پس از انتخاب کلید عضویت در انتهای صفحه جدیدی که باز خواهد شد، اطلاعات خود را تکمیل و عضویت خود را تایید نمایید
درباره وب سايت
مرجع آموزش زمین شناسی، سنجش از دور، معدن و عمران
جامع ترین و معتبرترین آموزش برای نرم افزار های زمین شناسی، مهندسی معدن، ژئومکانیک (مکانیک سنگ و ژئوتکنیک)، عمران (خاک و پی)
............................................
رزومه مدرسان:دانشجویان کارشناسی ارشد و دکترا رشته های مهندسی معدن و عمران دانشگاه صنعتی امیرکبیر (پلی تکنیک) تهران
جهت آموزش حضوری و غیر حضوری (آنلاین و تهیه فیلم آموزشی) نرم افزار ها با شماره های زیر تماس حاصل فرمایید............................................
09157330367-09381295869 اسمعیلی-مدیریت وبسایت........ ................................................ در صورتی که موفق نشدید با شماره های فوق تماس حاصل فرمایید از طربق ایمیل زیر نیز می توانید در خواست خودتان را مطرح نمایید.......................................
raminesmaeili68@gmail.com
...................این سایت در ستاد ساماندهی پایگاه های اینترنتی به ثبت رسیده است و تمامی محصولات و خدمات این سایت حسب مورد دارای مجوز های لازم از مراجع مربوطه می باشد. همچنین فعالیت های این سایت تابع قوانین و مقررات جمهوری اسلامی ایران است
خبرنامه
براي اطلاع از آپيدت شدن وبلاگ در خبرنامه وبلاگ عضو شويد تا جديدترين مطالب به ايميل شما ارسال شود
اولین پکیج آموزشی کنکور دکتری مکانیک سنگ معدن (+پاسخ تشریحی سوالات 11 دوره اخیر کنکور) خرید آنلاین بیش از 55 ساعت فیلم آموزشی و دانلود بلافاصله پس از خرید
ارزیابی قیمت آتی و الگوی نوسانات قیمت مصالح ساختمانی بر اساس مدل پیش بینی مبتنی بر شبکه های عصبی مصنوعی
خلاصه امروزه با توجه به وجود بیش از ۰۰۲۲۲ شرکت پیمانکاری تشخیص صلاحیت شده در کشور، عرصه رقابتی بزرگی جهت اخذ پروژه های عمرانی شکل گرفته است. بنابراین ارائه دقیق ترین پیشنهاد قیمت به منظور دستیابی شرکت ها به هر دو عامل اساسی پیروزی در مناقصات و سود حداکثر مشروط بر حداقل بودن قیمت پیشنهادی بسیار حائز اهمیت می باشد. جهت دستیابی به این مهم، پیش بینی نرخ تورم مصالح ساختمانی تأثیر قابل توجهی در تصمیم گیری بهتر و کاهش ریسک در پیشنهاد قیمت پروژه های ساختمانی خواهد داشت. از این رو در مقاله حاضر با انتخاب ۰۲ نمونه از مصالح پرکاربرد در تمامی پروژه های ساختمانی، که قیمت آن ها را در بین سال های ۰۱۳۱ تا ۰۱۳۰ به صورت ماهانه در اختیار داریم و با ایجاد یک مدل مبتنی بر شبکه عصبی مصنوعی پرسپترون چند لایه در نرم افزار MATLAB ، ضمن پیش بینی قیمت های آتی این مصالح، رابطه مناسبی از اثرگذاری قیمت سایر مصالح بر قیمت نهایی یک مصالح مشخص در سال های آتی را جهت دستیابی به مدلی جهت بازشناسی الگوی نوسانات قیمت مصالح بدست می آوریم.
کلمات کلیدی:
پیش بینی قیمت مصالح ساختمانی، مدل شبکه عصبی مصنوعی، الگوی نوسانات قیمت، مدیریت هزینه
این سایت در ستاد ساماندهی پایگاه های اینترنتی به ثبت رسیده است و تمامی محصولات و خدمات این سایت حسب مورد دارای مجوز های لازم از مراجع مربوطه می باشد همچنین فعالیت های این سایت تابع قوانین و مقررات جمهوری اسلامی ایران می باشد.
عضو شوید
عضویت سریع
آمار
مطالب
آمار بازدید
