3.1 Network I (Pylon Height)The goa

3.1 Network I (Pylon Height)
The goal of this network is to forecast the pylon height, given the following five input parameters: 1) the central span length; 2) the deck width; 3) the number of spans; 4) the type of bridge deck; and 5) the type of deck material. There were a total of 187 input-output sets. Out of these, the first 135 sets were used for training, and the remaining 52 sets were used for testing. In the training with samples of 135 data points, the convergence was achieved after the size of the hidden nodes has increased to 7 nodes (Fig. 3a) with an accuracy of 84.24%on test set. The best results were obtained using a learning rate of 0.70, a momentum ratio of 0.10, and a learning cycle of 2,250 epochs.
3.2 Network II (Deck Depth)
The function of this model is to forecast the depth of the deck based on these given input variables, (1) the central span length; (2) the deck width; (3) the number of spans; (4) the type of bridge deck; and (5) the type of deck material. This network was trained with 135 patterns and was tested using the other 78 patterns. After training of 135 data points, the best network was selected when the lowest error on test set was achieved. Based on error of the test samples, a network with 8 hidden nodes (Fig. 3b) was selected with an accuracy of 81.45%. The best results were obtained using a learning rate of 0.70, a momentum ratio of 0.10, and a learning cycle of 18,500 epochs.

Kết quả (Việt) 1:

3.1 mạng tôi (giá treo dưới cánh chiều cao)Mục tiêu của mạng lưới này là để dự báo chiều cao giá treo dưới cánh, được đưa ra sau năm nhập tham số: 1) giữa khoảng chiều dài; 2) chiều rộng sàn; 3) số lượng kéo dài; 4) loại cầu sàn; và 5) loại vật liệu sàn. Đã có tổng cộng 187 đầu vào-đầu ra bộ. Trong số này, lần đầu tiên 135 bộ đã được sử dụng cho đào tạo, và 52 bộ còn lại được sử dụng để thử nghiệm. Trong việc đào tạo với mẫu của 135 dữ liệu điểm, hội tụ đã đạt được sau khi kích thước của các nút ẩn đã tăng lên đến 7 nút (hình 3a) với độ chính xác của 84.24%on thử nghiệm thiết lập. Kết quả tốt nhất đã được thu được bằng cách sử dụng một tỷ lệ học tập 0,70, một tỷ lệ Đà 0,10, và một chu kỳ học tập của kỷ nguyên 2.250.3.2 mạng II (tầng sâu)Các chức năng của mô hình này là để dự báo độ sâu của tầng dựa trên các biến đầu vào cho trước, (1) chiều dài sải Trung tâm; (2) chiều rộng sàn; (3) số lượng kéo dài; (4) loại cây cầu sàn; và (5) loại vật liệu sàn. Mạng này được đào tạo với 135 mẫu và đã được thử nghiệm bằng cách sử dụng các mô hình 78 khác. Sau khi đào tạo của 135 dữ liệu điểm, mạng tốt nhất được chọn khi lỗi thấp nhất trên thiết lập thử nghiệm đã được thực hiện. Dựa trên lỗi của các mẫu thử nghiệm, một mạng lưới với 8 ẩn nút (hình 3b) được lựa chọn với độ chính xác của 81.45%. Kết quả tốt nhất đã được thu được bằng cách sử dụng một tỷ lệ học tập 0,70, một tỷ lệ Đà 0,10, và một chu kỳ học tập của kỷ nguyên 18.500.

Kết quả (Việt) 2:

3.1 Mạng I (Pylon Chiều cao)
Mục tiêu của mạng lưới này là để dự báo chiều cao tháp, được đưa ra năm thông số đầu vào sau đây: 1) chiều dài nhịp cầu trung tâm; 2) chiều rộng mặt cầu; 3) số lượng nhịp; 4) các loại mặt cầu; và 5) các loại vật liệu sàn. Có tổng cộng 187 bộ đầu vào-đầu ra. Trong số này, 135 bộ đầu tiên được sử dụng để đào tạo, và 52 bộ còn lại được sử dụng để thử nghiệm. Trong công tác đào tạo với các mẫu 135 điểm dữ liệu, sự hội tụ đã đạt được sau khi kích thước của các nút ẩn đã tăng lên đến 7 nút (Hình. 3a) với độ chính xác 84.24% trong bài kiểm tra bộ. Kết quả tốt nhất thu được bằng cách sử dụng một tỷ lệ học 0,70, tỷ lệ đà 0.10, và một chu kỳ học tập của thời đại 2250.
3.2 Mạng II (Deck Sâu)
Chức năng của mô hình này là để dự đoán độ sâu của tầng dựa trên những định biến đầu vào, (1) chiều dài nhịp cầu trung tâm; (2) chiều rộng mặt cầu; (3) số lượng nhịp; (4) các loại mặt cầu; và (5) các loại vật liệu sàn. Mạng lưới này được đào tạo với 135 mô hình và đã được thử nghiệm bằng cách sử dụng 78 mô hình khác. Sau khi đào tạo 135 điểm dữ liệu, mạng lưới tốt nhất đã được lựa chọn khi lỗi thấp nhất trong bài kiểm tra bộ đã đạt được. Căn cứ vào lỗi của các mẫu thử nghiệm, một mạng lưới với 8 nút ẩn (Hình. 3b) đã được lựa chọn với độ chính xác 81,45%. Kết quả tốt nhất thu được bằng cách sử dụng một tỷ lệ học 0,70, tỷ lệ đà 0.10, và một chu kỳ học tập của 18,500 thời đại.