مقدمه ای بر تحلیل اجزاء محدود با استفاده از نرم افزارهای متلب و آباکوس

کتاب مقدمه ای بر تحلیل اجزاء محدود با استفاده از نرم افزارهای MATLAB & ABAQUS، یکی از کتاب های مفید و کاربردی در زمینه تحلیل اجزاء محدود با استفاده از دو نرم افزار معروف متلب و آباکوس می باشد. این کتاب مشتمل بر 11 فصل، 485 صفحه، به زبان انگلیسی روان، تایپ شده، به همراه تصاویر، روابط مهم ریاضی و فرمول های مهم اجزاء محدود، با فرمت PDF، به ترتیب زیر گردآوری شده است:

Chapter 1: Introduction

• Prologue
• Finite Element Analysis and the User
• Aim of the Book
• Book Organization

Chapter 2: Bar Element

• Introduction
• One-Dimensional Truss Element
• Global Stiffness Matrix Assembly
• Boundary Conditions
• Solution of the System of Equations
• Support Reactions
• Members’ Forces
• Computer Code: truss.m
• Problems
• Analysis of a Simple Truss with Abaqus

Chapter 3: Beam Element

• Introduction
• Stiffness Matrix
• Uniformly Distributed Loading
• Internal Hinge
• Computer Code: beam.m
• Problems
• Analysis of a Simple Beam with Abaqus

Chapter 4: Rigid Jointed Frames

• Introduction
• Stiffness Matrix of a Beam–Column Element
• Stiffness Matrix of a Beam–Column Element in the Presence of Hinged End
• Global and Local Coordinate Systems
• Global Stiffness Matrix Assembly and Solution for Unknown Displacements
• Computer Code: frame.m
• Analysis of a Simple Frame with Abaqus

Chapter 5: Stress and Strain Analysis

• Introduction
• Stress Tensor
• Deformation and Strain
• Stress–Strain Constitutive Relations
• Solved Problems

Chapter 6: Weighted Residual Methods

• Introduction
• General Formulation
• Galerkin Method
• Weak Form
• Integrating by Part over Two and Three Dimensions (Green Theorem)
• Rayleigh Ritz Method

Chapter 7: Finite Element Approximation

• Introduction
• General and Nodal Approximations
• Finite Element Approximation
• Basic Principles for the Construction of Trial Functions
• Two-Dimensional Finite Element Approximation
• Shape Functions of Some Classical Elements for C0 Problems

Chapter 8: Numerical Integration

• Introduction
• Gauss Quadrature
• Integration over a Reference Element
• Integration over a Triangular Element
• Solved Problems

Chapter 9: Plane Problems

• Introduction
• Finite Element Formulation for Plane Problems
• Spatial Discretization
• Constant Strain Triangle
• Linear Strain Triangle
• The Bilinear Quadrilateral
• The 8-Node Quadrilateral
• Solved Problem with MATLAB

Chapter 10: Axisymmetric Problems

• Definition
• Strain–Displacement Relationship
• Stress–Strain Relations
• Finite Element Formulation
• Programming
• Analysis with Abaqus Using the 8-Node Quadrilateral

Chapter 11: Thin and Thick Plates

• Introduction
• Thin Plates
• Thick Plate Theory or Mindlin Plate Theory
• Linear Elastic Finite Element Analysis of Plates
• Boundary Conditions
• Computer Program for Thick Plates Using the 8-Node Quadrilateral
• Analysis with Abaqus

کدهای متلب برای آنالیز اجزاء محدود

شبیه سازی ارتعاشات با استفاده از نرم افزارهای متلب و انسیس

حل معادلات دیفرانسیل با مشتقات جزئی (PDE) با نرم افزار متلب

کاربرد متلب در سیگنال ها، سیستم ها و کنترل

جهت دانلود بر لینک زیر کلیک نمایید:

مقدمه ای بر تحلیل اجزاء محدود با استفاده از نرم افزارهای متلب و آباکوس

اگر به فراگیری مباحث مشابه مطلب بالا علاقه‌مند هستید، آموزش‌هایی که در ادامه آمده‌اند نیز به شما پیشنهاد می‌شوند:

سیمولینک، شبیه سازی سیستم دینامیکی برای متلب

برنامه نویسی متلب برای مهندسین

معرفی عملی برنامه نویسی و حل مسئله با متلب

متلب برای مهندسین عمران

تجزیه و تحلیل عددی با استفاده از متلب

برنامه نویسی به روش المان محدود در نرم افزار متلب

دستورالعمل های متلب برای علم زمین شناسی

شبکه‌ های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده ‌تر شبکه‌ های عصبی سیستم‌ ها و روش ‌های محاسباتی جدیدی برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌ بینی پاسخ ‌های خروجی از سامانه ‌های پیچیده می باشد. این شبکه ها از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل می شود که مجموعه ورودی را به خروجی ربط می دهند. همچنین این شبکه‌ ها قادر به یادگیری‎ هستند...

جزوه آموزش شبکه عصبی مصنوعی، مشتمل بر 131 صفحه، در 7 فصل، با فرمت PDF، به زبان فارسی، همراه با تصاویر و روابط مهم ریاضی به ترتیب زیر گردآوری شده است:

فصل 1: هوش محاسباتی

• تاریخچه
• هوش مصنوعی
• چالش های بنیادین هوش مصنوعی
• هوش محاسباتی
• شبکه های عصبی (Neural Networks)
• مدل ریاضی شبکه های عصبی
• منطق فازی (Fuzzy logic)
• الگوریتم های ژنتیک (GA)
• کاربردهای شبکه های عصبی در پزشکی
• سیستم های تشخیص
• آنالیزهای شیمی پزشکی
• آنالیز تصویر
• پیشرفتهای دارویی و مدلسازی سیستم قلبی عروقی
• بویایی الکترونیکی
• شناخت الگو
• پزشک نمونه
• کاربردهای سیستم های فازی در پزشکی
• سیستم های فازی در بیو انفورماتیک
• سیستم های فازی ژنتیک

فصل 2: شبکه های عصبی

• مقدمه
• معنای شبکه های عصبی
• انگیزه های بیولوژیکی
• تشابهات و انتظارات
• تاریخچه و کاربرد
• مدل ریاضی نرون
• مدل تک ورودی
• برخی توابع تحریک مرسوم نرون مصنوعی
• مدل چند ورودی
• ساختار شبکه های عصبی
• شبکه های یک و چند لایه
• مثال: یک شبکه پیشخور 3 لایه
• چند سئوال
• شبکه های پسخور یا برگشتی
• مسائل حل شده

فصل 3: مسئله تشریحی شناسایی الگو

• شناسایی الگو
• روش های کلاسیک و شبکه های عصبی
• معرفی سه شبکه های نمونه: پرسپترون، همینگ و هاپفیلد
• پرسپترون تک لایه با تابع تحریک آستانه ای دو مقداره متقارن
• مثال تشریحی با پرسپترون
• شبکه همینگ
• شبکه همینگ، لایه اول
• شبکه همینگ، لایه دوم
• شبکه همینگ، لایه سوم
• شبکه هاپفیلد
• مهمترین ویژگی ها
• مهمترین نکات

فصل 4: پرسپترون تک لایه

• فرایند یادگیری
• یادگیری با ناظر
• یادگیری بدون ناظر
• خلاصه فرایند یادگیری
• سیستم های دینامیکی آموزش پذیر
• معادله یادگیری در حالت کلی
• یادگیری با ناظر در شبکه عصبی
• یادگیری تشدیدی (تقویتی) در شبکه عصبی
• یادگیری بدون ناظر در شبکه عصبی
• قانون یادگیری پرسپترون تک لایه (SLPR)

فصل 5: شبکه های آدالاین و یادگیری LMS

• مقدمه
• مبانی بهینه سازی و نقاط بهینه
• بسط تیلور و تقریب توابع
• مشتقات برداری جهت دار
• شرایط لازم برای نقاط بهینه
• توابع درجه دوم
• توابع درجه دوم و ساختار ویژه
• روند مینیمم سازی، الگوریتم کلی
• روش بیشترین نزول (SD)
• نکات مربوط به الگوریتم SD
• مثالی از الگوریتم SD
• نکات

فصل 6: یادگیری LMS یا ویدرو هوف

• شبکه آدالاین
• معادلات ویدرو هوف در حالت تک نرون
• الگوریتم LMS
• فرم دسته ای یادگیری LMS در حالت تک نرون
• فرم دسته ای یادگیری LMS در حالت کلی
• بهبود هایی بر LMS
• کاربرد شبکه آدالاین در فیلترهای تطبیقی

فصل 7: شبکه های عصبی چند لایه پیشخور و یادگیری پس انتشار خطا

• مقدمه
• تاریخچه
• شبکه پرسپترون چند لایه
• حل چند مسئله شناسایی الگو
• شناسایی الگو
• الگوریتم BP
• خلاصه الگوریتم BP

* توجه:
لازم به ذکر است که علاوه بر جزوه آموزشی بالا، جزوه حل تمرینات درس شبکه عصبی مصنوعی (دکتر منهاج، 68 صفحه، به زبان فارسی، با فرمت pdf) نیز جهت دانلود قرار داده شده است.

جهت دانلود جزوه آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل، برلینک زیر کلیک نمایید.

آموزش شبکه عصبی مصنوعی به همراه تشریح کامل مسائل