تخلیل و نفوذپذیری را می توان دو پارامتر از سه پارامتر مهم در ارزیابی ویژگیهای یک میدان نفتی عنوان کرد. اطلاعات مربوط به تعیین پارامترهای پتروفیزیکی، غالبا با استفاده از مطالعه مغزه ها، حاصل می شوند ولی استفاده از این روش در بسیاری موارد قابل اجرا نیست. دلیل این امر تنها مربوط به هزینه بالای مغزه گیری نیست، زیرا در بسیاری موارد، تهیه مغزه از چاههای مختلف، امکان پذیر نمی باشد. از روشها و روابط تجربی نیز به دلیل داشتن مشکلات خاص آنها و تعلق نتایج مربوط به آنها به منطقه ای خاص، نمی توان با اطمینان کامل استفاده کرد. شبکه های عصبی مصنوعی، یکی از جدیدترین فنونی هستند که به تدریج جایگاه خود را در میان علوم مختلف و خاصه در مهندسی نفت پیدا کرده اند. به طور کلی می توان برآورد پارامترهای پتروفیزیکی توسط شبکه های عصبی را در دو مرحله عنوان کرد. ابتدا پیدا کردن ویژگیهای شبکه مورد بحث برای اعمال در مورد پارامتر مورد نظر که این کار با استفاده از اطلاعات مربوط به یک سری از چاهها انجام می شود که هم اطلاعات نمودارها و هم اطلاعات آزمایش مغزه برای آنها وجود دارد. مرحله دوم، شامل اعمال شبکه حاصل از مرحله اول در مورد سایر چاههای میدان می باشد.در این مطالعه، برای تعیین مقادیر تخلخل در میدان نفتی گچساران از دو شبکه استفاده شد که یکی از آنها، شبکه ای با سه پارامتر ورودی (نگار چگالی، صوتی و نوترون) و دیگری شبکه ای با ده پارامتر (پاسخ نگارهای نوترون، گاما، چگالی، صوتی، مقاومت ویژه ناحیه کم ژرفا و ژرف و مقادیر اشباع آب و مختصات فضایی نقاط) ورودی است. مقادیر تخلخل برآورد شده توسط این شبکه ها در مرحله تعمیم، به ترتیب مقادیر همبستگی 0.914 و 0.938 را نشان دادند. این در حالی بود که نتیجه مربوط به معادله رگرسیون در تعیین مقدار تخلخل، مقدار 0.658 را نشان می داد. در مورد نفوذپذیری نیز مقادیر لگاریتم نفوذپذیری حاصل از شبکه های دارای 6 (پاسخ نگارهای چگالی، صوتی، گاما، مقاومت ویژه ناحیه کم ژرفا و ژرف و تخلخل حاصل از شبکه تخلخل دارای 10 نورون ورودی) و 11 پارامتر ورودی (نگارهای نوترون، گاما، چگالی، صوتی، مقاومت ویژه ناحیه کم ژرفا و ژرف و مقادیر اشباع آب، مختصات فضایی نقاط و تخلخل حاصل از شبکه تخلخل دارای 10 نورون ورودی)، و معادله رگرسیون، به ترتیب مقادیر همبستگی برابر با 0.851 و 0.858 و 0.617 را با مقدار لگاریتم نفوذپذیری مغزه نشان دادند.

شاخص کیفیت هوا ابزار کلیدی جهت آگاهی از کیفیت هوا، نحوه ی اثر آلودگی هوا بر سلامت و روش های محافظتی در برابر آلودگی هوا است. هدف اصلی این تحقیق مدل سازی و برآورد شاخص کیفیت هوا از طریق شبکه عصبی مصنوعی، درخت تصمیم، رگرسیون خطی چندگانه و رگرسیون مؤلفه های اصلی است. جهت محاسبه شاخص کیفیت هوا از داده های هواشناسی و آلودگی هوای ثبت شده در ایستگاه تجریش و قلهک شهر تهران در دوره زمانی 1385 تا 1390 استفاده شد. به منظور ارزیابی عملکرد مدل های برآوردگر از شاخص های آماری خطا، همبستگی و صحت استفاده شد. نتایج تحقیق نشان داد که مدل شبکه عصبی در هر دو ایستگاه از عملکرد بهتری نسبت به سایر مدل ها برخوردار است، به نحوی که در ایستگاه قلهک 006/0RMSE=، 004/0MAE=، 99/0 IA=و در ایستگاه تجریش 004/0 RMSE=، 002/0 MAE=، 1 IA=بود. مدل درخت تصمیم بعد از مدل شبکه عصبی عملکرد مطلوبی از خود نشان داد و مدل رگرسیون خطی چندگانه بعد از مدل شبکه عصبی و درخت تصمیم عملکرد بهتری نسبت به مدل رگرسیون مبتنی بر تحلیل مؤلفه های اصلی ارائه نمود. روش تحلیل مؤلفه های اصلی علی رغم آنکه توانست همبستگی بین داده های ورودی و تعداد پارامترهای ورودی به مدل را کاهش دهد باعث بهبود عملکرد مدل رگرسیون نشد.

به دلیل ساختار پیچیده ی بتن توانمند، ارائه ی مدلی برای پیش بینی رفتار آن دشوار است. مثلا مطالعاتی مستقلا نشان داده اند که مقدار اسلامپ بتن توانمند، فقط به مقدار آب و بیشترین اندازه مصالح درشت دانه بستگی ندارد، بلکه مقدار آن تحت تاثیر سایر اجزاء تشکیل دهنده ی بتن نیز هست. در پژوهش حاضر، عملکرد شبکه های عصبی مصنوعی تغذیه رو به جلو و آبشاری رو به جلو و رگرسیون خطی چندگانه ی هم زمان و قدم به قدم در مدل سازی اسلامپ و مقاومت فشاری 28 روزه ی بتن توانمند بررسی شده است. داده های آزمایش مورد استفاده در پژوهش حاضر از مرجع داده های استاندارد دانشگاه کالیفرنیا استخراج شده است. نتایج پژوهش و بررسی جذر میانگین مربعات و ضریب همبستگی نشان داده است که مدل شبکه ی عصبی مصنوعی آبشاری رو به جلو توانسته است با دقت بهتری اسلامپ و مقاومت فشاری 28 روزه را نسبت به روش های دیگر مدل سازی کند.

سابقه و هدف: روش های مدل سازی غیر خطی برای مطالعات رابطه کمی ساختمان-اثر، راه های گویاتری نسبت به روش های خطی، برای رفتارهای مولکولی هستند. شبکه های عصبی مصنوعی، مدل ها و الگوریتم های ریاضی هستند که پردازش اطلاعات و یادگیری مغز انسان را تقلید می کنند. نشان داده شده است برخی مشتقات S-alkyl تیوسمی کاربازون در پیش گیری و درمان عفونت های مایکو باکتریایی اثر بخش بوده اند. این مطالعه با هدف یافتن ارتباط ساختار با اثر این ترکیبات انجام پذیرفت. مواد و روش ها: در این مطالعه وابستگی کمی کنش و ساختار (QSAR)، از رگرسیون خطی چندگانه و شبکه عصبی مصنوعی با تنظیم بایسین برای 47 ترکیب از مشتقات تیوسمی کاربازون، استفاده گردید. توصیف کننده ها از روش انتخاب و حذف گام به گام از مجموع 343 توصیف کننده، انتخاب شدند. یک شبکه ی سه لایه ی پیش خور پس انتشار با تنظیم بایسین به وسیله نرم افزار MATLAB نسخه R2009a طراحی، بهینه و ارزیابی شد. یافته ها: پس از رگرسیون خطی چندگانه یک مدل با 6 توصیف کننده حاصل شد: (039/0 ± 235/0)Qneg-(600/1 ± 706/1)PMIZ-(017/0 ± 066/0)PMIX-(018/0 ± 067/0) + 592/2 Log MIC= RDF060p (021/0 ± 064/0) RDF 140u-(026/0 ± 118/0) RDF03 + بهترین مدل BR-ANN یک شبکه سه لایه با سه گره در لایه مخفی بود. استنتاج: مدل BR-ANN قدرت پیش بینی کنندگی بیش تری نسبت به مدل های خطی دارد و احتمالا بهتر می تواند فعالیت ضد سلی ترکیبات جدید با شالوده ساختاری یکسان در میان مشتقات تیوسمی کاربازون را پیش بینی کند.

کربن آلی خاک منبع عظیمی از مواد مغذی برای گیاه بوده و به عنوان عاملی فعال در گسترش ساختمان خاک، نقش مهمی در بهبود حاصل خیزی خاک های کشاورزی دارد. هدف اصلی از این پژوهش، تخمین میزان کربن آلی خاک در زمین های کشاورزی با استفاده از یک روش ساده، سریع و کم هزینه می باشد. 80 نمونه خاک از مزارع کشاورزی شمال آذربایجان غربی تا جنوب استان به صورت انتخابی جمع آوری شد و پس از تعیین مقدار کربن آلی نمونه ها در آزمایشگاه، نمونه ها در شرایط کنترل شده مورد تصویربرداری قرار گرفتند. تصاویر رنگی در چندین فضای رنگی مختلف تحلیل شدند و در هر فضای رنگی، مدل های شبکه عصبی و رگرسیون چندگانه برای برآورد میزان کربن آلی خاک توسعه یافت. نتایج مدل سازی خطی نشان داد که بالاترین ضریب همبستگی در فضاهای رنگی LAB و LUV به ترتیب 0/91 و 0/92 برای مدل های استخراج شده از مولفه های این فضاها و کربن آلی خاک به دست آمد. نتایج حاصل از طبقه بندی به وسیله شبکه عصبی نشان داد که ضریب همبستگی در فضای RGB بالاترین مقدار را داشته و برابر با 0/94 بوده است. نتایج نشان داد که در تمامی فضاها مدل سازی شبکه عصبی دقت مدل را افزایش داده است.

دمای خاک عامل کلیدی است که فرآیندها و خصوصیات فیزیکی، شیمیایی و بیولوژیکی خاک را کنترل می کند؛ لذا بر کمیت و کیفیت تولید محصولات کشاورزی تأثیر می گذارد. هدف از انجام این پژوهش برآورد دمای خاک با استفاده از پارامترهای هواشناسی به روش های مختلف ماشین یادگیری بوده است. بدین منظور داده های هواشناسی و دمای خاک در عمق های 5، 10، 20، 30، 50 و 100 سانتی متری از 17 ایستگاه سینوپتیک استان خوزستان مربوط به 25 سال (1994 تا 2018) گردآوری شد. مدل های شبکه عصبی پرسپترون چندلایه (MLPNN)، ماشین یادگیری سریع (ELM) و رگرسیون خطی چندگانه (MLR) برای برآورد دمای خاک استفاده شدند. داده های دمای هوا، سرعت باد، رطوبت نسبی هوا، فشار بخار، تبخیر و بارندگی به عنوان ورودی برای آموزش مدل ها استفاده شدند. نتایج نشان داد که تمام مدل ها برآوردی بهتری از دمای لایه سطحی خاک (عمق 30-0 سانتی متری) داشته و با افزایش عمق دقت آن ها کاهش می یابد، به طوری که بهترین دقت برآورد دمای خاک مربوط به عمق 5 و کمترین آن مربوط به عمق 100 سانتی متری بود. نتایج نشان داد مدل های MLR، MLPNN و ELM عملکردی مطلوب در مدل سازی دمای خاک در تمام عمق ها داشتند. برای مدل های MLR، MLPNN، ELM به ترتیب مقادیر R2 از 864/0-700/0، 997/0-967/0 و 996/0-967/0، مقادیر RMSE از 823/2-557/2، 072/0-034/0 و 078/0-028/0 درجه سلسیوس و مقادیر MAE از 529/1-398/1، 063/0-023/0 و 065/0-023/0 درجه سلسیوس بود. نتایج نشان داد که دو مدل MLPNN و ELM دارای عملکردی تقریبا مشابه و بهتر از مدل رگرسیون خطی چندگانه بودند؛ اما به دلیل سرعت محاسبات بسیار بالای مدل ELM، پیشنهاد می گردد از مدل MLPNN برای تخمین دمای نیمرخ خاک استفاده شود.

در این مقاله، مدلسازی دستگاه تولید لینک خودکار یا ALE با استفاده از شبکه های عصبی یا هوش مصنوعی معرفی شده است. به طور کلی می توان عملکرد یک دستگاه ALE را مدلسازی کرد. هدف از مدلسازی، طراحی همین دستگاه با استفاده از روش های جدید و پیاده سازی با استفاده از ابزارهای موجود و در نتیجه بومی سازی آن است. در همین راستا، در این مقاله با استفاده از شبکه های عصبی و الگوریتم MLP تلاش شده است که عملکرد کلی دستگاه ALE مدلسازی و پیاده سازی شود. در ابتدا، پس از بررسی کانال های مخابراتی و اثرات غیرخطی و نویز بر انتقال داده، یک مدل برای انتقال داده در کانال های مخابراتی معرفی و در محیط نرم افزار متلب کد نویسی شده است. سپس به معرفی انواع شبکه های عصبی و کاربردهای آن پرداخته شده است و بهترین الگوریتم برای مدلسازی دستگاه ALE انتخاب شده است. در ادامه چندین مدل با استفاده از tools نرم افزار متلب و کد نویسی الگوریتم MLP انجام گرفته است و مقایسه شده است. در نهایت مدل پیشنهادی که مبتنی بر الگوریتم MLP است با کمترین خطا، به ازای خروجی جدید می تواند کانال مناسب را پیش بینی کند. مدل های پیشنهادی پس از بهینه سازی قابل پیاده سازی بر روی FPGA هستند و راهی برای ساخت این دستگاه در داخل کشور فراهم می آورد.

در این تحقیق که در جنگل های رامسر در استان مازندران انجام شد رویش جنگل به کمک شبکه عصبی مصنوعی برآورد و با رویش واقعی جنگل که به طور مستقیم و از اندازه گیری در 20 قطعه نمونه ثابت یک هکتاری که در سال های 1381 و 1391 از آماربرداری صد در صد محاسبه شده بود، مقایسه شد. رویش حجمی سالانه راش به ترتیب 52/4 و 35/4 سیلو در هکتار برای رویش به طریق مستقیم و رویش برآوردی به روش شبکه عصبی مصنوعی بود. سپس تحلیل رگرسیون، به روش گام به گام انجام و بهترین مدل ها گزینش شد. پس از انتخاب بهترین مدل، بررسی تحلیل حساسیت ورودی ها انجام شد. نتایج نشان داد شبکه عصبی با دقت مناسبی می تواند رویش و مقدار برش سالیانه را برآورد کند. مقدار R2، RMSE و MAE به ترتیب 75/0، 17 و 60/13 در شبکه پرسپترون چندلایه نشان داد که شبکه عصبی MLP بیشترین دقت در برآورد را دارد. در تحلیل رگرسیون خطی چندگانه هم ضرایب تشخیص به ترتیب 610/0 و 679/0 و خطای RMS مقادیر 5/1 و 42/1 برای مدل اول و دوم به دست آمد. نتایج مربوط به تحلیل حساسیت ورودی ها نشان داد که عوامل حجم، جهت، قطر برابرسینه و ارتفاع درخت بیشترین تأثیر را در مدل سازی تعیین رویش دارند. مقایسه مدل ها نشان داد استفاده از شبکه عصبی می تواند مقدار رویش را با دقت مناسبی پیش بینی کند.

ارزن مرواریدی گیاهی مقاوم در شرایط خشکی است که پروتئین و سطح انرژی قابل متابولیسم دانه آن با ذرت مساوی و بیشتر از سورگوم است و به همین جهت در تغذیه طیور مورد توجه قرار گرفته است. تعیین اسیدهای آمینه مواد خوراکی با استفاده از روش های آزمایشگاهی نیاز به صرف زمان و هزینه بالایی دارد. از این رو یافتن روش هایی برای تخمین میزان اسیدهای آمینه دارای اهمیت می باشد. از دیرباز مدل های رگرسیونی خطی چندگانه (MLR) برای تخمین اسیدهای آمینه برخی مواد خوراکی با استفاده از پروتئین و یا تجزیه تقریبی مورد استفاده قرار گرفته اند. استفاده از شبکه های عصبی مصنوعی (ANN) برای تخمین دقیق تر میزان اسیدهای آمینه مواد خوارکی با استفاده از ترکیبات شیمیایی می تواند نتایج بهتری را به همراه داشته باشد. بنابراین مطالعه ای با هدف تخمین سطح اسیدهای آمینه دانه ارزن مرواریدی با استفاده از شبکه عصبی و رگرسیون خطی چندگانه انجام شد. به این منظور از یکی از منابع که تعداد 52 نمونه ارزن مرواریدی را از نظر تجزیه تقریبی و سطح اسیدهای آمینه مورد بررسی قرار داده بود، استفاده شد. در این مدل ها، ماده خشک، پروتئین خام، چربی، خاکستر و فیبر خام به عنوان متغیر پیشگو و هر یک از اسیدهای آمینه به عنوان متغیر پاسخ استفاده شدند. نتایج بدست آمده حاکی از این است که بین اسیدهای آمینه دانه ارزن مرواریدی و ترکیبات شیمیایی آن ارتباط قابل توجهی وجود دارد. ارزیابی آماری نشان داد که مدل ANN در مقایسه با MLR دارای قدرت تخمین بیشتری برای برآورد میزان هر یک از اسیدهای آمینه ارزن مرواریدی با استفاده از روش تجزیه تقریبی می باشد.