جستجو در تالارهای گفتگو

سلام به همگی عزاداری همه قبول کسی اطلاعاتی در مورد Convolutional Networks داره ؟ کتاب یا آموزش ؟ خیلی ممنون میشم کسی چیزی داره راهنمایی کنه من یکسری منبع پیدا کردم : [Hidden Content] [Hidden Content] [Hidden Content] ولی بصورت مختصر رد میشن و بنظرم جالب نیومدن زیاد پیشایش از همه ممنونم

درود دوستان کسی هست که به شبکه های عصبی آشنایی داشته باشه؟؟

چكيده امروزه استفاده از شبكه‌هاي عصبي مصنوعي در رشته‌هاي مهندسي در حال افزايش است به‌طوري كه براي يك مهندس نحوه استفاده و عملكرد آن ضروري است. در اين مقاله ابتدا به توضيح مختصري درباره شبكه‌هاي عصبي مصنوعي مي‌پردازد و در نهايت به برخي از كاربردهاي آن در مهندسي معدن اشاره مي‌كنيم. شبكه‌هاي عصبي براي حل مسائلي به‌كار مي‌روند كه فرمول حل آنها ناشناخته است و مدل علت و معلولي يا براي آنها وجود ندارد و يا ابهام قابل ملاحظه‌اي در آن ديده مي‌شود، علت نبود روابط رياضي لازم براي تشريح چنين مسائلي اين است كه حتي خود مسئله به‌طور كامل و بدون ابهام شناخته شده است. در مهندسي معدن از شبكه‌هاي عصبي در زمينه‌هاي مختلفي از قبيل اكتشاف، تخمين ذخيره، مكانيك سنگ و كنترل فرآيند در كارخانه‌هاي فرآوري استفاده شده است، شبكه عصبي در مهندسي نفت هم چند كاربرد مخصوص هم دارد. كلمات كليدي: شبكه‌هاي عصبي مصنوعي، نرون، معدن، اكتشاف، مكانيك سنگ، فرآوري مواد معدني و دورسنجي. مقدمه فرض كنيد شما به عنوان يك مهندس معدن بر روي ميزان نفوذپذيري سنگ‌هاي مخزن سد آبي كار مي‌كنيد. تصور كنيد كه اطلاعاتي از قبيل تخلخل، جنس دانه‌ها، سيال پركننده حفرات، محيط رسوبي و فشار منفذي را در مورد چند نمونه سنگ كه توسط مغزه‌گيري به‌دست آمده داريد و نيز ميزان نفوذپذيري اين چند نمونه را هم با استفاده از روش‌هاي آزمايشگاهي مكانيك سنگ و معيارهاي مختلف در دسترس، محاسبه كرده‌ايد ولي هيچ‌گونه اطلاعي در مورد نحوه تاثير اين پارامترها بر ميزان نفوذپذيري سنگ‌ها نداريم پس ما اين اطلاعات و ميزان نفوذپذيري را به يك برنامه كامپيوتري مي‌دهيم حال كار اين برنامه تجزيه و تحليل‌هاي مشكلي است كه در نهايت منجر به يك مدل رياضي مي‌شود كه ما مي‌توانيم اطلاعات مربوط به يك سنگ جديد را به برنامه داده و برنامه به راحتي ميزان نفوذپذيري آن را به ما تحويل دهد، اين روند اساس كار شبكه‌هاي عصبي مصنوعي است. شبكه‌هاي عصبي مصنوعي در واقع از ساختارهاي بسيار پيچيده مغز انسان الهام گرفته شده است كه در آن ميليون‌ها سلول عصبي از طريق ارتباطي كه با هم دارند به حل مسائل يا ذخيره‌سازي اطلاعات مي‌پردازند. وظيفه شبكه عصبي يادگيري است. در واقع شبكه عصبي همانند كودك خردسالي است كه در ابتدا هيچ چيز نمي‌داند. در اين فرآيند ابتدا از طريق آموزش يا همان مرحله كسب تجربه كه به كمك يك‌سري داده‌هاي ورودي و خروجي مطلوب انجام مي‌پذيرد، اجرا مي‌شود به اين صورت كه مجموعه‌اي از ورودي‌ها و خروجي‌هاي درست به شبكه داده مي‌شود و شبكه عصبي با استفاده از اين ورودي‌ها (مثال‌ها) مول رياضي پيچيده‌اي مي‌سازد كه در صورت دادن ورودي‌هاي جديد، پاسخ درستي را توليد كند. ساختار شبكه عصبي همان‌طوري كه ذكر شد شبكه‌هاي عصبي مصنوعي از يك‌سري واحدهاي ساختماني اوليه تشكيل مي‌شوند كه با هم تركيب شده و پس از انجام عمليات پردازش، يك خروجي را به‌دست مي‌دهند. اين واحدهاي اوليه به هم متصل هستند به‌طوري كه خروجي هر واحد به‌عنوان ورودي واحدهاي ديگر مورد استفاده قرار مي‌گيرد. قواعد يادگيري شبكه‌هاي عصبي مصنوعي در حال حاضر تعداد بسيار زيادي قاعده يادگيري براي شبكه‌هاي عصبي وجود دارد. هيچ‌كس دقيقا تعداد آنها را نمي‌داند طبقه‌بندي‌هاي مختلفي براي شبكه‌هاي عصبي وجود دارد اول بايد بدانيم كه زماني به پروانه يادگيري نياز است كه اطلاعات كامل در مورد اهداف موجود نباشد، جايي كه مي‌دانيم به علت عدم قطعيت در شرايط محيطي، سيستمي كه داراي خواص يا پارامترهاي ثابت باشد به‌طور كامل عمل كند رفتار سيستم‌هاي يادگيري توسط الگوريتم‌هاي بازگشتي بيان مي‌شود به همين خاطر در اين الگوريتم‌ها كه قوانين يادگيري اطلاق مي‌شود و عموما توسط معادلات ديفرانسيلي بيان مي‌شود به پروسه يادگيري نياز است چون اطلاعات ارتباط ورودي و خروجي كاملا مشخص نيستند. مي‌دانيم كه تجربه‌ها در مسير زمان حاصل مي‌شوند به عبارت ديگر هيچ‌كس آينده خود را تجربه نكرده است ميزان يادگيري ما به درجه كامل بودن اطلاعات قبلي ما بستگي دارد در حالت كلي دو نوع يادگيري موجود است تحت نظارت و بدون نظارت. در يادگيري نظارتي به شبكه آموخته مي‌شود كه بين داده‌هاي آموزشي و خروجي‌هاي مربوط ارتباط برقرار كند در واقع يك معلم وجود دارد كه در مرحله يادگيري به شبكه مي‌گويد چقدر خوب كار مي‌كند (تقويت يادگيري) يا مي‌گويد رفتار صحيح چه بايد باشد (يادگيري كاملا نظارتي). در يادگيري بدون نظارت شبكه خودكار عمل مي‌كند. شبكه در اين حالت فقط به داده‌هايي كه به آن داده مي‌شود، نگاه مي‌كند، سپس بعضي از ويژگي‌هاي مجموعه داده‌ها را پيدا كرده و ياد مي‌گيرد كه اين ويژگي‌ها را در خروجي خود منعكس كند اينكه اين خصوصيات دقيقا چه هستند، به مدل خاص شبكه و روش يادگيري بستگي دارد. نوع ديگر طبقه‌بندي براساس توپولوژي سلول به يكديگر در داخل شبكه است كه به دو دسته تقسيم مي‌شوند شبكه‌هاي با تغذيه پيشرو و شبكه‌هاي با تغذيه برگشتي. در شبكه پيشرو اطلاعات ورودي (Input) را وارد كرده و به لايه‌ مياني (Hidden) و در نهايت به لايه خروجي (output) مي‌رود كه جواب ما در آنجا مشاهده مي‌شود كه در اين نوع توپولوژي لايه‌ها عينا به هم متصل هستند و حتما بايد يك پل ارتباطي بين آنها وجود داشته باشد و پرسشي نداريم و هميشه جهت اطلاعات از ورودي به خروجي است در حالي كه در شبكه برگشتي جهت جريان به‌صورت يك طرفه نيست بلكه چرخشي است كه اكثر شبكه‌هاي عصبي امروز مورد استفاده از نوع اول يعني تغذيه پيشرو است. معرفي روش پس انتشار رايج‌ترين تكنيك آموزش نظارتي، الگوريتم پس انتظار خطا است. يادگيري اين الگوريتم بر پايه قانون تصحيح خطا بنا شده است كه مي‌توان آن را تعميم الگوريتم مرسوم به حداقل ميانگين مربعات دانست. يادگيري از طريق اين روش (پس انتشار) دو مرحله دارد: مرحله پيشروي و مرحله بازگشت. در مرحله پيشروي ورودي‌ها به صورت لايه به لايه در شبكه پيش مي‌رود و در پايان يك‌سري خروجي به‌عنوان جواب حقيقي شبكه به‌دست مي‌آيد، در اين مرحله توازن اتصال ثابت است. در مرحله بازگشت، اوزان اتصال بر اساس قانون تصحيح خطا، تغيير مي‌كند. تفاضل پاسخ حقيقي شبكه و پاسخ مورد انتظار كه خطا ناميده مي‌شود در جهت مخالف اتصالات در شبكه منتشر مي‌شود و اوزان به‌گونه‌اي تغيير مي‌يابد كه پاسخ حقيقي شبكه به پاسخ مطلوب نزديكتر شود. مراحل الگوريتم پس انتشار را مي‌توان به صورت زير بيان كرد: شبكه يك مثال آموزشي را دريافت مي‌كند و با استفاده از اوزان موجود در شبكه كه در ابتدا به‌صورت تصادفي مقداردهي مي‌شود، خروجي‌ها را محاسبه مي‌كند. خطا يعني اختلاف بين نتيجه محاسبه شده (خروجي) و مقدار مورد انتظار محاسبه مي‌شود. خطا درون شبكه منتشر مي‌شود و اوزان براي حداقل كردن خطا از نو تنظيم مي‌شوند. مهمترين بخش تنظيم اوزان است كه پس از محاسبه خطاي پيشگويي براي نمونه اول ورودي به سيستم، وزن‌ها از آخرين لايه به سوي نخستين لايه به تدريج طوري تغيير مي‌كنند كه خطاي پيشگويي كمتر مي‌شود. در واقع BP سرشكن كردن خطا بر روي سلول‌هاي (گره‌هاي) يك لايه و نيز لايه بعدي است پس از اين اطلاعات نمونه دوم به شبكه خوانده مي‌شود مسلما با همان وزن‌ها نمونه جديد مجددا خطا خواهد داشت. بنابراين روش توزيع معكوس مجددا دست به كار شده و وزن‌ها را طوري تغيير مي‌دهد كه كمترين خطا را (هم براي اين نمونه و هم براي نمونه قبلي) ايجاد كند به اين ترتيب پس از خواندن تعداد نمونه كافي به ورودي شبكه، اصطلاحا شبكه Converge يا همگرا شده يعني ميزان خطا به حداقل تعداد خود مي‌رسد. اين به معناي موفقيت در مرحله يادگيري است و شبكه آماده است تا براي مرحله پيشگويي به‌كار ‌رود. توجه به اين نكته اهميت دارد كه اگر تعداد نرون‌ها و لايه پنهان مورد استفاده، بيش از حد معمول باشد، سيستم به جاي تجزيه و تحليل داده‌ها آنها را حفظ مي‌كند و اصطلاحا دچار over Training (over Fitting Oscillation) مي‌شود. در اين حالت مدل به‌دست آمده قادر خواهد بود كه داده‌هاي مشابهي را كه در مرحله يادگيري مورد استفاده قرار گرفته را دقيقا پيش‌بيني كند. اما اگر داده‌هاي جديدي كه در مرحله آموزش از آنها استفاده شده، به‌كار گرفته شود، سيستم عملكرد بسيار بدي را خواهد داشت و خطاي پيش‌بيني زياد خواهد شد. به‌منظور جلوگيري از اين پديده از روش اعتبارسنجي متقاطع استفاده مي‌شود در اين تكنيك مجموعه داده‌هاي اوليه به سه دسته آموزش، تست و اعتبار تقسيم‌بندي مي‌شوند اعتبار شبكه همزمان با آموزش در هر دور سنجيده مي‌شود و درست وقتي كه خطا روي داده‌هاي اعتبار شروع به بالا رفتن مي‌كند، آموزش شبكه قطع مي‌شود. تفاوت روش محاسباتي متداول با روش محاسباتي شبكه‌هاي عصبي در روش‌هاي معمولي، گام‌هاي محاسباتي از پيش تعيين شده و داراي توالي منطقي هستند، در مقايسه ANN‌ها نه توالي دارند و نه الزاما از پيش تعيين شده هستند در اين حالت پردازشگرهاي پيچيده مركزي وجود ندارند، بلكه تعداد زيادي پردازشگر ساده وجود دارد كه كاري جز گرفتن جمع وزني ورودي‌هايشان از ديگر پردازشگرها ندارند. مدل‌سازي كلاسيك از نخستين قدم خطاي بزرگي را مرتكب مي‌شود كه فقط در سيستم‌هاي ساده (خطي يا نزديك به خطي) قابل صرف‌نظر است. نخستين قدم در روش كلاسيك براي بررسي داده‌ها، بررسي شاخص‌هايي مثل ميانگين، انحراف معيار و... است. از اين مرحله به بعد در روش كلاسيك، كاري با تك‌تك نمونه‌ها نداريم و اهميت فردي آنها از بين مي‌رود. در واقع روش كلاسيك با عملي شبيه همگن كردن داده‌ها، پيچيدگي‌ روابط آنها را محو مي‌كند و به اين دليل از كشف اين پيچيدگي‌ها باز مي‌ماند. به اين دليل ترتيب سيستم كلاسيك در استخراج معني از داده‌هاي ضعيف و با بازده پايين عمل مي‌كند و در بسياري از موارد از كشف روابط بين داده‌ها ناكام مي‌ماند. اگر مي‌توانستيم سيستمي داشته باشيم كه با اهميت دادن به فردفرد داده‌ها آنها را تجزيه و تحليل كند و نيز بدون پيش‌داوري در مورد شكل تابع هر پارامتر (خطي يا غيرخطي بدون تابع) آن را ذخيره و ارزيابي كند، چنين سيستمي مي‌توانست نتايج بيشتري را از عمق داده‌ها بيرون بكشد. شبكه‌هاي عصبي مصنوعي اين قابليت را دارند و به همين خاطر بسيار مورد توجه قرار گرفته‌اند.

چکیده : در این پژوهش ، به کمک منطق فازی و شبکه های عصبی (مدل ANFIAS) به تعیین لیتولوژی مخازن، با استفاده از داده های چاه پیمایی، تعیین می شود. بی شک مزایای قابل توجه چاه پیمایی نسبت به سایر مطالعات همچون آنالیز مغزه بر همگان آشکار است، اما تفسیر لاگ های چاه پیمایی به عنوان مهم ترین قسمت این عملیات، از موارد چالش برانگیز می باشد. در این پژوهش، این تفسیر جهت تعیین لیتولوژی بر عهده ی منطق فازی و شبکه های عصبی در مدل ANFIS قرار داده شد. مزیت این پژوهش در امر مدل سازی ، کد نویسی به جای استفاده از جعبه ابزارهای موجود می باشد که امکان کنترل بیشتر مسئله را فراهم می کند، که در آن تاثیر پارامتر های مختلف منطق فازی و شبکه ی عصبی در بهینه سازی عملکرد مدل، بررسی گردید. مقایسه نتایج این مدل سازی ، نشان می دهد مدل فازی ANFIS به خوبی قادر به تعیین لیتولوژی و جداسازی آن از ماسه تا رس با ابعاد مختلف می باشد. ارائه دهندگان : محمد صابر کرم بیگی، زهرا حکمت، علی محبی، حسین نظام آبادی پور دانشکده ی فنی و مهندسی، دانشگاه شهید باهنر کرمان محل ارائه : دومین کنگره ملی مهندسی نفت ایران تاریخ انتشار : بهمن 86 تعداد صفحه : 9 [Hidden Content]

چکیده : ترکیب آنسامبلی (Ensemble Combination) شبکه¬های عصبی مصنوعی (ANNs)، نوعی از ماشین-های کمیته¬ای (Committee Machine) است که در این تحقیق ، از آن برای تخمین تخلخل موثر سنگ مخزن استفاده گردید. داده¬های نگارهای پتروفیزیکی چاه¬های شماره 1 ،3 ،6 ،9 و13میدان فوق عظیم پارس جنوبی دربخش¬های گازی k-1 و k-2 از سازند کنگان جهت مطالعه موردی انتخاب شد. چاه¬های شماره 1 ،3 و 13 برای آموزش و چاه¬های شماره 6 و9 برای ارزیابی توان تعمیم شبکه¬ها بکار رفت. نگارهای صوتی، چگالی، گاما ونوترون ، بعنوان ورودی وتخلخل موثر، بعنوان خروجی شبکه¬ها در نظر گرفته شد. با انجام یک مرحله طولانی آزمون و خطا ، 5 شبکه سه¬لایه با الگوریتم آموزشی پس¬انتشار خطا ، که بهترین توان تعمیم را داشتند ، برای ساخت ترکیب آنسامبلی انتخاب شدند. بهترین شبکه این مجموعه ، شبکه¬ای با ساختار 1-4-4 می¬باشد که در مرحله تعمیم ، ضریب همبستگی آن 38/98 درصد و جذر میانگین مربعات خطای آن 2930/1 گردید. با استفاده از دو روش میانگین¬گیری ساده و الگوریتم MSE-OLC ، 26 ترکیب آنسامبلی ممکن این مجموعه5 شبکه¬ای ، ساخته شدند و نتایج آن¬ها با نتایج بهترین شبکه منفرد مقایسه گردید. بهترین ترکیب آنسامبلی حاصل ، ترکیب شبکه¬های شماره 1 ،2 ،4 و 5 به روش MSE-OLC است که در مرحله تعمیم ، ضریب همبستگی آن 55/98 درصد و جذر میانگین مربعات خطای آن 2343/1 بدست آمد. به این ترتیب ، ترکیب آنسامبلی ، RMS تخمین را برای داده¬های اعتبارسنجی ، 54/4 درصد کاهش داد ارائه دهندگان : 1-محمود ذاکری،دانشجوی دانشگاه صنعتی شاهرود 2- ماشاءا... رحیمی ، مدیریت اکتشاف شرکت ملی نفت ایران 3- ابوالقاسم کامکار،استادیار دانشگاه صنعتی شاهرود 4-علی¬اکبر پویان،استادیار دانشگاه صنعتی شاهرود محل ارائه : دومین کنگره ملی مهندسی نفت ایران تاریخ انتشار : بهمن 86 تعداد صفحه : 11 [Hidden Content]

چکیده : از روشهای موجود در منابع مختلف برای بدست آوردن توزیع نفوذپذیری,روش رگراسیون چندگانه (Multiple Regression) است که سعی بر آن دارد تا بین پارامترهای تاثیرگذاراعم ازنمودارهای مختلف (well logs) و نفوذپذیری رابطه خطی چندگانه برقرارکند.استفاده ازشبکه های عصبی در صنعت نفت به خصوص در تخمین میزان نفوذپذیری به صورت موفقیت آمیزی انجام شده است.با این وجود, اینکه چه پارامتری باید خروجی شبکه عصبی باید قرار گیرد نیزپاسخ داده نشده است.در این مطالعه ابتدا با استفاده ازاطلاعات آموزشی سه چاه مدل رگراسیون چندگانه بدست می آید و بااستفاده ازآن توزیع نفوذپذیری برای دوچاه آزمایشی محاسبه میشود. در قسمت دیگربا استفاده ازشبکه های عصبی واطلاعات سه چاه آموزشی,میزان تخلل برای دوچاه آزمایشی محاسبه می شود.سپس تخلل محاسبه شده به عنوان یک المان (element) به اطلاعات ورودی اضافه می شود.بعد ازآن نفوذپذیری هم به صورت مستقیم وهم به صورت غیرمستقیم و با استفاده ازپارامتر RQI محاسبه می شود. سپس پارامتری که با آن نفوذپذیری با میزان خطای کمتر محاسبه شده است به عنوان پارامتر هدف برای ادامه مطالعه مورد استفاده قرار می گیرد. در آخر نتایج محاسبه نفوذپذیری با استفاده ازشبکه های عصبی با نتایج حاصله ازروش رگراسیون چندگانه مقایسه می شود. ارائه دهندگان : منصورشیرعلی پور-دانشجوی کارشناسی ارشد-دانشکده صنعت نفت تهران محل ارائه : دومین کنگره ملی مهندسی نفت ایران تاریخ انتشار : بهمن 86 تعداد صفحه : 13 [Hidden Content]