فهرس المقالات RBF

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - کاربرد نگاشت فضايي عصبي در مدل‌سازي ادوات نيمه‌هادي
  مهدی گردی ارمکی سیدابراهیم حسینی محمدکاظم انوري‌فرد
  در اين مقاله روش جديد و کارآمدي براي مدل‌سازي دقيق افزاره‌هاي نيمه‌هادي با استفاده از مدل تقريبي و به کمک شبکه عصبي ارائه شده است. بر خلاف مدل‌هاي دقيق که داراي پيچيدگي بالا و هزينه زماني و پردازشي زيادي هستند، روش پيشنهادي از پيچيدگي کمتر و سرعت پردازش بيشتري برخوردار أکثر

  در اين مقاله روش جديد و کارآمدي براي مدل‌سازي دقيق افزاره‌هاي نيمه‌هادي با استفاده از مدل تقريبي و به کمک شبکه عصبي ارائه شده است. بر خلاف مدل‌هاي دقيق که داراي پيچيدگي بالا و هزينه زماني و پردازشي زيادي هستند، روش پيشنهادي از پيچيدگي کمتر و سرعت پردازش بيشتري برخوردار است. در اين روش از شبکه عصبي RBF براي محاسبه پارامتر اصلاحي در مدل نفوذ - رانش استفاده شده است. بدين صورت حل مدل تقريبي اصلاح‌شده منجر به جواب دقيق مي‌شود. روش پيشنهادي ابتدا براي ديود n - i - n سيليکوني به صورت يک‌بعدي و سپس براي ترانزيستور اثر ميداني سيليکوني به صورت دوبعدي براي دو حالت درون‌يابي و برون‌يابي در رنج محدود، شبيه‌سازي شده است که نتايج آن براي متغيرهاي اساسي مدل، مثل توزيع الکترون و پتانسيل در طول افزاره در ولتاژهاي مختلف، دقت بالاي روش پيشنهادي را تأييد مي‌کنند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - مقایسه کارکرد شبکه های عصبی مرسوم برای برآورد تخلخل در یکی از میدانهای نفتی جنوب خاوری ایران
  فرشاد  توفیقی پرویز آرمانی علی چهرازی اندیشه  علیمرادی
  در صنعت نفت از هوش مصنوعی برای شناسایی روابط، بهینه سازی، برآورد و رده بندی تخلخل بهره گیری میشود. یكی از مهمترین مراحل ارزیابی پارامترهای پتروفیزیكی مخزن، شناسایی ویژگیهای تخلخل است. هدف اصلی این پژوهش مقایسه درستی و تعمیم پذیری سه شبكه عصبی چند لایه پیشخور ) MLFN (، أکثر

  در صنعت نفت از هوش مصنوعی برای شناسایی روابط، بهینه سازی، برآورد و رده بندی تخلخل بهره گیری میشود. یكی از مهمترین مراحل ارزیابی پارامترهای پتروفیزیكی مخزن، شناسایی ویژگیهای تخلخل است. هدف اصلی این پژوهش مقایسه درستی و تعمیم پذیری سه شبكه عصبی چند لایه پیشخور ) MLFN (، شبكه تابع شعاع مبنا ) RBFN ) و شبكه عصبی احتمالی ) PNN ) برای برآورد تخلخل با بهره گیری از ویژگیهای لرزهای است. در این راستا، دادههای زمینشناسی 7 حلقه چاه یک میدان نفتی فراساحلی هندیجان در شمال باختری حوضه خلیج فارس مورد ارزیابی قرارگرفت. امپدانس آکوستیک با بهرهگیری از روش وارونگی مبتنی بر مدل برآورد شد و سپس شبكههای عصبی یاد شده با بهرهگیری از ویژگیهای لرزهای بهینه طراحی شده و با روش رگرسیون گام به گام مورد ارزیابی قرار گرفتند. سرانجام مشخص شد که مدل MLFN برای برآورد تخلخل خوب عمل نمیکند. PNN از بهترین دقت کارکرد در درون یابی تخلخل برخوردار است، اما تعمیم پذیری RBFN بهتر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - الگوریتم مناسب برای شناسایی تغییرات میکرو لندفرمها با استفاده از تصاویر پهپاد (مطالعه موردی: ناحیه برگ جهان در پهنه جاجرود 1397-1396)
  محمدحسن  توکل منیژه  قهرودی تالی سید حسن  صدق خدیجه  علی نوری
  یکی از اصلی‌ترین و مهم‌ترین مباحث ژئومورفولوژی شناسایی و ارزیابی تغییرات میکرولندفرمهاست. شناخت و نحوه پراکنش فضایی آن‌ها به‌منظور درک و ارزیابی تحولات، مطالعات پایداری و برنامه‌ریزی ناحیهای، از نیازهای اساسی علم ژئومورفولوژی کاربردی است. ناحیه برگ جهان در حوضه آبریز جا أکثر

  یکی از اصلی‌ترین و مهم‌ترین مباحث ژئومورفولوژی شناسایی و ارزیابی تغییرات میکرولندفرمهاست. شناخت و نحوه پراکنش فضایی آن‌ها به‌منظور درک و ارزیابی تحولات، مطالعات پایداری و برنامه‌ریزی ناحیهای، از نیازهای اساسی علم ژئومورفولوژی کاربردی است. ناحیه برگ جهان در حوضه آبریز جاجرود متأثر از تغییرات محیطی زیادی قرار دارد. در این مطالعه، بر اساس رویکرد ژئومورفولوژیکی ریزمقیاس با استفاده از تصاویر پهپاد به همراه بررسی میدانی در برگ جهان، تحولات میکرولندفرمها بررسی شد. تصاویر پهپاد با رزولوشن مکانی 5/2 سانتیمتر در بازه زمانی 1396 تا 1397 از وزارت نیرو تهیه شد. این تصاویر با استفاده از نرم‌افزارهای ENVI 5.1 و10.3 Arc Map تصحیح شد و سپس با استفاده کد نویسی در Python الگوریتمهای موردنظر اجرا شد. با الگوریتمهای یادگیری ماشین و مدلهای جنگل تصادفی، SVM با کرنل RBF، جنگل تصادفی با ویژگی‌های استخراجی از شبکه‌های CNN و SVM با کرنل خطی با ویژگی‌های استخراجی از شبکه‌های عصبی عمیق تغییرات بررسی شد. نتایج نشان داد مدل- RBF SVM با 88درصد نسبت به مدلهای دیگر دقت کمتری دارد به‌طوری‌که تفکیک بین طبقه‌ها محدود بود. در جنگل تصادفی با 92درصد طبقهها با مرزهای خطی تا حدی قابل‌تفکیک بودند. مدل نزدیک به ایده آل در الگوریتم جنگل تصادفی با یادگیری عمیق به میزان دقت 96درصد مشاهده شد. بررسیها نشان داد بیشترین تغییرات میکرولندفرمها در این مدل، مربوط به تغییر پوشش گیاهی به خاک به میزان 03/45 و در رتبه بعدی تغییر آبکند به فرسایش ورقه‌ای به میزان 05/22 بود. با توجه به نتایج به‌دست‌آمده و مشاهدات میدانی در سال 1397 مشخص شد، سیل سال 1397 در ناحیه برگ جهان سبب تغییرات عمده‌ای در ناحیه شده است. بیشترین تأثیر آن بر روی پوشش گیاهی بوده است و نمودار، آن را در بالاترین حد آشفتگی نشان میدهد. در این بازه جریان سطحی وخندق در ناحیه بیشتر شده و میزان بالای فرسایش و تغییرات بسیار زیاد میکرولندفرمها در پهنه مطالعاتی را نشان میدهد. تفاصيل المقالة