| LEADER |
04503nam a2200313 4500 |
| 001 |
1534552 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 625963
|a Zidan, Abedelkareem Riad Kamel
|e Author
|
| 245 |
|
|
|a Prediction of Compressive Strength of Concrete in Palestinian Governorates Using Machine Learning Techniques
|
| 260 |
|
|
|a جنين
|c 2021
|
| 300 |
|
|
|a 1 - 142
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c الجامعة العربية الأمريكية - جنين
|f كلية الدراسات العليا
|g فلسطين
|o 0326
|
| 520 |
|
|
|a 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.
|
| 653 |
|
|
|a التكنولوجيا الحديثة
|a التعلم الآلي
|a الشبكات العصبية
|a الخوارزميات الرياضية
|a المحافظات الفلسطينية
|
| 700 |
|
|
|a Awad, Mohammed
|e Advisor
|9 551750
|
| 856 |
|
|
|u 9808-002-001-0326-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9808-002-001-0326-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9808-002-001-0326-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9808-002-001-0326-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9808-002-001-0326-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9808-002-001-0326-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9808-002-001-0326-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9808-002-001-0326-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9808-002-001-0326-5.pdf
|y 5 الفصل
|
| 856 |
|
|
|u 9808-002-001-0326-R.pdf
|y المصادر والمراجع
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1167969
|d 1167969
|
