scholarly journals Mô hình hóa khớp dẻo trong đánh giá phá hoại địa chấn của cột bê tông cốt thép dựa trên mạng nơron nhân tạo

2021 ◽  
Vol 15 (7V) ◽  
pp. 119-130
Author(s):  
Phan Hoàng Nam ◽  
Hồ Mạnh Hùng ◽  
Nguyễn Minh Hải ◽  
Hoàng Phương Hoa
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Artificial Neural ◽  
Artificial Neural Network Ann

Bài báo trình bày khả năng áp dụng mạng nơron nhân tạo (Artificial neural network - ANN) trong xây dựng mô hình khớp dẻo của cột bê tông cốt thép (BTCT) chịu động đất nhằm phục vụ cho mô hình hóa số, phân tích ứng xử và đánh giá phá hoại địa chấn của loại kết cấu này. Phương pháp dựa trên bộ dữ liệu thí nghiệm gia tải lặp đảo chiều của cột BTCT tiết diện chữ nhật. Cụ thể, mối quan hệ giữa các tham số đầu vào và các tham số tới hạn của cột trước hết được thiết lập dựa trên mô hình ANN. Trong đó, cơ sở dữ liệu thí nghiệm của 800 mẫu được chia thành các tập huấn luyện, tập kiểm thử và tập xác thực cho cho mô hình. Phân tích mạng tối ưu trước hết được thực hiện. Kết quả cho thấy kiến trúc ANN 2 lớp ẩn và 24 nơron trong 1 lớp ẩn có khả năng ước lượng tốt nhất. Tính hiệu quả của mô hình trong việc ước lượng các tham số tới hạn của cột với các cơ chế phá hoại khác nhau được xác thực với các kết quả thực nghiệm đã được công bố. Nghiên cứu chỉ ra rằng mô hình đề xuất có thể áp dụng để phân tích ứng xử địa chấn cũng như đánh giá được trạng thái sụp đổ của cột BTCT tiết diện chữ nhật với độ chính xác cao.

Application of the Artificial Neural Network (ANN) Method as MPPT Photovoltaic for DC Source Storage

2019 ◽  
Vol 12 (3) ◽  
pp. 145 ◽  
Author(s):  
Epyk Sunarno ◽  
Ramadhan Bilal Assidiq ◽  
Syechu Dwitya Nugraha ◽  
Indhana Sudiharto ◽  
Ony Asrarul Qudsi ◽  
...  
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Artificial Neural ◽  
Artificial Neural Network Ann

Random Forest (RF) and Artificial Neural Network (ANN) Algorithms for LULC Mapping

2020 ◽  
Vol 38 (4A) ◽  
pp. 510-514
Author(s):  
Tay H. Shihab ◽  
Amjed N. Al-Hameedawi ◽  
Ammar M. Hamza
Keyword(s):  
Neural Network ◽  
Remote Sensing ◽  
Artificial Neural Network ◽  
Random Forest ◽  
Satellite Image ◽  
Landsat 8 ◽  
Optical Remote Sensing ◽  
Data Set ◽  
Artificial Neural ◽  
Artificial Neural Network Ann

In this paper to make use of complementary potential in the mapping of LULC spatial data is acquired from LandSat 8 OLI sensor images are taken in 2019.  They have been rectified, enhanced and then classified according to Random forest (RF) and artificial neural network (ANN) methods. Optical remote sensing images have been used to get information on the status of LULC classification, and extraction details. The classification of both satellite image types is used to extract features and to analyse LULC of the study area. The results of the classification showed that the artificial neural network method outperforms the random forest method. The required image processing has been made for Optical Remote Sensing Data to be used in LULC mapping, include the geometric correction, Image Enhancements, The overall accuracy when using the ANN methods 0.91 and the kappa accuracy was found 0.89 for the training data set. While the overall accuracy and the kappa accuracy of the test dataset were found 0.89 and 0.87 respectively.

Detection of Biomedical Images by Using Bio-inspired Artificial Intelligent

2020 ◽  
Vol 38 (2A) ◽  
pp. 255-264
Author(s):  
Hanan A. R. Akkar ◽  
Sameem A. Salman
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Mean Square Error ◽  
Average Rate ◽  
Mean Square ◽  
Performance Measurements ◽  
Artificial Intelligent ◽  
Average Mean Square Error ◽  
Artificial Neural ◽  
Artificial Neural Network Ann

Computer vision and image processing are extremely necessary for medical pictures analysis. During this paper, a method of Bio-inspired Artificial Intelligent (AI) optimization supported by an artificial neural network (ANN) has been widely used to detect pictures of skin carcinoma. A Moth Flame Optimization (MFO) is utilized to educate the artificial neural network (ANN). A different feature is an extract to train the classifier. The comparison has been formed with the projected sample and two Artificial Intelligent optimizations, primarily based on classifier especially with, ANN-ACO (ANN training with Ant Colony Optimization (ACO)) and ANN-PSO (training ANN with Particle Swarm Optimization (PSO)). The results were assessed using a variety of overall performance measurements to measure indicators such as Average Rate of Detection (ARD), Average Mean Square error (AMSTR) obtained from training, Average Mean Square error (AMSTE) obtained for testing the trained network, the Average Effective Processing Time (AEPT) in seconds, and the Average Effective Iteration Number (AEIN). Experimental results clearly show the superiority of the proposed (ANN-MFO) model with different features.

Sign in / Sign up

Export Citation Format

Share Document