Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
طبقه بندی آماری ضریب زبری درزه با روش بردار پشتیبان
زبری یکی از خصوصیات هندسی درزه‌ها است که بیان آن از طریق روش‌های مختلف امکان پذیر است. در این مطالعه از 8 پارامتر مختلف برای تخمین ضریب زبری درزه (JRC) برای 112 پروفیل زبری مختلف استفاده شده است. با توجه به محدوده تغییرات نسبتا زیاد این پارامترها در یک کلاس زبری مشخص و هم‌پوشانی این محدوده‌ها با کلاس های مجاور زبری، به منظور استفاده همزمان از دو پارامتر برای تخمین JRC ماتریس تأثیر متقابل این پارامترها بر مقدار JRC ایجاد شد. تفکیک پذیری کلاس‌های مختلف زبری در سناریو‌های مختلف با استفاده از ضریب همبستگی پیرسون و استفاده از قضاوت مهندسی مورد ارزیابی قرار گرفت. نتایج نشان می‌دهد که حالت‌هایی با ضریب همبستگی در حدود 8/0 برای کلاس‌بندی JRC مناسب هستند. به دلیل وجود مرزهای نسبتاً مشخص بین دو کلاس زبری متوالی نسبت به سایر حالت‌ها و داشتن مفهوم مهندسی مشخص از پارامترهای انحراف معیار ارتفاع دندانه‌ها و انحراف معیار زاویه دندانه‌ها برای طبقه‌بندی JRC استفاده شد. اگرچه با استفاده از پارامترهای دو بعدی گراسلی، Z2 و انحراف معیار اختلاف ارتفاع دندانه‌ها نیز می‌توان برای طبقه‌بندی JRC استفاده کرد. با استفاده از روش ماشین بردار پشتیبان، مرز بین کلاس‌های مختلف زبری مشخص شد. نتایج طبقه‌بندی انجام‌شده با انجام 20 آزمایش برش مستقیم بر روی سطوح درزه طبیعی اعتبار سنجی شد. بیش از 70 درصد نتایج پیش‌بینی با نتایج آزمایشگاهی تطابق دارد و حدود 20 درصد نتایج مقدار پیش‌بینی‌شده با مقدار واقعی یک کلاس فاصله دارد. با این وجود تخمین زبری با استفاده از پروفیل‌ها دوبعدی همواره با محدودیت روبرو است.
طبقه بندی آماری ضریب زبری درزه با روش بردار پشتیبان
زبری یکی از خصوصیات هندسی درزه‌ها است که بیان آن از طریق روش‌های مختلف امکان پذیر است. در این مطالعه از 8 پارامتر مختلف برای تخمین ضریب زبری درزه (JRC) برای 112 پروفیل زبری مختلف استفاده شده است. با توجه به محدوده تغییرات نسبتا زیاد این پارامترها در یک کلاس زبری مشخص و هم‌پوشانی این محدوده‌ها با کلاس های مجاور زبری، به منظور استفاده همزمان از دو پارامتر برای تخمین JRC ماتریس تأثیر متقابل این پارامترها بر مقدار JRC ایجاد شد. تفکیک پذیری کلاس‌های مختلف زبری در سناریو‌های مختلف با استفاده از ضریب همبستگی پیرسون و استفاده از قضاوت مهندسی مورد ارزیابی قرار گرفت. نتایج نشان می‌دهد که حالت‌هایی با ضریب همبستگی در حدود 8/0 برای کلاس‌بندی JRC مناسب هستند. به دلیل وجود مرزهای نسبتاً مشخص بین دو کلاس زبری متوالی نسبت به سایر حالت‌ها و داشتن مفهوم مهندسی مشخص از پارامترهای انحراف معیار ارتفاع دندانه‌ها و انحراف معیار زاویه دندانه‌ها برای طبقه‌بندی JRC استفاده شد. اگرچه با استفاده از پارامترهای دو بعدی گراسلی، Z2 و انحراف معیار اختلاف ارتفاع دندانه‌ها نیز می‌توان برای طبقه‌بندی JRC استفاده کرد. با استفاده از روش ماشین بردار پشتیبان، مرز بین کلاس‌های مختلف زبری مشخص شد. نتایج طبقه‌بندی انجام‌شده با انجام 20 آزمایش برش مستقیم بر روی سطوح درزه طبیعی اعتبار سنجی شد. بیش از 70 درصد نتایج پیش‌بینی با نتایج آزمایشگاهی تطابق دارد و حدود 20 درصد نتایج مقدار پیش‌بینی‌شده با مقدار واقعی یک کلاس فاصله دارد. با این وجود تخمین زبری با استفاده از پروفیل‌ها دوبعدی همواره با محدودیت روبرو است.
طبقه بندی آماری ضریب زبری درزه با روش بردار پشتیبان
سعید کریمی نسب (Autor:in) / حسین جلالی فر (Autor:in) / حجت نسب (Autor:in) / مسعود شمس الدین سعید (Autor:in)
2022
Aufsatz (Zeitschrift)
Elektronische Ressource
Unbekannt
Metadata by DOAJ is licensed under CC BY-SA 1.0
توسعه و ارزیابی سامانه طبقه بندی نخود بر اساس فناوری پردازش تصویر مرئی و شبکه عصبی مصنوعی
| DOAJ | 2022