سقف کاذب (به انگلیسی: Dropped ceiling) شاخهای از معماری داخلی است که برای پوشش سقف اصلی (زیر سقف) بهکار میرود. از پیشینهٔ این رشته اطلاعات موثقی در دست نیست. معلوم نیست اولین کسانی که از سقف کاذب استفاده کردهاند چه قدر از کاربردهای مختلفِ این حرفه آگاهی داشتند، اما سقف کاذب در زمانی کوتاه جای خود را در صنعت ساختمان پیدا کرد.
سقف کاذب میتواند به صورت گچی، چوبی، فلزات رنگین، پیویسی، شیشهای، آهنی، ورقهای فلزی روکشدار، آلومینیومی، کامپوزیت و غیره نصب شود که در هر صورت قابلیت اجرا به صورت واحد یا با هم را داراست. سقف کاذب دارای ۲ بخش میباشد: پنلهای سبک و شبکه فلزی. این شبکه فلزی به سقف موجود متصل شده و پنلها روی آن سوار میشوند. حضور سقف کاذب در ساختمان، دغدغهٔ پوشش و مخفی نگه داشتن عوامل زیر سقف را از بین میبرد، و این، یکی از ویژگیهای این رشتهٔ ساختمانی نیز هست. سقف کاذب در مواردی که ذکر میشود قابلیت خود را بروز میدهد: پوشش تأسیسات زیر سقف اصلی، آکوستیک کردن فضا، ایجاد حجمها دکوراتیو، هدایت و جلوگیری از اتلاف دما و رطوبت، نورپردازی مناسب با شرایط کار و زندگی و… پوشاندن، مهمترین کارکرد سقف کاذب است، در کنار پوشش، کارکرد دکوراتیو و نورپردازی از اهمیت ویژهای برخوردار هستند. در محل اشتراک سطوح تشکیل دهنده ی سقف کاذب خطوط صاف و خمیده ی مهمی ایجاد میگردد که در شکل گیری و استحکام و ثبات سقف کاذب نقش بسزایی دارند.
سقف کامپوزیت یا اصطلاحا سقف مرکب به سقفی گفته می شود که در اجرای آن از ترکیب فلز و بتن استفاده می شود. این سقف ها قابلیت تحمل تیر های فلزی با ترکیب با بتن لنگر های خمشی و برشی را دارند. از سقف های کامپوزیت در سازه های فلزی بسیار استفاده می شود.
در سقف کامپوزیت بال بالایی تیر ها با کمک برشگیر ها به همراه بتن روی آن فشار را تحمل کرده و بال پایینی تیر نیروی کششی را تحمل می کند. برای درگیر کردن بتن و فولاد در تیرها از برشگیری جوش داده شده روی بال بالای تیر ها استفاده می شودسقف مرکب یا کامپوزیت ابتدا در پل سازی مورد استفاده قرار گرفت.
امّا سپس این نوع سقف راه خود را در ساخت ساختمان های معمولی پیدا نمود و هم اکنون در بیشتر ساختمان های بلند مرتبه فلزی از این نوع سقف استفاده می گردد.
سقف های مرکب را بر اساس دیتیل می توان به چندین دسته مختلف تقسیم بندی نمود.
مهمترین انواع سقف مرکب عبارت اند از:
الف:سقف کامپوزیت ساده
ب:سقف عرشه فولادی
ج:سقف کرومیت کامپوزیت
د:Roofix
سقف سبک مرکب (Light Composite Panel) با نام اختصاری LCP سقف جدیدی است که
بخوبی پاسخگوی نیازهای اصلی یک سیستم سازه ای می باشد. این سقف ترکیبی از
فولاد و بتن سبک است که به صورت کاملا ً پیش ساخته در کارخانه تولید و پس
از حمل به محل پروژه، با اتصالات جوشی و یا مکانیکی به تیرهای اصلی و یا
فرعی سازه متصل می گردد. این سقف با وزنی در حدود 80 کیلوگرم بر مترمربع از
مقاومت و عملکرد مناسبی برای تحمل بارهای وارده برخوردار است. LCP توسط
مرکز تحقیقات ساختمان و مسکن مورد ارزیابی و تایید قرار گرفته است و با
عنوان "سقف سبک مرکب" در اداره مالکیت صنعتی ایران بصورت یک اختراع جدید به ثبت رسیده است.مشخصات کلی LCP:
LCP یک سقف آماده نصب است که بصورت پنل و در کارخانه تولید و پس از حمل به
محل پروژه با اتصالات جوشی در جای خود نصب می گردد. این پنل ها در عرض 62
سانتی متر و طول 4 متر و ارتفاع متغیر از 14 تا 20 سانتی متر تولید می
شوند. دو طرف پنل ها با استفاده از ناودانی های حاصل از خمکاری ورق در
ضخامت 3 میلی متر (بصورت براکت یا یو) می باشند. دو ورق گالوانیزه با ضخامت
0.5 میلی متر و بصورت پروفیل ذوزنقه ای در دو سمت فوقانی و تحتانی قرار
گرفته اند و داخل فضای ایجاد شده با بتن سبک سلولی (فوم بتن) در چگالی و
مقاومت مطلوب پر می گردد. شکل زیر نمونه ای از این سقف را نشان می دهد.
شبکه های عصبی مصنوعی (ANN) یا Artificial Neural Networks و به عبارت دیگر سیستم های اتصالگر، سیستم های محاسبه کننده ای هستند که از شبکه های عصبی زیستی الهام گرفته شده اند.
این سیستم ها، با بررسی مثال ها، فعالیت ها را یادگیری می کنند (به عبارت دیگر عملکرد خود را در در انجام فعالیت ها به مرور بهبود می دهند) و عموماً این اتفاق بدون هیچ برنامه نویسی مختص به فعالیت انجام می شود.
برای مثال، در شناسایی تصویر، این شبکه ها می توانند یاد بگیرند که تصاویر شامل گربه را با تحلیل تصاویر مثالی که قبلاً بطور دستی به عنوان “با گربه” یا “بدون گربه” برچسب گذاری شدند، شناسایی کنند و از این نتایج برای شناسایی گربه در تصاویر دیگر استفاده نمایند. شبکه های عصبی این عمل را بدون دانش قبلی در مورد گربه انجام می دهند؛ یعنی از مثلاً از مو، دم، سیبیل یا صورت گربه خبر ندارند. در عوض، خود مجموعه مشخصه های مرتبط را از مطالب آموزشی ای که پردازش می کنند، توسیع می دهند.
یک ANN بر مجموعه ای از واحدهای متصل یا گره، به نام نورون های مصنوعی، مبتنی است (مشابه نورون های زیستی در مغز حیوان). هر اتصال (سیناپس) میان نورون ها می تواند سیگنالی را از یک نورون به نورون دیگر انتقال دهد. نورون دریافت کننده (پُست سیناپتیک) می تواند سیگنال (ها) و سپس نورون های سیگنالی متصل به آن را پردازش کند.
شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.
مطالعه شبکه های عصبی مصنوعی تا حد زیادی ملهم از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل درکار یادگیری دخیل هستند.
گمان میرود که مغز انسان از تعداد 1011 نرون تشکیل شده باشد که هر نرون با تقریبا 104 نرون دیگر در ارتباط است. سرعت سوئیچنگ نرونها در حدود 3-10 ثانیه است که در مقایسه با کامپیوترها 10-10 ثانیه بسیار ناچیز مینماید. با این وجود آدمی قادر است در 0.1 ثانیه تصویر یک انسان را بازشناسائی نماید. ولی برای کامپیتر دقایقی طول می کشد که این بازشناسی انجام شود.
شبکههای عصبی مصنوعی یا شبکههای عصبی صناعی (Artificial Neural Networks - ANN) یا به زبان سادهتر شبکههای عصبی سیستمها و روشهای محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیشبینی پاسخهای خروجی از سامانههای پیچیده هستند. ایدهٔ اصلی این گونه شبکهها تا حدودی الهامگرفته از شیوهٔ کارکرد سیستم عصبی زیستی برای پردازش دادهها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. [نیازمند منبع]
این سیستم از شمار زیادی عناصر پردازشی فوقالعاده بهمپیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل میکنند و توسط سیناپسها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل میکنند. در این شبکهها اگر یک سلول آسیب ببیند بقیه سلولها میتوانند نبود آن را جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکهها قادر به یادگیریاند. مثلاً با اعمال سوزش به سلولهای عصبی لامسه، سلولها یادمیگیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم میآموزد که خطای خود را اصلاح کند. یادگیری در این سیستمها به صورت تطبیقی صورت میگیرد، یعنی با استفاده از مثالها وزن سیناپسها به گونهای تغییر میکند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند.
امروز به قدری استفاده از سیستمهای هوشمند و به ویژه شبکه عصبی مصنوعی گسترده شده است که می توان این ابزارها را در ردیف عملیات پایه ریاضی و به عنوان ابزارهای عمومی و مشترک، طبقهبندی کرد. چرا که کمتر رشته دانشگاهی است که نیازی به تحلیل، تصمیمگیری، تخمین، پیشبینی، طراحی و ساخت داشته باشد و در آن از موضوع شبکههای عصبی استفاده نشده باشد. فهرستی که در ادامه آمده است، یک فهرست نه چندان کامل است. اما همین فهرست مختصر نیز گستردگی کاربردهای شبکههای عصبی مصنوعی را تا حدود زیادی به تصویر میکشد.