The results indicate a high accurac

The results indicate a high accuracy in all output parameters except for the prediction of the deck depth that produces a discrepancy of 39 %. The reason can be explained as follows. In this specific case, the depth of the deck is not really a degree of freedom to vary. The owner of the bridge, the Bangkok Metropolitan Administration, specified that the depth of the deck for this bridge cannot be greater than 2.50 m. to allow for navigation clearance. To permit a shallow girder, a larger number of stay cables with smaller spacing is necessary to reduce girder bending moments [2,3].
A modification was further made to allow the specification of the deck depth as input. The specific network that predicts the pylon height is selected for this test because of its inferior accuracy compared with the other networks. Basically, in addition to the other input variables, the deck depth is adopted as an additional input variable to predict the pylon height. The refined architecture of the modified network results in 4 nodes in the hidden layer. The best result was obtained with a learning rate of 0.70, a momentum ratio of 0.10, and a learning cycle of 13,000 epochs. The actual outputand output as obtained from this new model are shown in the Table 2.

Kết quả (Việt) 1:

Các kết quả cho thấy một độ chính xác cao trong tất cả các tham số đầu ra ngoại trừ dự đoán của chiều sâu boong tạo ra một sự khác biệt của 39%. Nguyên nhân có thể được giải thích như sau. Trong trường hợp cụ thể này, độ sâu của tầng không phải một mức độ tự do thay đổi. Chủ sở hữu của cây cầu, chính quyền vùng đô thị Bangkok, chỉ ra rằng độ sâu của tầng cho cây cầu này không thể lớn hơn m. 2,50 cho phép cho điều hướng giải phóng mặt bằng. Để cho phép một dầm nông, một số lớn hơn của trú cáp với khoảng cách nhỏ hơn là cần thiết để giảm dầm uốn khoảnh khắc [2,3].Một sửa đổi đã tiếp tục được thực hiện để cho phép đặc điểm kỹ thuật của tầng sâu như đầu vào. Mạng cụ thể dự báo chiều cao thân được chọn cho phần thi này bởi vì độ chính xác kém hơn so với các mạng khác. Về cơ bản, ngoài các biến đầu vào khác, sâu sàn được chấp nhận như là một biến đầu vào bổ sung để dự đoán cao giá treo dưới cánh. Kiến trúc tinh tế của các kết quả lần mạng trong 4 nút trong lớp ẩn. Nhận được kết quả tốt nhất với một tỷ lệ học tập 0,70, một tỷ lệ Đà 0,10, và một chu kỳ học tập của kỷ nguyên 13.000. Đầu ra thực tế outputand như thu được từ các mô hình mới này được hiển thị trong bảng 2.

Kết quả (Việt) 2:

Kết quả cho thấy độ chính xác cao trong tất cả các thông số đầu ra trừ các dự đoán của các tầng sâu mà tạo ra một sự khác biệt là 39%. Lý do có thể được giải thích như sau. Trong trường hợp cụ thể này, độ sâu của các tầng là không thực sự là một mức độ tự do để thay đổi. Chủ sở hữu của cây cầu, Hội đồng Đô thị Bangkok, quy định rằng độ sâu của các tầng cho cây cầu này không thể lớn hơn 2,50 m. cho phép giải phóng mặt bằng hướng. Cho phép một dầm nông, một số lượng lớn cáp dây văng với khoảng cách nhỏ hơn là cần thiết để giảm dầm uốn khoảnh khắc [2,3].
Một sự thay đổi đã được tiếp tục thực hiện để cho phép các đặc điểm kỹ thuật của chiều sâu tầng như đầu vào. Mạng cụ thể mà dự đoán chiều cao tháp được chọn để thử nghiệm này vì độ chính xác của nó kém hơn so với các mạng khác. Về cơ bản, ngoài các biến đầu vào khác, độ sâu tầng được thông qua như là một biến đầu vào bổ sung để dự đoán chiều cao tháp. Các kiến trúc tinh tế của các kết quả mạng lưới sửa đổi trong 4 nút trong lớp ẩn. Kết quả tốt nhất thu được với một tỷ lệ học 0,70, tỷ lệ đà 0.10, và một chu kỳ học tập của 13.000 kỷ nguyên. Sản lượng outputand thực tế là thu được từ mô hình mới này được thể hiện trong Bảng 2.