پروژه سقف کاذب

محتوایی این پروژه یک فایل پاورپوینت و فیلم های کوتاه می باشد

ارائه مدل شبکه عصبی جهت تخمین عملکرد بازیاب حرارتی موتور استرلینگ بر اساس نتایج تجربی

سال انتشار: ۱۳۸۸

تعداد صفحات: ۵ | زبان ارائه مقاله: فارسی

چکیده مقاله:

هدف از این مقاله طراحی یک مدل شبکه عصبی هوشمند جهت بررسی راندمان حرارتی موتور استرلینگ و تخمین عملکرد بازتاب حرارتی می باشد که بر اساس فرکانس عملکردی موتور و مقدار جرم سیال عامل قابل دستیابی است. موتور استرلینگ یک موتور حرارتی برونسوز است که به دلیل مزایایی از قبیل استفاده از انواع سوخت های فسیلی و غیر فسیلی، آلایندگی پایین، عملکرد آرام و بدون ارتعاش و... امروزه از سوی مراکز تحقیقاتی مورد توجه قرار گرفته است. بازیاب حرارتی یکی از قسمت های مهم سیکل استرلینگ می باشد که مدل سازی آن به دلیل تاثیرپذیری از پارامترهای مختلف بسیار پیچیده است. بازتاب حرارتی با ذخیره سازی و باز پس دادن حرارت، تأثیر زیادی بر میزان بازدهی موتور استرلینگ داشته و به شکل قابل توجهی تابع شرایط کاری موتور می باشد. با آگاهی از میزان بازدهی حرارتی بازتاب در شرایط کاری مختلف و با توجه به مدل موتور، تخمین دقیق تری از میزان توان خروجی و راندمان حرارتی موتور خواهیم داشت. از این رو ابتدا به کمک مدل های ترمودینامیکی، توزیع دمای مبدل های حرارتی و نیز راندمان بازیاب محاسبه شده و در ادامه دمای مناطق سرد و گرم یک موتور استرلینگ آزمایشگاهی در فرکانس ها و مقدار جرم های متفاوت گاز عامل داخل محفظه موتور اندازه گیری شده است. با کمک مدل توزیع دمای مربوط به مبدل های حرارتی، کاریابی بازیاب در شرایط مختلف محاسبه گردیده و سپس به کمک یک شبکه عصبی هوشمند MLP، برای شرایط مختلف کاری موتور جهت تخمین عملکرد بازیاب تعمیم داده شده است. اطلاعات تجربی از یک موتور استرلینگ آزمایشگاهی نوع گاما که در مرکز تحقیقات موتور دانشگاه صنعتی مالک اشتر طراحی و ساخته شده بدست آمده است. نتایج مطلوب حاصل از مدل و تطبیق آن ها با نتایج آزمایشگاهی صحت مدل شبکه عصبی ارائه شده را تصدیق می کند

کلیدواژه‌ها:

راندمان بازیاب حرارتی، موتور استرلینگ، توزیع دما، مبدل های حرارتی، شبکه عصبی

 نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:

غفاری, علی؛ عباس علی آبادی؛ نصرت الله حسینقلی ارباب و مصطفی نظری، ۱۳۸۸، ارائه مدل شبکه عصبی جهت تخمین عملکرد بازیاب حرارتی موتور استرلینگ بر اساس نتایج تجربی، هشتمین همایش انجمن هوافضای ایران، اصفهان، انجمن هوافضای ایران،  

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (غفاری, علی؛ عباس علی آبادی؛ نصرت الله حسینقلی ارباب و مصطفی نظری، ۱۳۸۸)
برای بار دوم به بعد: (غفاری؛ علی آبادی؛ حسینقلی ارباب و نظری، ۱۳۸۸)

شبکه های عصبی Neural Network

16ص

شبکه‌های عصبی مصنوعی
Artificial Neural Network

چکیده:
شبکه‌های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقمند شده‌اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه بسیاری را صرف آن کرده و می‌کنند. این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه‌سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تا حال به خوبی پیشرفته است. از جمله کاربردهای این بحث می‌توان از شناسایی الگوها, پردازش تصویر و رویت, هوش مصنوعی, کنترل رباتها و موارد بسیار دیگر نام برد. ما در این مقاله پس از مقدمه به مسائل در خور شبکه‌های عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت, در ادامه Perceptron ها را که یکی از مهمترین الگوریتم‌های شبکه‌های عصبی مصنوعی می‌باشد معرفی می‌کنیم.

1- مقدمه
1-1- ایده پیدایش شبکه‌های عصبی مصنوعی
آیا کامپیوتر میتواند همان نوع از محاسباتی را که یک فرد هوشمند انجام میدهد به کار گیرد؟
بسیاری از دانشمندان عقیده داشته ودارند که این بحث باید مورد توجه قرار گیرد. شبکه‌های عصبی در حل مسائل یک جهت جدید و متمایز نسبت به کامپیترهای عمومی می‌گشود. کامپیوترهای عمومی از یک الگوریتم استفاده می‌کنند یعنی برای حل مسائل از یک سری دستورات از پیش تعیین شده پیروی می‌کنند مگر در مواقع ویژه‌ای که کامپیوتر نیاز به یک‌سری اطلاعات برای حل مسئله دارد. و همین مسئله توانایی پردازش را از کامپیوترهای عمومی به مسائلی که ما قبلا فهمیده‌ایم و روش حل آنها را شناخته‌ایم محدود می‌کند و تنها سرعت عمل و قدرت در حل نمونه‌های بزرگتر را به همراه دارند. اما کامپیوترها باید به قدری مفید باشند که بتوانند کارهایی را انجام دهند که واقعا ما نمی‌دانیم چگونه باید آنها را انجام دهیم.

1-2- بررسی سلولهای مغزی افراد
تحقیق درباره سلولهای مغزی افراد و همچنین شناخت ‌‌Neuron ها یا رشته‌های مغزی وبیان یک راه نسبتا متفاوت که یک سیستم هوشمند را بنا می‌کند شروع شد. مغز بشر متشکل از میلیونها نرون عصبی منحصر بفرد است واین رشته‌های عصبی به اشکال و اندازه‌های مختلف تغییر می‌کنند.. هر نرون عموما یک هسته دارد و یک‌سری سلولهای عصبی Axon (آکسون)ـ که علائم خروجی را به سلولهای عصبی نرون دیگر حمل می‌کنندـ و Dendrite ها (شاخه‌های سلولهای عصبی). علائم در سلولهای عصبی میان شاخه‌های سلولهای عصبی ونواحی خروجی جریان دارند.
در اینجا برای حالت برانگیزش باید آشفتگی از یک حدی تجاوز کند که آستانه یا سرحد نامیده می‌شود و پس از برانگیزش نرون‌ها پیامهایی برای نرون‌های دیگر می‌فرستند و خود را برای دریافت و پاسخ به اطلاعات عمومی آماده می‌کنند.

پروژه استخر و سونا

محتوایی این فایل شامل دو فایل پاورپوینت با بیش از 40 صفحه میبشد...

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