logo móvil
logo tablet

Cookies y Privacidad

Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies

Modelo de aprendizaje profundo hibridizado para predecir la resistencia al corte del conector Perfobond Rib.

La predicción precisa y confiable de la Resistencia al Corte de la Conexión Perfobond (PRSC) se considera un problema importante en el sector de la ingeniería estructural. Además, seleccionar las variables más significativas que tienen una influencia importante en la PRSC en cada paso importante para lograr modelos predictivos más económicos y precisos, este estudio investiga la capacidad de la red neuronal de aprendizaje profundo (DLNN) para la predicción de resistencia al corte de la PRSC. El modelo DLNN propuesto se valida contra la regresión de vectores de soporte (SVR), la red neuronal artificial (ANN) y el modelo de árbol M5. En el segundo escenario, se propone un modelo de IA comparable hibridado con algoritmo genético (GA) como un enfoque de optimización bioinspirado robusto para optimizar los predictores relacionados con la PRSC. Hibridar modelos de IA con GA como herramienta de selección es un intento de adquirir la mejor precisión de las predicciones con la menor cantidad posible de parámetros relacionados. De acuerdo con

Autores: Khalaf, Jamal Abdulrazzaq; Majeed, Abeer A.; Aldlemy, Mohammed Suleman; Ali, Zainab Hasan; Al Zand, Ahmed W.; Adarsh, S.; Bouaissi, Aissa; Hameed, Mohammed Majeed; Yaseen, Zaher Mundher

Idioma: Inglés

Editor: Hindawi

Año: 2021

Disponible con Suscripción Virtualpro

Artículos


Categoría

Ingeniería y Tecnología

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 9

Citaciones: Sin citaciones


Hindawi

Complexity

Volume , Article ID 6611885, 21 pages

https://doi.org/10.1155/2021/6611885

Khalaf Jamal Abdulrazzaq0, Majeed Abeer A.0, Aldlemy Mohammed Suleman0, Ali Zainab Hasan0, Al Zand Ahmed W.0, Adarsh S.0, Bouaissi Aissa0, Hameed Mohammed Majeed0, Yaseen Zaher Mundher0

Civil Engineering Department Iraq, Reconstruction and Projects Department Iraq, Department of Mechanical Engineering Libya, College of Engineering Iraq, Department of Civil Engineering Malaysia, Department of Civil Engineering India, School of Engineering UK, UNA Developments Ltd. UK, Department of Civil Engineering Iraq, Faculty of Civil Engineering Vietnam

Academic Editor: Al-Emran Mostafa

Contact: @hindawi.com

Descripción
La predicción precisa y confiable de la Resistencia al Corte de la Conexión Perfobond (PRSC) se considera un problema importante en el sector de la ingeniería estructural. Además, seleccionar las variables más significativas que tienen una influencia importante en la PRSC en cada paso importante para lograr modelos predictivos más económicos y precisos, este estudio investiga la capacidad de la red neuronal de aprendizaje profundo (DLNN) para la predicción de resistencia al corte de la PRSC. El modelo DLNN propuesto se valida contra la regresión de vectores de soporte (SVR), la red neuronal artificial (ANN) y el modelo de árbol M5. En el segundo escenario, se propone un modelo de IA comparable hibridado con algoritmo genético (GA) como un enfoque de optimización bioinspirado robusto para optimizar los predictores relacionados con la PRSC. Hibridar modelos de IA con GA como herramienta de selección es un intento de adquirir la mejor precisión de las predicciones con la menor cantidad posible de parámetros relacionados. De acuerdo con

Documentos Relacionados

Temas Virtualpro