فهرست نشریات علمی دسترسی آزاد ایران

در تحقیق پیش رو با استفاده از شبکه‌های عصبی عمیق به پیش‌بینی میزان بیشترین خیر ورق‌های فلزی دایره‌ای شکل تحت بار شدید دینامیکی یکنواخت پرداخته می‌شود. شبکه عصبی ارائه‌شده در این تحقیق در محیط زبان برنامه‌نویسی پایتون و با استفاده از کتابخانه‌های موجود در آن ازجمله تنسورفلو طراحی گردید. مدل طراحی شبکه مبتنی بر مسئله رگرسیون و از نوع سکوئنشال و شامل 10 لایه می‌باشد که تابع فعال‌ساز موجود در نورون‌ها از نوع لیکی رلو (Leaky RELU) هستند. الگوریتم بهینه‌ساز مدل روی آدام و تابع هدف مسئله میانگین مربعات خطا و تعداد تکرار شبکه روی 700 مرتبه تنظیم شد. مجموعه داده مورداستفاده در این مقاله متشکل از 581 نمونه حاصل از 16 سری آزمایش در طی چهل سال گذشته می‌باشد که به‌وسیله کتابخانه سایکیت-لرن استانداردسازی شدند. ورق‌های فلزی از چهار جنس فولادی، آلومینیوم، مس و تیتانیوم می‌باشند و هیچ‌گونه تفکیکی میان فلزات مختلف صورت نگرفته است. تعداد داده‌های آموزشی در مدل 443 عدد معادل 75% از مجموعه داده تعیین شد. همچنین تعداد داده‌های آزمایشی و ارزیاب به ترتیب 88 عدد معادل 15% و 50 عدد معادل 10% از کل مجموعه داده انتخاب شد. هر نمونه دارای 8 ویژگی به‌عنوان ورودی‌های شبکه عصبی و یک برچسب به‌عنوان خروجی می‌باشد. مدل هوشمند ارائه‌شده از میان 88 داده آزمایشی که به‌صورت کاملاً تصادفی از مجموعه داده انتخاب‌شده بود، توانست 76% از داده‌ها تقریباً معادل 67 عدد را در محدوده خطای کمتر از 10% و 88% از داده‌ها یا به‌عبارت‌دیگر معادل تقریباً 78 عدد را در محدوده خطای کمتر از 20% پیش‌بینی کند. میزان شاخص ریشه میانگین مربعات خطا 102 برابر نسبت به روابط پیش‌بینی کننده تحلیلی و سنتی موجود در سوابق تحقیق کاهش پیدا کرد. همچنین معیار ضریب تعیین که شاخصی مهم جهت ارزیابی عملکرد شبکه‌های عصبی مبتنی بر مسائل رگرسیون می‌باشد مقدار 96/0 را در بر گرفته است.