سایپرز، باشگاه دانش - ارائه دهنده مقالات ژورنالهای خارجی

اطلاعات و مشخصات مقاله

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


عنوان مقاله:سانتریفوژ مدل سازی پایه های بادی دریایی تحت بارگذاری زلزله
ناشر: [ Elsevier BV ]
ژورنال
دوره (شماره): (0)
سال انتشار:March 2014
شماره صفحات: 303830-38
نشانگر دیجیتالی شیء:[ 10.1016/j.autcon.2013.10.024 ]
شما اینجا هستید:
  1. Scipers, the Knowledge ClubScipers »
  2. Elsevier BV »
  3. Automation In Construction »
  4. Predicting the maintenance cost of construction equipment: Comparison between general regression neural network and Box–Jenkins time series models

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: 54.226.73.255

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

Predicting The Maintenance Cost Of Construction Equipment: Comparison Between General Regression Neural Network And Box–Jenkins Time Series Models


مقاله: سانتریفوژ مدل سازی پایه های بادی دریایی تحت بارگذاری زلزله

نويسند‌گان:


خلاصه مقاله:


This paper presents a comparative study on the applications of general regression neural network (GRNN) models and conventional Box–Jenkins time series models to predict the maintenance cost of construction equipment. The comparison is based on the generic time series analysis assumption that time-sequenced observations have serial correlations within the time series and cross correlations with the explanatory time series. Both GRNN and Box–Jenkins time series models can describe the behavior and predict the maintenance costs of different equipment categories and fleets with an acceptable level of accuracy. Forecasting with multivariate GRNN models was improved significantly after incorporating parallel fuel consumption data as an explanatory time series. An accurate forecasting of equipment maintenance cost into the future can facilitate decision support tasks such as equipment budget and resource planning, equipment replacement, and determining the internal rate of charge on equipment use.


این مقاله یک مطالعه تطبیقی ​​در برنامه های کاربردی از رگرسیون عمومی شبکه عصبی (GRNN) مدل ها و مدل های سری زمانی جعبه-جنکینز معمولی برای پیش بینی هزینه های تعمیر و نگهداری از تجهیزات ساخت و ساز. مقایسه بر سری های زمانی کلی فرض تجزیه و تحلیل است که مشاهدات در زمان تعیین توالی داشته همبستگی سریال در سری زمانی و ارتباط متقابل با سری های زمانی توضیحی است. مدل های سری زمانی هر دو GRNN و جعبه-جنکینز می توانید رفتار توصیف و پیش بینی هزینه های نگهداری از دسته ها و ناوگان تجهیزات مختلف با سطح قابل قبولی از دقت و صحت. پیش بینی با مدل های GRNN چند متغیره پس از ترکیب داده های مصرف سوخت موازی به عنوان یک سری زمانی توضیحی قابل توجهی بهبود یافته بود. پیش بینی دقیق هزینه های تعمیر و نگهداری تجهیزات به آینده می تواند وظایف پشتیبانی تصمیم گیری مانند بودجه تجهیزات و برنامه ریزی منابع، جایگزینی تجهیزات و تعیین نرخ های داخلی از اتهام در مورد استفاده از تجهیزات را تسهیل میکند.


كلمات كليدي:

Construction equipment, General regression neural network, Maintenance management, Time series analysis
تجهیزات ساخت و ساز, رگرسیون عمومی شبکه عصبی , مدیریت تعمیر و نگهداری, تجزیه و تحلیل سری زمان


موضوعات:

Building and Construction, Civil and Structural Engineering, Control and Systems Engineering



[ ]

فهرست مقالات مرتبط و مشابه

  1. Yu, Hao, Zeng, Xiangwu, Li, Bo, Lian, Jijian (2015) 'Centrifuge modeling of offshore wind foundations under earthquake loading', Soil Dynamics and Earthquake Engineering, Elsevier BV, pp:402-415
  2. BuHamra, Sana, Smaoui, Nejib, Gabr, Mahmoud (2003) 'The Box–Jenkins analysis and neural networks: prediction and time series modelling', Applied Mathematical Modelling, Elsevier BV, pp:805-815
  3. Ho, S.L, Xie, M, Goh, T.N (2002) 'A comparative study of neural network and Box-Jenkins ARIMA modeling in time series prediction', Computers & Industrial Engineering, Elsevier BV, pp:371-375
  4. (2016) 'Box-Jenkins Time Series Models', SpringerReference, Springer Nature, pp:0-0
  5. , (2016) 'Forecasting construction output: a comparison of artificial neural network and Box-Jenkins model', Engineering, Construction and Architectural Management, Emerald, pp:302-322
  6. , (1985) 'A comparison of Box-Jenkins time series models with autoregressive processes', IEEE Transactions on Systems, Man, and Cybernetics, Institute of Electrical & Electronics Engineers (IEEE), pp:252-259
  7. Anderson, O. D. (1977) 'The Interpretation of Box-Jenkins Time Series Models', The Statistician, JSTOR, pp:127-0
  8. Yegui Xiao, , Doi, Kazunari, Ikuta, Akira, Jing Wang, (2012) 'A time series prediction model using constructive neural network', 2012 IEEE 11th International Conference on Cybernetic Intelligent Systems (CIS), Institute of Electrical and Electronics Engineers (IEEE), pp:0-0
  9. , (1979) 'On Warming-Up Time Series Simulations Generated by Box-Jenkins Models', The Journal of the Operational Research Society, JSTOR, pp:587-0
  10. Anderson, O. D. (1979) 'On Warming-Up Time Series Simulations Generated by Box-Jenkins Models', J Oper Res Soc, Nature Publishing Group, pp:587-589

 

فهرست مراجع و منابع




 

برگشت به بالا
× 🎁
رونمایی از اولین و تنها ربات تلگرامی جستجوی مقالات ژورنالی
×