لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

امروزه فناوری های نوین، منجر به درک بهتر آثار باستانی و حفاظت بی خطر آن ها گشته اند؛ هدف این تحقیق، تشریح فرآیند جدید و بومی شده ی استفاده از فناوری های نمونه سازی سریع، شامل: اسکنر و چاپگر سه بُعدی برای بازسازی بخش های مفقود آثار سفالین و امکان سنجی به کارگیری آن ها در بازسازی دیگر اشیای باستانی است. پرسش های تحقیق عبارتنداز: 1-چگونه می توان از فناوری های نمونه سازی نوین در بازسازی بخش های مفقود آثار سفالین تاریخی استفاده نمود؟ 2-بازسازی سفال های تاریخی با روش های نوین نمونه سازی چه مزایا و معایبی نسبت به روش های معمول دارد؟ در همین راستا بر اساس روش تحقیق تجربی-آزمایشگاهی فناوری های نوین نمونه سازی در قالب آزمون های موردی روی نمونه سفالی خاکستری پیش ازتاریخی مربوط به کاوش های باستان شناسی کول تپه در هادیشهر جلفا(ی) آذربایجان شرقی انجام گرفت و در ادامه با تحلیل داده های حاصل از هم سنجی تجهیزات به منظور دستیابی به اهداف تحقیق مورد ارزیابی قرار گرفتند. بخش های مفقود نمونه مطالعاتی این تحقیق بر اساس تحلیل نرم افزاری تصاویر اسکن سه بُعدی 20% محاسبه و برای انجام بازسازی بخش مفقود در ابتدا با کمک اسکنر لیزری اقدام به تهیه ی تصاویر سه بُعدی از سطح نمونه گردید؛ سپس با استفاده از نرم افزار تصاویر سه بُعدی تبدیل به داده های قابل استفاده در چاپگر سه بُعدی شد. در ادامه ی نمونه سازی تجربی، جهت یافتن نمونه مناسب انجام گرفت؛ پس از تحلیل نمونه های بازسازی شده و هم سنجی سیستم ها، از نظر ظرافت بدنه ی چاپ شده و همچنین قابلیت دستگاهی برای ساخت قطعه ای هماهنگ و بدون عیب جهت بخش های مفقود، اقدام به چاپ سه بُعدی قطعات مفقود گردید و در نهایت نیز بخش های چاپ شده متناسب با بخش های مفقود به بدنه ی سفال اصیل وصالی شد. نتایج تحقیق نشان داد استفاده از فناوری های مدل سازی نوین باعث درک بهتر آثار سفالین از لحاظ شکلی برای بررسی های باستان شناسی و مطالعات موزه ای می گردد؛ همچنین استفاده از این فناوری ها موجب کاهش رفتارهای تماسی حفاظتی از آثار گردیده و اقدامی مفید در جهت حفاظت غیر تماسی و کم خطر است.

افزایش دقت برآورد داده های مفقود بارش روزانه، بویژه در حوضه های بزرگ آبخیز با شبکه باران سنجی غیر متراکم، یکی از چالشهای آبشناسها می باشد. در این مطالعه، شش شبیه شبکه عصبی مصنوعی به نامهای MLP، TLFN، RBF، RNN، TDRNN، CFNN با روشهای مختلف اعتبارسنجی برای تکمیل داده های مفقود بارش روزانه در مقایسه با روشهای زمین آمار کریجینگ و کوکریجینگ با شبیه های مختلف مورد بررسی قرار گرفته اند. برای ارزیابی دقت شبیه های مختلف در تکمیل داده های مفقود، از داده های بارش 15 ایستگاه بارانسنجی موجود در حوضه رود کرخه استفاده شده است. نتایج نشان می دهند که شبیه های MLP، TLFN، CFNN و کوکریجینگ می توانند دقیقترین برآورد را از مقادیر گم شده ارائه دهند، هر چند به نظر می رسد که شبیه MLP در برآورد داده های مفقود بارش موثرتر از بقیه است. همچنین، بر اساس نتایج به دست آمده، شبیه RNN و TDRNN در مورد داده های بارش تناسب کمتری داشته، و ضعیفترین نتیجه مربوط به شبیه RBF است. روش کریجینگ از روشهای برتر عملکرد ضعیفتری داشته، اما از شبیه های RNN و TDRNNو RBF بهتر است.

شناخت لایه های پنهان در منابع کهن موجود که منبع اصلی داده های تاریخی به شمار می رود، یکی از راه های پیشبرد پژوهش های عمیق تاریخی است. نتایج چنین شناختی می تواند ما را به ریشه های اخبار ثبت شده و گاه به تجدید نظر در برخی مشهورات یا حل معضلات تاریخی و ... رهنمون شود. پژوهش حاضر با هدف شناسایی یکی از محدثان و مورخان قرن سوم ه.ق. و بررسی یکی از منابع در خور اعتماد، اما مفقود از محدثان شیعی انجام شده است. علی بن عباس مقانعی (متوفای 310 ه.ق.) از رجال حدیثی در دایره راویان ابوالفرج اصفهانی (284-356 ه.ق.) در تدوین کتاب مقاتل الطالبیین است. در منابع فهرستی و رجالی از مقانعی و یگانه تألیفش با نام فضل الشیعة یاد شده است. در این پژوهش نو و بدون پیشینه می کوشیم با استفاده از روش توصیفی تحلیلی و مطالعات کتاب خانه ای و قواعد بازسازی آثار مفقود، شناختی از مقانعی و محتوای کتابش و راهی برای شناخت بهتر تاریخ نگاری و تاریخ نگری مورخان شیعه، از راه جزء پژوهی پیش نهیم. محتوای روایات بازیابی شده مقانعی، نشانگر این واقعیت است که تاریخ نگاری مقانعی بخشی از منظومه تاریخ نگاری علوی با مؤلفه های آن است که با محوریت اهل بیت (ع)، خاصه حقانیت امام علی (ع) در مسئله خلافت و موضوع مهدویت و انتظار متجلی است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در این پژوهش، از 9 الگوریتم یادگیری جمعی و ماشینی شامل الگوریتم های Xgboost، Catboost، Extra Trees، Random Forest، M5، MLP، K-NN، Decision Tree وSVR برای تخمین داده های مفقود جریان روزانه رودخانه کرخه استفاده شد. جهت برآورد داده های مفقود ایستگاه عبدالخان و پای پل، داده های جریان روزانه ایستگاه هیدرومتری حمیدیه به عنوان ایستگاه همسایه در دوره آماری 40 ساله مورد بررسی قرار گرفت. بهینه سازی فراپارامترهای الگوریتم های مذکور، به روش Optuna انجام شد. مقایسه عملکرد مدل ها نشان داد که الگوریتم Xgboost با یادگیری روابط غیرخطی پیچیده،دقت بیشتری در تخمین داده های مفقود دارد. الگوریتم مذکور، در ایستگاه های عبدالخان و پای پل، با داشتن بیشترین مقدار ضریب تعیین (R2) به ترتیب برابر با 95/0 و 78/0 و کمترین مقدار میانگین خطای مطلق (MAE) بترتیب برابر با 76/18 و 45/36 بهترین عملکرد را دارد. همچنین، کمترین مقدار ریشه میانگین مربع خطاها (RMSE) برابر با 75/43 و 87/108 به دست آمد.علاوه براین، الگوریتم Xgboost کمترین مقدار مجذور میانگین مربعات خطای نسبی (RRMSE) برابر با 20/0 و 46/0 ثبت کرد.بنابراین، الگوریتم Xgboost بیشترین کارایی را در تخمین داده های مفقود نسبت به بقیه مدل ها در هر دو ایستگاه دارد. همچنین، می تواند بر چالش های مکانی و داده های محدود غلبه کند. نتایج نمودار تیلور نیز حاکی از برتری مدل Xgboost در هر دو ایستگاه مذکور است. مدل Catboost نیز در ایستگاه های عبدالخان و پای پل به ترتیب 11% و 5% دقت کمتر از مدل Xgboost داشت و دومین جایگاه را میان مدل های بررسی شده کسب کرد .نتایج این پژوهش می تواند جهت تخمین جریان رودخانه در سایر ایستگاه های فاقد آمار مفید واقع شود.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

بارش و دما از مهم ترین متغیرهای هوا و اقلیم شناسی هستند. طول دوره آماری اهمیت بسزایی در دقت تحلیل این دو متغیر دارد. حجم نمونه کمتر از 100 سال نمی تواند نوسانات دراز مدت را به خوبی منعکس کند. طولانی ترین آمار مربوط به دما و بارش ماهانه مشهد نزدیک به 125 سال (از حدود 1893 الی 2017) است. متاسفانه این آمار مفقودی دارد. ترمیم داده های مفقود و افزایش دقت برآورد آن ها هدف این پژوهش است. ایستگاه هایی از کشورهای مجاور به عنوان ایستگاه های مبنا انتخاب شدند. ابتدا داده های مفقود با برازش ده الگوی رگرسیونی چندگانه برای بارش ماهانه (با ضرایب تعیین 63/0 تا 81/0) و شش الگو برای دمای ماهانه (986/0تا 993/0) ترمیم شدند. سپس برای کاهش خطاها، پارامترهای الگوهای رگرسیونی با روش های GA و ACO بهینه شدند. افزون بر این دو روش ANN و SVR نیز به منظور الگوسازی این داده ها نیز به کار گرفته شدند. نتایج نشان داد GA و ACO دقت برآورد داده های مفقود بارش را نسبت به روش های رگرسیونی فوق به طور چشمگیری افزایش می دهد. کمترین RMSE بین تمام الگوهای رگرسیونی بارش 79/9 میلی متر است. این معیار با روش GA به 560/2 میلی متر و با ACO به 559/2 کاهش می بابد. کمترین RMSE بین الگوهای رگرسیونی دما 986/0 میلی متر است. این معیار با روش ANN به 726/0 میلی متر و با SVR نیز به 551/0 کاهش می بابد. مقایسه ترمیم دما و بارش نشان می دهد که روش های تکاملی برای بارش و روش های یادگیری ماشین برای دما عملکرد بهتری دارند.