دانلود ترجمه مقاله یک بررسی در زمینه مدلسازی نشست بتن آماده مخلوط از طریق الگوریتم های ژنتیکی

1. مقدمه 2. جمع آوری داده ها 3. روش تحقیق 3.1. مدلسازی نشست بتن شبکه‏ های عصبی مصنوعی 3.1.1. یادگیری ، معتبرسازی و مجموعه داده‏ های آزمون 3.1.2. پردازش قبلی داده ها 3.1.3. معماری شبکه عصبی و پارامترهای یادگیری 3.2. بهینه سازی الگوریتم ژنتیکی، شبکه های عصبی (ANN-GA) 3.2.1. راه اندازی الگوریتم ژنتیکی 3.2.2. ارزیابی برازش کروموزم ها 3.2.3. انتخاب کروموزومهای برازش شده 3.2.4. پدید آمدن نسل جدیدی از جمعیت 3.2.5. تنظیم دقیق ارزش و تورشهای اولیه با استفاده از الگوریتم انتشار معکوس 3.3. ارزیابی عملکرد مدلهای آموزش داده شده 4. نتایج 5. بحث و بررسی 6. نتیجه‏گیری و تحقیقات آینده

نتیجه ‏گیری و تحقیقات آینده: در این مقاله، وزن و تورش های اولیه بهینه برای شبکه های عصبی مصنوعی انتخاب می ‏شوند و این فرایند با استفاده از الگوریتم های ژنتیکی و یادگیری الگوریتم شبکه های عصبی مصنوعی صورت می‏ گیرد. از ترکیب دو تکنیک محاسباتی الهام گرفته شده از طبیعت برای بررسی عیوب الگوریتم انتشار معکوس و همگرایی در نقاط بهینه فرعی و کاهش سرعت همگرایی استفاده می ‏شود. این تکنیک هیبریدی یا ترکیبی به الگوریتم های ژنتیکی در ایجاد مجموعه بهینه ‏ای از وزن و تورش های شبکه عصبی کمک می ‏کند، این وزن و تورش ها با استفاده از الگوریتم یادگیری انتشار معکوس لاونبرگ مارکوارت به دقت تنظیم می‏ شوند. بهینه سازی دو مرحله ‏ای شبکه های عصبی مصنوعی به الگوریتم های ژنتیکی برای سرچ بهینه و سرچ موضعی الگوریتم انتشار معکوس کمک می‏ کند. مطالعات انجام شده در مقایسه با روش شبکه عصبی انتشار معکوس که از نزول شیب دار برای آپدیت وزن و تورش ها استفاده می ‏کند، مدل الگوریتم های ژنتیکی - شبکه های عصبی مصنوعی ترکیبی که از الگوریتم ژنتیکی حاوی ارزش و تورش ها استفاده می ‏نماید، پیش‏ بینی های بهینه ‏ای را در طول یادگیری، معتبرسازی و آزمایش انجام می ‏دهد، همچنین این مدل یعنی الگوریتم های ژنتیکی- شبکه های عصبی مصنوعی توانایی زیاد مدل هیبریدی را نشان می ‏دهد. علاوه بر آن، مدل الگوریتم های ژنتیکی - شبکه های عصبی مصنوعی در مقایسه با شبکه عصبی انتشار معکوس برای رسیدن به عملکرد مطلوب نیمی از زمان را به کار می ‏گیرد، این فرایند همگرایی سریع را برای بهینه سازی کلی نشان خواهد داد. مدل پیشنهادی را که مبتنی بر داده‏ های تجربی گذشته است می‏توان با دست برای پیش‏ بینی رفتار مواد پیچیده بتن در سریعترین زمان تغییر داد. همچنین می‏توان از آن به عنوان یک ابزار پشتیبان تصمیم استفاده کرد، علاوه بر آن نقش مهمی را در پیش بینی مقدار نشست بتن برای نسبت اختلاط خاص که توسط کارمندان فنی انجام می ‏شود، ایفا می ‏کند. این تکنیک به طور قابل ملاحظه‏ ای باعث کاهش نیرو و زمان برای طراحی مخلوط بتن در یک نشست سفارشی بدون در نظر گرفتن آزمون های مختلف خواهد شد. در این تحقیق از تکنیک آزمون و خطا برای تعیین معماری بهینه شبکه عصبی استفاده گردید. در تحقیقات آینده، محققان باید بر روی ایجاد مجموعه لایه‏ های پنهان بهینه، نورون های آنها، تابع انتقال، نرخ یادگیری و ضریب اندازه حرکت با استفاده از الگوریتم های ژنتیکی تمرکز نمایند. همچنین مسیر دیگر برای تحقیقات آینده، استفاده از ماشین های یادگیری اکستریم(ELM) برای مدلسازی رفتار مواد بتن می‏ باشد. از ماشینهای یادگیری اکستریم در حقیقت شبکه های عصبی پیش خورد تک لایه (SLFN) هستند که برای همگرایی سریع و حداقل‏ سازی دخالت انسان به کار می‏روند. اگرچه وزن و تورشها در ماشینهای یادگیری اکستریم به صورت تصادفی انتخاب می‏گردند ولی می‏توانند بر عملکرد نسل تاثیر بگذارند. می‏توان از ترکیب الگوریتم های ژنتیکی و از ماشین های یادگیری اکستریم برای تکامل وزن و تورشهای اولیه بهینه استفاده کرد، در نتیجه عملکرد به صورت کامل بهینه سازی خواهد شد. علاوه بر آن، الگوریتم های ژنتیکی می‏تواند در ایجاد و تکامل مجموعه نورونهای لایه پنهان در ماشینهای یادگیری اکستریم و ایجاد تعادل بین تعمیم یا نتیجه‏ گیری کلی و سرعت همگرایی نقش مهمی را ایفا نماید.

Conclusions and future work: In this paper, the optimal initial weight and biases for ANN have been evolved using GA assisted training of ANN. The hybridization of two distinct nature inspired computational techniques has been proposed for covering up the drawback of BP algorithm to converge at suboptimal points and slow speed of convergence. The proposed hybrid technique harnessed GA to evolve the optimal set of initial neural network weights and biases which were further fine tuned using Lavenberg Marquardt back-propagation training algorithm. This two stage optimization of ANN helped in deriving the best from global search ability of GA and local search ability of BP algorithm. The study showed that in comparison to BPNN approach which uses gradient descent for updating the weights and biases, the hybrid ANN-GA model which utilized genetic algorithm derived weights and biases, gave consistent predictions during training, validation and testing phases, indicating the robustness of the hybrid modeling approach. Moreover, the ANNGA model in comparison to BPNN model, took almost half the time in reaching the desired performance, indicating its fast convergence to global optimum. The proposed model based on past experimental data can be very handy for predicting the complex material behavior of concrete in quick time. It can be used as a decision support tool, aiding the technical staff to easily predict the slump value for a particular concrete design mix. This technique will considerably reduce the effort and time to design a concrete mix for a customized slump without undertaking multiple trials. In the present study trial and error technique has been employed for determining the optimal architecture of the neural network. The future work will concentrate on evolving the optimal number of the hidden layers and hidden layer neurons, transfer function, learning rate and momentum coefficient using genetic algorithms. Another direction for future study will be the use of Extreme Learning Machines (ELM) for modeling concrete’s material behavior. ELMs are single layer feed-forward neural networks (SLFN) which are known for their faster convergence and minimal human intervention. However, the weights and biases of ELM are randomly initialized, which in some cases may affect it’s the generalization performance. GA can be hybridized with ELM for evolving optimal initial weights and biases, thereby improving its overall performance. GA can also be harnessed for evolving the number of hidden layer neurons for ELM to strike a balance between the generalization and convergence speed.