هدف: هدف در این مقاله ارایه یک نوع بهبودیافته از مدل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری به منظور بهبود عملکرد کلاس بندی است. روش شناسی پژوهش: با جایگزین کردن متغیر جدید در تابع هدف، نقاط یک کلاس از ابرصفحه حاشیه-پارامتری کلاس دیگر تا جای ممکن دور می شود. یافته ها: مدل بهبودیافته در هر دو حالت خطی و غیرخطی محدب است. همچنین آزمایش های عددی بر روی داده های کتابخانه ای UCI نشان دهنده عملکرد بهتر مدل پیشنهادی در مقایسه با دو مدل مشابه در مقایسه با دو مدل مشابه در حالت های خطی و غیرخطی از نظر دقت است. اصالت/ارزش افزوده علمی: مطالعات قبلی انجام شده در مدل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری که از طریق روش های مانند وزن دار کردن داده ها، تبدیل کردن آن به مدل نامقید و یا اضافه کردن عبارت جدید در تابع هدف دقت مسئله را افزایش می دهند، تضمین کننده دور بودن تمام نقاط از ابرصفحه و قرار داشتن آن ها در نیم فضای منفی نیستند؛ اما این بررسی یک رویکرد جدید برای رفع این مشکل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری ارایه می دهد.

این مطالعه روشی برای طراحی شبکه های پایش کمی آب زیر زمینی به منظور کاهش نقاط پایش مکانی اضافی ارائه می کند؛ چاه های اضافی، که اگر نمونه گیری نشوند، خطا تخمین سطح آب زیرزمینی آن ها قابل چشم پوشی است. این روش مبتنی بر روش ماشین بردار پشتیبان بر پایه تئوری یادگیری آماری است. در این مطالعه، با استفاده از اطلاعات کمی 63 چاه مشاهداتی و پارامترهای هواشناسی (بارندگی و تبخیر) دشت رامهرمز، در دوره 7 ساله، عملکرد مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM) در طراحی شبکه برداشت چاه های مشاهداتی آب زیرزمینی بررسی شد. ترکیب های مختلف پارامترهای اثرگذار بر تراز سطح آب زیرزمینی با استفاده از مدل LS-SVM ارزیابی شد. ترکیب برتر مدل LS-SVM دربرگیرنده شاخص های عملکرد (MAE= 0.3405 و 0.9992= R2) است. سپس، با استفاده از تابع تقریب بهینه، 42 عدد چاه مشاهداتی به منظور پایش مکانی مناسب در منطقه دشت رامهرمز مشخص شد.

تهیه ی نقشه حساسیت سیلاب ضروری و اولین قدم در کاهش خسارات ناشی از سیل می باشد. به علت کمبود اطلاعات در اکثر حوضه ها، بسیاری از تحقیقات از تکنیک های داده کاوی برای مطالعات هیدرولوژی به ویژه سیلاب استفاده می کنند. هدف این پژوهش، شناسایی مناطق حساس به سیل گیری با استفاده از مدل ماشین بردار پشتیبان (SVM) در حوضه نکارورد می باشد. بدین منظور از 12 پارامتر ژیومورفولوژیکی، هیدرولوژیکی و فیزیوگرافیکی شامل مقدار شیب، جهت شیب، طبقات ارتفاعی، دما، کاربری اراضی، بارندگی، تراکم و فاصله از گسل، تراکم و فاصله از آبراهه، تراکم و فاصله از جاده می باشند که در محیط نرم افزارهای ArcGIS، SAGA GIS و ENVI تهیه شدند. به منظور برداشت نقاط سیل گیر نیز از دستگاه GPS استفاده گردید. در نهایت همه متغیرها و نقاط برداشت شده با اندازه پیکسل یکسان (5/12 متر) با فرمت ASCII وارد نرم افزار R شدند. به منظور ارزیابی صحت مدل مذکور از محاسبه ویژگی های عامل نسبی (ROC) در محیط نرم افزار R استفاده شد. نتایج ارزیابی نشان داد که مدل SVM دقت مناسبی در شناسایی پهنه های حساس سیلاب در منطقه مورد مطالعه دارد. همچنین نتایج پژوهش حاضر نشان داد که مناطق حساس به سیل گیری بیشتر در بخش های شمالی و شمال غرب حوزه و در مناطقی قرار گرفته اند که تمرکز سکونتگاه های انسانی بیشتر است، در حالی که مناطق مرکزی حوضه که دارای پوشش گیاهی متراکم است، حساسیت کمی نسبت به سیل گیری دارند. نتایج این پژوهش می تواند به برنامه ریزان و محققان برای انجام اقدامات مناسب به منظور جلوگیری و کاهش خطر سیلاب در آینده کمک کند. همچنین می توان از آن به منظور شناسایی مناطق مناسب و امن برای توسعه های عمرانی استفاده کرد.

پیش بینی ظرفیت باربری شمع های تحت اثر بار محوری یکی از مسائل اساسی در مهندسی ژئوتکنیک می باشد و تاکنون روش های متفاوتی برای ارزیابی آن ارائه شده است. کارآیی روش های یادگیری ماشین در ارزیابی پدیده های ژئوتکنیکی در پژوهش های گوناگونی ذکر شده است. از جمله روش های یادگیری ماشین می توان به روش ماشین بردار پشتیبان (SVM) اشاره کرد. در این مقاله از یک مدل ماشین بردار پشتیبان مبتنی بر داده های آزمایش نفوذ مخروط (CPT) برای ارزیابی ظرفیت باربری نهایی شمع های تحت اثر بار محوری استفاده شده است. داده های مورد استفاده در این پژوهش، از مقالات منتشرشده، استخراج شده است و این داده ها شامل نتایج آزمون بارگذاری استاتیکی شمع در مقیاس واقعی، نتایج آزمایش نفوذ مخروط (CPT) در خاک محل و خواص هندسی شمع می باشد. با مقایسه نتایج به دست امده از مدل ارائه شده و مقادیر واقعی، کارایی مناسب مدل تایید می شود. در نهایت با تحلیل حساسیت، اثر هر یک از متغیرهای ورودی مدل نیز مورد بررسی قرار می گیرد.

در سال های اخیر روش های یادگیری ماشین به طور گسترده در مدل سازی مسائل علوم مختلف مورد استفاده قرار گرفته اند. روش ماشین بردار پشتیبان نیز یکی از روش های نسبتا جدید یادگیری ماشینی است که در مدل سازی مسائل مهندسی به طور موفقیت آمیز مورد استفاده قرار گرفته است. در این پژوهش از روش ماشین بردار پشتیبان برای پیش بینی مقاومت نهایی تیرورق های تحت اثر بارهای موضعی استفاده شده است. بارهای موضعی یکی از انواع بارگذاری ها است که می تواند سبب بروز ناپایداری و گسیختگی تیرورق ها شود. عوامل مهم و موثر در ناپایداری تیرورق ها، از قبیل کمانش جان وبال و ایجاد لهیدگی در محل اتصال بال به جان، باعث پیچیده شدن رفتار تیرورق ها می شود. به همین دلیل نتایج روش های نیمه تجربی موجود و یا نتایج تحلیل این مسئله با روش اجزای محدود همواره با خطاهای قابل توجهی همراه بوده است و نیاز به روش های کارآ تر هم چنان وجود دارد. در این مقاله از یک مجموعه داده شامل 126 نمونه از نتایج آزمایش های موجود برای گسترش مدل ماشین بردار پشتیبان استفاده شده است. این داده ها از مقالات منتشرشده استخراج شده اند و هر نمونه شامل مشخصات هندسی تیرورق، مشخصات بارگذاری و مشخصات مکانیکی مصالح تیر ورق می باشد. مقایسه نتایج حاصل از مدل های ارائه شده در این مقاله با مقادیر اندازه گیری شده، خطای متوسط کمتر از %7 را بر روی نمونه های آزمایش نشان می دهد و درنهایت مقایسه نتایج مدل های ارائه شده در این مقاله با یک روش سنتی متداول، برتری مدل SVM را تایید می کند.