعی و تخریب زیست بوم ها که در اثر ضایعات بتنی شکل می گیرد، بتن سنگدانه ای بازیافت شده (RAC) یکی از مهم ترین راه حل ها برای توسعه ی بتن هایی با سازگاری زیست محیطی، در نظر گرفته می شود [2].

نمونه متن انگلیسی مقاله

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.


1. Introduction


Along with the rapid urban development and economic activities, the generation of construction and demolition (C&D) waste has increased substantially in many parts of the world. At the same time, large quantities of natural aggregates are extracted for construction every year [1]. The utilization of recycled aggregates (RAs) in concrete production can potentially conserve the nonrenewable natural resource of natural aggregates, eliminate unnecessary consumption of limited landfill areas and reduce energy consumption. Due to its benefits on preventing the shortage of natural aggregate and the deterioration of ecological environment caused by concrete waste, Recycled Aggregate Concrete (RAC) technology is considered as one of the main candidates for ecological concrete development [2].

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۳۱,۴۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

پیش بینی مقاومت فشاری بتن بازیافتی مبتنی بر یادگیری عمقی
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها