Dergiler / Konya Journal of Engineering Sciences / 2006 / Cilt: 21 Sayı: 1

ÇATI DÖŞEMESİNDE MEYDANA GELEN YOĞUŞMA VE BUHARLAŞMA KÜTLELERİNİN YAPAY SİNİR AĞLARI İLE TAHMİN EDİLMESİ

Estimation of Masses of Condensation and Evaporation Occured in Roof Floor by Artificial Neural Networks

Sayfa
49–56
Yayın Tarihi
2006-03-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ağdan elde edilen çıkışlar daha önce elde edilen sonuçlarla karşılaştırılmış ve sonuçların yeterli hassasiyette olduğu görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, betonarme çatı döşemesinde zamanla meydana gelen yoğuşma ve buharlaşma kütleleri ile ilgili uygulamalar yapay sinir ağları kullanılarak çözülmüştür.
📊
Temel Bulgular & Veri:Eğitim ve test seti için farklı değerler kullanılmıştır.
💡
Sonuç & Katkı:Ağdan elde edilen çıkışlar daha önce elde edilen sonuçlarla karşılaştırılmış ve sonuçların yeterli hassasiyette olduğu görülmüştür.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay sinir ağları · betonarme çatı döşemesi · yoğuşma kütlesi

Özet

Bu çalışmada, betonarme çatı döşemesinde zamanla meydana gelen yoğuşma ve buharlaşma kütleleri ile ilgili uygulamalar yapay sinir ağları kullanılarak çözülmüştür. Bu uygulamalarda geri yayılımlı sinir ağı kullanılmıştır. Eğitim ve test seti için farklı değerler kullanılmıştır. Giriş ve çıkış değerleri normalize edilerek ağa verilmiştir. Ağdan elde edilen çıkışlar daha önce elde edilen sonuçlarla karşılaştırılmış ve sonuçların yeterli hassasiyette olduğu görülmüştür.

Abstract

In this study, the application related to masses of condensation and evaporation occured with time in reinforced concrete roof floor have been solved by using artificial neural networks. In aplications solved a backpropagation neural network has been used. The different values have been used for the training and test. The values of input and output of the network have been given to network after being normalized. The result obtained from the output of network has been compared with the result obtained before and the suitability of the results have been discussed and it was seen that the results were satisfactory enough.

🔖

Bu Makaleye Atıf Yap

KELEŞOĞLU, Ö., FİRAT, A. (2006). ÇATI DÖŞEMESİNDE MEYDANA GELEN YOĞUŞMA VE BUHARLAŞMA KÜTLELERİNİN YAPAY SİNİR AĞLARI İLE TAHMİN EDİLMESİ. Konya Journal of Engineering Sciences, Cilt: 21 Sayı: 1, 49–56. https://ajindex.com/articles/909686

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (7)

  1. Bildik, A. T., 1998, Normal Basınç Dayanımlı Beton Karışımlarının Yapay Sinir Ağları ile Hesaplanması, Yüksek Lisans Tezi, Fırat Üniversitesi Fen Bilimleri Enstitüsü, 49s. Bimal, A., Mutsuyoshi, H., 2004, Artificial neural networks for the prediction of hear capacity of steel plate strengthened RC beams, Construction and Building Materials, 18, 6, 409-417.
  2. Civalek, Ö., 1998, Plak ve Kabukların Nöro-Fuzzy Tekniği ile Lineer ve Non-Lineer Statik Dinamik Analizi, Yüksek Lisans Tezi, Fırat Üniversitesi, Elazığ, 101s. Elmas, Ç., 2003, Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama), Seçkin Yayıncılık, Ankara, 192s. Ghaboussi, J., Garett, J.H., Wu, X., 1991, Knowledge-based modeling of material behavior with neural networks, J. Eng. Mech. ASCE, 117, 132-153.
  3. Karakoç, T.H., Binyıldız, E., Turan, O., 1999,
  4. Binalarda ve Tesisatta Isı Yalıtımı, ODE Teknik Yayınları No: G 20, 212s. Keleşoğlu, Ö., Ekinci C.E., Fırat, A., 2005, Yalıtım Hesaplarında Yapay Sinir Ağlarının Kullanımı, Sigma Dergisi, 3, 58-66.
  5. Oreta, A.W.C., Kawashima, K., 2003, Neural network modeling of confined compressive strength and strain of circular concrete columns, Journal of Structural Engineering, 129, 4, 554-561.
  6. Özbay, Y., 1999,
  7. EKG Aritmilerini Hızlı Tanıma, Doktora Tezi, 128s. Waszczyszyn, Z., Bartczak, M., 2002, Neural prediction of buckling loads of cylindrical shells with geometrical imperfections, International Journal of Non-Linear Mechanics, 37, 4-5, 763-775.