بررسی مدل ریاضی SKM در تخمین های توزیع عرضی سرعت با استفاده از ضریب جریان ثانویه

نویسند‌گان: [ اسمعیل تیموری ] - دانشجوی دکتری عمران سازه های هیدرولیکی دانشگاه پردیس سمنان[ غلامعباس بارانی ] - استاد گروه مهندسی عمران دانشگاه شهیدباهنرکرمان[ خسرو حسینی ] - استادیار گروه مهندسی عمران دانشگاه سمنان[ محمدسعید کریمی ] - استادیار گروه مهندسی عمران دانشگاه سمنان

خلاصه مقاله:

برای بدست آوردن توزیع عرضی سرعت در کانال های مرکب روش عددی دو بعدی شیونو – نایت (SKM) که بر پایه معادلات – ناویر – استوکس بنا نهاده شده مورد استفاده قرار گرفته است در کانال های مرکب با زبری های نواری در بستر عموما به دلیل وجود جریان های ثانویه قوی ناشی از تغییر توزیع زیری در بستر روش های موجود جهت تخمین توزیع سرعت نسبت به نتانیج واقعی دارای خطای زیادی هستند در این مقاله با به کار بردن روش فوق و مقایسه آن با نتایج آزمایشگاهی نشان داده شده که در نظر گرفتن اثرات جریان های ثانویه حائز اهمیت زیادی است با مقایسه منحنی های دبی – اشل در دو مقطع همگن و غیرهمگن نشان داده شده است که نتایج در مقطع همگن عملکرد مناسبی داشته و در نظر نگرفتن آن خطای زیادی نداشته ولی در مقطع غیرهمگن به دلیل متغیر بودن زیری دشت های سیلابی با عمق جریان عدم دخالت ضریب جریان ثانویه باعث افزایش خطا در محاسبات می شود .

کلمات کلیدی:

 توزیع سرعت ، روش دوبعدی شینو ـ نایت ، ضریب جریان های ثانویه

دانلود مقاله رشته اقتصاد تخمین مدل و استنتاج آماری بررسی ایستایی (ساکن بودن) سری های زمانی

 دانلود مقاله رشته اقتصاد تخمین مدل و استنتاج آماری  بررسی ایستایی (ساکن بودن) سری های زمانی با فرمت ورد و قابل ویرایش تعدادصفحات  22

قبل از تخمین مدل، به بررسی ایستایی می پردازیم. می توان چنین تلقی نمود که هر سری زمانی توسط یک فرآیند تصادفی تولید شده است. داده های مربوط به این سری زمانی در واقع یک مصداق از فرآیند تصادفی زیر ساختی است. وجه تمایز بین (فرآیند تصادفی) و یک (مصداق) از آن، همانند تمایز بین جامعه و نمونه در داده های مقطعی است. درست همانطوری که اطلاعات مربوط به نمونه را برای استنباطی در مورد جامعه آماری مورد استفاده قرار می دهیم، در تحلیل سریهای زمانی از مصداق برای استنباطی در مورد فرآیند تصادفی زیر ساختی استفاده می کنیم. نوعی از فرآیندهای تصادفی که مورد توجه بسیار زیاد تحلیل گران سریهای زمانی قرار گرفته است فرآیندهای تصادفی ایستا می باشد.
برای تاکید بیشتر تعریف ایستایی، فرض کنید Yt یک سری زمانی تصادفی با ویژگیهای زیر است:
(1)     : میانگین
(2)      واریانس :
(3)     کوواریانس :
(4)   ضریب همبستگی :
که در آن میانگین  ، واریانس   کوواریانس   (کوواریانس بین دو مقدار Y که K دوره با یکدیگر فاصله دارند، یعنی کوواریانس بین Yt و Yt-k) و ضریب همبستگی   مقادیر ثابتی هستند که به زمان t بستگی ندارند.
اکنون تصور کنید مقاطع زمانی را عوض کنیم به این ترتیب که Y از Yt به Yt-k تغییر یابد. حال اگر میانگین، واریانس، کوواریانس و ضریب همبستگی Y تغییری نکرد، می توان گفت که متغیر سری زمانی ایستا است. بنابراین بطور خلاصه می توان چنین گفت که یک سری زمانی وقتی ساکن است که میانگین، واریانس، کوواریانس و در نتیجه ضریب همبستگی آن در طول زمان ثابت باقی بماند و مهم نباشد که در چه مقطعی از زمان این شاخص ها را محاسبه می کنیم. این شرایط تضمین می کند که رفتار یک سری زمانی، در هر مقطع متفاوتی از زمان، همانند می باشد .
آزمون ساکن بودن از طریق نمودار همبستگی و ریشه واحد
یک آزمون ساده برای ساکن بودن براساس تابع خود همبستگی (ACF) می باشد. (ACF) در وقفه k با   نشان داده می شود و بصورت زیر تعریف می گردد.
 
از آنجاییکه کوواریانس و واریانس، هر دو با واحدهای یکسانی اندازه گیری می‌شوند،   یک عدد بدون واحد یا خالص است.   به مانند دیگر ضرایب همبستگی، بین (1-) و (1+) قرار دارد. اگر   را در مقابل K (وقفه ها) رسم نماییم، نمودار بدست آمده، نمودار همبستگی جامعه نامیده می شود. از آنجایی که عملاً تنها یک تحقق واقعی (یعنی یک نمونه) از یک فرآیند تصادفی را داریم، بنابراین تنها می‌توانیم تابع خود همبستگی نمونه،   را بدست آوریم. برای محاسبه این تابع می‌بایست ابتدا کوواریانس نمونه در وقفه K و سپس واریانس نمونه را محاسبه نماییم.
 
که همانند نسبت کوواریانس نمونه به واریانس نمونه است. نمودار   در مقابل K نمودار همبستگی نمونه نامیده می شود. در عمل وقتی   مربوط به جامعه را ندایم و تنها   را براساس مصداق خاصی از فرآیند تصادفی در اختیار داریم باید به آزمون فرضیه متوسل شویم تا بفهمیم که   صفر است یا خیر. بارتلت (1949)  نشان داده است که اگر یک سری زمانی کاملاً تصادفی یعنی نوفه سفید باشد، ضرایب خود همبستگی نمونه تقریباً دارای توزیع نرمال با میانگین صفر و واریانس   می باشد که در آن n حجم نمونه است. براین اساس می توان یک فاصله اطمینان، در سطح 95 درصد ساخت. بدین ترتیب اگر   تخمینی در این فاصله قرار گیرد، فرضیه( =0) را نمی توان رد کرد. اما اگر   تخمینی خارج از این فاصله اعتماد قرار گیرد می توان صفر بودن   را رد کرد.
آزمون دیگری نیز بصورت گسترده برای بررسی ایستایی سریهای زمانی بکار می‌رود که به آزمون ریشه واحد معروف است. برای فهم این آزمون مدل زیر را در نظر بگیرید :
Yt = Yt-1+Ut
Ut جمله خطای تصادفی است که فرض می شود بوسیله یک فرآیند تصادفی مستقل (White Noise) بوجود آمده است. (یعنی دارای میانگین صفر، واریانس ثابت   و غیر همبسته می باشد).
خواننده می تواند تشخیص دهد که معادله فوق، یک معادلخ خود رگرسیون مرتبه اول یا AR(1) می باشد. در این معادله مقدار Y در زمان t بر روی مقدار آن در زمان (t-1) رگرس شده است. حال اگر ضریب Yt-1 برابر یک شود مواجه با مساله ریشه واحد می شویم. یعنی این امر بیانگر وضعیت غیر ایستایی سری زمانی Yt می باشد. بنابراین اگر رگرسیون زیر را اجرا کنیم:
 
و تشخیص دهیم که   است، گفته می شود متغیر Yt دارای یک ریشه واحد است. در اقتصاد سنجی سریهای زمانی، سری زمانی که دارای یک ریشه واحد باشد، نمونه‌ای از یک سری زمانی غیر ایستا است.
معادله فوق غالباً به شکل دیگری نیز نشان داده می شود:
 
که در آن  ،   اپراتور تفاضل مرتبه اول می باشد. توجه کنید که   است. اما اکنون فرضیه صفر ما عبارت است از   که اگر   برابر با صفر باشد می توانیم معادله فوق را بصورت زیر بنویسیم:
 
این معادله بیانگر آن است که تفاضل اول سری زمانی Yt ساکن می باشد. زیرا بنا به فرض Ut یک جمله اختلال سفید (اختلال خالص) می باشد.
اگر از یک سری زمانی یک مرتبه تفاضل گرفته شود (تفاضل مرتبه اول) و این سری تفاضل گرفته شده ساکن باشد، آنگاه سری زمانی اصلی (انباشته از مرتبه اول ) می باشد و به صورت I(1) نشان داده می شود.
به طور کلی اگر از یک سری زمانی d مرتبه تفاضل گرفته شود، انباشته از مرتبه d یا I(d) می باشد. پس هرگاه یک سری زمانی انباشته از مرتبه یک یا بالاتر باشد سری زمانی غیر ایستا خواهد بود. بطور متعارف اگر d=0 باشد، در نتیجه فرآیند I(0) نشان دهنده یک فرآیند ساکن می باشد. به همین علت نیز یک فرآیند ساکن بصورت I(0) مورد استفاده قرار می گیرد.
برای وجود ریشه واحد تحت فرضیه   از آمار   یا (tau)  استفاده می‌کنیم، مقادیر بحرانی این آماره به روش شبیه سازی مونت کارلو توسط دیکی و فولر بصورت جداول آماری محاسبه شده است. (متاسفانه آماره t ارائه شده حتی در نمونه‌های بزرگ از توزیع t استیودنت پیروی نمی کند و در نتیجه نمی توان از کمیت بحرانی t برای انجام آزمون استفاده کرد.)
در ادبیات اقتصادسنجی آزمون   یا (tau)، به آزمون دیکی- فولر (DF) مشهور می‌باشد. باید توجه داشت که اگر فرضیه صفر   رد شود، سری زمانی ساکن بوده و می توان از تابع آزمون t استیودنت استفاده نمود.
اگر قدر مطلق آماره محاسباتی (tau)، بزرگتر از قدر مطلق مقادیر بحرانی (DF) یا مک کینان باشد، آنگاه فرضیه مبتنی بر ساکن بودن سری زمانی را رد نمی کنیم از طرف دیگر اگر مقدار قدر مطلق محاسباتی کمتر از مقدار بحرانی باشد، سری زمانی غیر ایستا خواهد بود.

تخمین یک تابع با استفاده از فازی TSK با 25 قانون

در این برنامه تابعی با استفاده از فازی TSK و با 25 قانون شبیه سازی شده است. اطلاعات بیشتر در فایل PDF

پایان نامه بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 و پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

چکیده

بررسی ومطالعه ی کامل داده کاوی و داده کاوی با SQL SERVER2005 پیاده سازی آن روی بانک اطلاعاتی دانشگاه آزاد قوچان

امروزه با گسترش سیستم های پایگاهی و حجم بالای داده ها ی ذخیره شده در این سیستم ها ، نیاز به ابزاری است تا بتوان داده های ذخیره شده را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد.

داده کاوی یکی از مهمترین روش ها ی کشف دانش است که به وسیله آن الگوهای مفید در داده ها با حداقل دخالت کاربران شناخته می شوند و اطلاعاتی را در اختیار کاربران و تحلیل گران قرار می دهند تا براساس آنها تصمیمات مهم و حیاتی در سازمانها اتخاذ شوند.داده کاوی را تحلیل گران با اهداف گوناگونی از قبیل کلاس بندی, پیش بینی, خوشه بندی ,تخمین انجام می دهند. برای کلاس بندی, مدل هاو الگوریتم هایی مانند قاعده ی بیز, درخت تصمیم, شبکه ی عصبی, الگوریتم ژنتیک مطرح شده است.برای پیش بینی مدل رگرسیون خطی ومنطقی و برای خوشه بندی الگوریتم های سلسله مراتبی و تفکیکی, وبرای تخمین مدل های درخت تصمیم و شبکه ی عصبی مطرح می شود. در فصل دوم و سوم با الگوریتم ژنتیک که یکی از الگوریتم های داده کاوی و با شبکه ی عصبی که یکی از مدل های داده کاوی هستند آشنا می شویم .درفصل چهارم به محاسبات نرم و برخی از اجزای اصلی ان و نقش آنها در داده کاوی می پردازیم.

در فصل پنجم با ابزارهای داده کاوی آشنا می شویم . برای داده کاوی ابزارهای متنوعی وجود دارد. می توان ابزارداده کاوی را با تطبیق آن ابزار با داده های مسئله و با توجه به محیط داده ای که می خواهید از آن استفاده کنید، و امکاناتی که آن ابزار دارد انتخاب کنید.وسپس به داده کاوی با SQLSERVER2005 می پردازیم .ودرفصل ششم به داده کاوی با SQL SERVER2005 روی بانک اطلاعاتی دانشگاه آزاد قوچان پرداختیم.

کلمات کلیدی ،کلاس بندی ، خوشه بندی ، پیش بینی ، تخمین

فرمت فایل: ورد (قابل ویرایش)

تعداد صفحات: 217

مقاله تخمین تنش پمساند با استفاده از روش های غیر مخرب و ارتباط آن با پروسه‌های تولید در انواع مختلف جوشکاری

فایل بصورت ورد (قابل ویرایش) و در 45 صفحه می باشد.

طی چند دهه گذشته تنش های پسماند در ظروف فشار دار و کاربردهای ساختمانی و خطوط انتقال گاز و نفت و در ساختارها و قطعات فلزی و ... مورد توجه قرار گرفته است. از سوی پیشرفت هایی که امروز در ارزیابی یکپارچه ساختارها و ساختمانها در ارتباط با قطعات جوش صورت پذیرفته است. خواستار اطلاعات دقیق تری دربارة حالت تنش پسماند می باشد. تنش های پسماند در اثر عدم هماهنگی در شکل طبیعی بین نواحی مختلف در یک قطعه حاصل می شود به خصوص در جوشکاری تنش های پسماند مورد توجه قرار می گیرند. تنش های پسماند می توانند بسته به علامت، اندازه و توزیع شان با توجه به تنش های اعمالی، تعیین کننده باشند.

ارزیابی تنش پسماند یک ابزار مهمی نیز برای کنترل فرآیند، کنترل کیفی، ارزیابی طراحی و آنالیز نقص می باشد. چون این تنش ها می توانند پیامدهای مهمی روی عمکلرد اجزاء و قطعات مهندسی داشته باشند و همچنین تأثیر زیادی روی خوردگی، مقاومت شکست، خزش و ... دارا می‌باشند. لذا کاهش و کم کردن این تنش ها مطلوب می باشد. از این رو تنش های پسماند در اتصالات جوشکاری شده عمدتاً توسط عملیات حرارتی یا توسط تنش مکانیکی کاهش می یابد.

- روش های متفاوتی برای اندازه گیری یا تخمین تنش پسماند براساس اندازه گیری دقیق یا با استفاده از تکنیک های عددی وجود دارد. اندازه گیریها می توانند از نوع مخرب مانند (سوراخکاری)  یا غیر مخرب مانند اشعه x، یا تفرق نوترونی و فراصوتی باشند. و تفرق نوترونی اساساً یک تکنیک برجسته برای پی بردن به تنش پسماند به صورت غیر مخرب در درون قطعات مهندسی در سه بعد و در حجم های کوچک می باشد.