3 نتیجه برای بزرگنمایی
محسن کمالیان و عبداله سهرابی بیدار،
دوره 24، شماره 2 - ( 10-1384 )
چکیده
این مقاله، الگوریتم کامل تحلیل مستقیم پاسخ لرزه‌ای عوارض توپوگرافی دوبعدی ناهمگن در فضای زمان توسط روش اجزای مرزی را ارائه داده است.
پاسخ لرزه‌ای چند عارضه توپوگرافی متنوع، شامل دره خالی، نیم فضا، دره آبرفتی و تپه، در برابر امواج مهاجم درون‌صفحه SV و P محاسبه شده‌اند که کارایی الگوریتم ارائه شده و امکان جایگزینی روشهای مشابه در فضاهای تبدیل‌یافته توسط آن را در حوزه تحلیل لرزه‌ای ساختگاههای دوبعدی ناهمگن بیان می‌دارند.
محسن کمالیان، محمدکاظم جعفری و عبداله سهرابی بیدار،
دوره 26، شماره 1 - ( 4-1386 )
چکیده
اگرچه هندسه و مشخصات مکانیکی تپه دوبعدی نیم سینوسی از عوامل تعیین کننده پاسخ لرزه این نوع ساختگاه به شمار می روند، اما هنوز مطالعه جامعی بر روی حساسیت پاسخ یاد شده به عوامل فوق الذکر و همچنین طول امواج مهاجم در ادبیات فنی ثبت نشده است. این مقاله حساسیت پاسخ لرزه ای تپه های نیم سینوسی را در برابر هندسه و مشخصات مکانیکی آن و نیز طول امواج مهاجم درون صفحه ای قائم P و SV مورد بررسی قرار داده است. شکلهای ارائه شده در فضای زمان، به خوبی تفرق فازهای مختلف شامل امواج طولی، عرضی و سطحی را نشان داده است. شکلهای ارائه شده در فضای تبدیل یافته نیز به روشنی وابستگی بزرگنمایی نقاط مختلف تپه مزبور به پارامترهای فوق الذکر را تعیین کرده است. در خاتمه رابطه و جداولی ارائه شده اند که می توانند، با براورد پارامترهایی چون پریود مشخصه و بزرگنمایی متوسط تپه دوبعدی نیم سینوسی، در تکمیل و تدقیق مطالعات ریزپهنه بندی ژئوتکنیک لرزه ای به کار گرفته شوند.
علی فتحی، علی‌اکبر آقاکوچک و غلامعلی منتظر، ،
دوره 26، شماره 2 - ( 10-1386 )
چکیده
در اتصالات لوله ای جوشی زمانی که عمق ترک خستگی کمتر از 20 درصد ضخامت جدارۀ عضو اصلی است، رشد ترک بیش از هر چیز تحت اثر هندسۀ جوش در اتصال است.
از این رو حل اتصال T شکل و ضریب بزرگنمایی جوش (Mk) ابزار مناسبی برای محاسبۀ سرعت رشد ترک در این محدوده اند. در این تحقیق توانایی شبکه های عصبی مصنوعی برای تعیین Mk در اتصالات T شکل مورد آزمون قرار گرفته است. چهار شبکه از نوع پرسپترون چندلایه (MLP) طراحی و آموزش داده شده اند تا مقادیر Mk را در عمیقترین نقطۀ ترک و نقاط انتهایی آنها تحت تنشهای غشایی و خمشی تخمین بزنند. داده های استفاده شده برای آموزش و آزمون شبکه ها از داده های معتبر اجزای محدود استخراج شده است. مقایسۀ بین نتایج به دست آمده از شبکه ها و جدیدترین روابط منتشر شده برای محاسبۀ Mk نشان دهندۀ قابلیت بالای شبکه-های عصبی برای استفاده در این زمینه است.
