سایپرز، باشگاه دانش - ارائه دهنده مقالات ژورنالهای خارجی

اطلاعات و مشخصات مقاله

[ 60 | جستجو | فهرست کلمات کلیدی | فهرست موضوعات | فهرست نویسندگان | فهرست ناشران | فهرست ژورنالها ]


عنوان مقاله:Markdown و قیمت گذاری نشانه گذاری سیاست های آنلاین بهینه با عدم اطمینان تقاضا
ناشر: [ Elsevier BV ]
ژورنال
دوره (شماره):39 (17)
سال انتشار:1 September 2015
شماره صفحات: 521652295216-5229
نشانگر دیجیتالی شیء:[ 10.1016/j.apm.2015.03.036 ]
شما اینجا هستید:
  1. Scipers, the Knowledge ClubScipers »
  2. Elsevier BV »
  3. Applied Mathematical Modelling »
  4. Material behavior modeling with multi-output support vector regression

دسترسی بین المللی

اگر شما در داخل کشور (ایران) هستید و این صفحه را مشاهده می کنید، نشان می دهد که IP شما به هر دلیلی در لیست IP های ایران ثبت نشده است. برای رفع این مشکل کافی است IP خود را که در پایین این پیام درج شده از طریق آدرس ایمیل support@scipers.com به ما اطلاع دهید. پس از دریافت درخواست، کارشناسان فنی موضوع را بررسی می نمایند و در صورتی که محل اتصال شما از کشور ایران بوده باشد، به لیست استفاده کنندگان مجاز افزوده می شوید.
IP: 3.84.130.252

اطلاعات استنادی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

 

به اشتراک گذاری

این صفحه را با استفاده از انواع شبکه های اجتماعی با دوستان خود به اشتراک بگذارید.

خلاصه مقاله، نویسندگان و کلمات کلیدی

Material Behavior Modeling With Multi-output Support Vector Regression


مقاله: markdown و قیمت گذاری نشانه گذاری سیاست های آنلاین بهینه با عدم اطمینان تقاضا

نويسند‌گان:


خلاصه مقاله:


Based on neural network material-modeling technologies, a new paradigm, called multi-output support vector regression, is developed to model complex stress/strain behavior of materials. The constitutive information generally implicitly contained in the results of experiments, i.e., the relationships between stresses and strains, can be captured by training a support vector regression model within a unified architecture from experimental data. This model, inheriting the merits of the neural network based models, can be employed to model the behavior of modern, complex materials such as composites. Moreover, the architectures of the support vector regression built in this research can be more easily determined than that of the neural network. Therefore, the proposed constitutive models can be more conveniently applied to finite element analysis and other application fields.As an illustration, the behaviors of concrete in the state of plane stress under monotonic biaxial loading and compressive uniaxial cycle loading are modeled with the multi-output and single-output support regression respectively. The excellent results show that the support vector regression provides another effective approach for material modeling.


بر اساس شبکه فن آوری مواد مدل سازی عصبی، یک پارادایم جدید، به نام رگرسیون بردار پشتیبانی از چند خروجی، توسعه داده شده است به مدل های پیچیده رفتار تنش / کرنش مواد. اطلاعات سازنده به طور کلی به طور ضمنی در نتایج حاصل از آزمایش های موجود، به عنوان مثال، روابط بین تنش ها و سویه های، را می توان با آموزش یک مدل رگرسیون بردار پشتیبانی درون معماری یکپارچه از داده های تجربی دستگیر شده است. این مدل، وارث شایستگی از مدل مبتنی بر شبکه عصبی، می توان به مدل رفتار مدرن، مواد پیچیده ای مانند کائوچو و مواد مرکب استفاده شده است. علاوه بر این، معماری از رگرسیون بردار پشتیبانی ساخته شده است در این تحقیق می تواند به راحتی از شبکه های عصبی تعیین می شود. بنابراین، مدل ساختاری پیشنهادی می تواند به راحتی بیشتر به تجزیه و تحلیل المان محدود و دیگر fields.As برنامه یک تصویر اعمال می شود، رفتار بتن در حالت تنش صفحه تحت بارگذاری یکنواخت دو محوره و فشاری تک محوری در حال بارگذاری چرخه با چند خروجی مدل و تک خروجی رگرسیون به ترتیب پشتیبانی می کند. نتایج بسیار خوبی نشان می دهد که رگرسیون بردار پشتیبانی یکی دیگر از روش های موثر برای مدل سازی مواد را فراهم می کند.


كلمات كليدي:

Material modeling, Training , Material modeling, Multi-support vector regression, Training
مدل سازی مواد , آموزش , مدل سازی مواد , رگرسیون بردار چند پشتیبانی, آموزش


موضوعات:

Modelling and Simulation, Applied Mathematics



[ ]

فهرست مقالات مرتبط و مشابه

  1. Ni, Guanqun, Luo, Li, Xu, Yinfeng, Xu, Jiuping (2015) 'Optimal online markdown and markup pricing policies with demand uncertainty', Information Processing Letters, Elsevier BV, pp:804-811
  2. Gensheng, Hu, Dong, Liang (2008) 'Multi-output Support Vector Machine Regression and Its Online Learning', 2008 International Conference on Computer Science and Software Engineering, Institute of Electrical and Electronics Engineers (IEEE), pp:0-0
  3. , (2016) 'Mark-Up Pricing Under Demand Uncertainty', SSRN Electronic Journal, Social Science Electronic Publishing, pp:0-0
  4. Hennessy, David A. (2006) 'Multi-output firm under price uncertainty', Journal of Economics and Business, Elsevier BV, pp:181-201
  5. Wong, Kit Pong (2013) 'Optimal Two-Part Pricing under Demand Uncertainty', Managerial and Decision Economics, Wiley-Blackwell, pp:423-432
  6. Steglich, Uwe, Bauschert, Thomas, Büsing, Christina, Kutschka, Manuel (2013) 'A Generic Multi-layer Network Optimization Model with Demand Uncertainty', Lecture Notes in Computer Science, Springer Berlin Heidelberg, pp:13-24
  7. Lohr, Luanne, Park, Timothy A. (1998) 'Optimal Markup Decisions under Demand Uncertainty', Canadian Journal of Agricultural Economics/Revue canadienne d'agroeconomie, Wiley-Blackwell, pp:221-232
  8. , (2013) 'A simulation-based algorithm for optimal pricing policy under demand uncertainty', Intl. Trans. in Op. Res., Wiley-Blackwell, pp:737-760
  9. Bedi, Amrit S., Rajawat, Ketan (2016) 'Online load scheduling under price and demand uncertainty in smart grid', 2016 International Conference on Signal Processing and Communications (SPCOM), Institute of Electrical and Electronics Engineers (IEEE), pp:0-0
  10. (2018) 'Optimal Two-Part Pricing Under Demand Uncertainty', Firms` Strategic Decisions Theoretical and Empirical Findings, BENTHAM SCIENCE PUBLISHERS, pp:-

 

فهرست مراجع و منابع




 

برگشت به بالا
× 🎁 تخفیف ویژه تابستان ☀️
رونمایی از اولین و تنها ربات تلگرامی جستجوی مقالات ژورنالی
×