Prediction of Compressive Strength of Concrete in Palestinian Governorates Using Machine Learning Techniques
| المؤلف الرئيسي: | Zidan, Abedelkareem Riad Kamel (Author) |
|---|---|
| مؤلفين آخرين: | Awad, Mohammed (Advisor) |
| التاريخ الميلادي: |
2021
|
| موقع: | جنين |
| الصفحات: | 1 - 142 |
| رقم MD: | 1167969 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | الجامعة العربية الأمريكية - جنين |
| الكلية: | كلية الدراسات العليا |
| الدولة: | فلسطين |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
8
| المستخلص: |
يعد استخدام أساليب تعلم الآلة من إحدى الأساليب التي تمتاز وتحقق فاعلية مميزة في عملية تنبؤ وتنصيف قوة الضغط للخرسانة في المحافظات الفلسطينية، في البداية قمنا بجمع البيانات المطلوبة للبحث من المختبرات والمصانع الخاصة بالخرسانة من سبعة محافظات فلسطينية. لقد تم تجزئة العمل إلى ثلاثة أجزاء، في الجزء الأول، تم العمل باستخدام ثلاثة خوارزميات مصممة للتجميع منها خوارزمية التجميع K، خوارزمية EM وخوارزمية KSOM وقد أظهرت النتائج أهم العوامل المؤثرة في المحافظات الفلسطينية بشكل فردي. وأظهرت أهم العوامل المؤثرة في قوة ضغط الخرسانة في فلسطين بشكل عام يمكن الاستنباط من نتائج خوارزمية and KSOM EM وخوارزمية K التجميع تستخدم في التنبؤ بشكل أدق. في الجزء الثاني من العمل، تم استخدام البيانات من المختبرات الفلسطينية في عملية التصنيف بين أنواع الخرسانة في فلسطين، ومنها B200, B250, B300, B350, B400 باستخدام ثلاثة خوارزميات وهي Ensemble والشبكات العصبونية متعددة الطبقات، وشعاع الدعم الآلي SVM، بحيث أظهرت النتائج أن الشبكات العصبونية المتعددة الطبقات تتفوق بالدقة على غيرها، بحيث كانت الدقة تقريبا 90% لكل نوع من الخرسانة، بينما في الخوازرميات الأخرى مثل شعاع الدعم الآلي والـــ Ensemble كانت 68%، 80% بالترتيب، وقد تم تطبيق عملية التصنيف على البيانات المستخرجة من أهم العوامل المؤثرة في قوة ضغط الخرسانة بحيث كانت الدقة تقريبا متساوية. في الجزء الثالث من العمل، تم استخدام البيانات من المختبرات الفلسطينية من المحافظات التي تم ذكرها في عملية التنبؤ، بحيث تم استخدام ثلاثة خوارزميات وهي الشبكات العصبونية متعددة الطبقات، RBFNNs، RNNs بحيث كان نتائج RNNsهي أفضل نتيجة بحيث كان متوسط مربع الخطأ يساوي 0.0012 بينما متوسط مربع الخطأ في الشبكات العصبونية المتعددة الطبقات وRBFNNs كانت 0.0107، 0.0064 بالترتيب، وقد أظهرت النتائج أن أساليب تعلم الآلة في عملية التنبؤ والتصنيف هي أداة فعالة في قوة ضغط الخرسانة في المحافظات الفلسطينية. |
|---|
عناصر مشابهة
-
Sentiment Analysis for Arabic Call Center Notes Using Machine Learning Techniques: A Case Study of Jordanian Dialect
بواسطة: الفار، حمزة عصام منشور: (2021) -
Heart Disease Prediction Model Using Naïve Bayes Algorithm and Machine Learning Techniques
بواسطة: يوسف، ماريا محمد فوزي منشور: (2020) -
A Novel Machine Learning Algorithm for Classification and Prediction
بواسطة: اسكندر، أحمد محمد منشور: (2022) -
A Hybrid Model of Genetic and Bat Algorithms for Pregnancy Prediction Based on the Decision Support Systems and Machine Learning
بواسطة: الضرابعة، أحمد مفلح محمد منشور: (2021) -
Classification and Prediction of Low-Density Lipoprotein Cholesterol Ldl-C in the Palestinian Patients Using Machine Learning Techniques
بواسطة: ملايشة، سند أحمد أنيس منشور: (2021)
