دانلود ارائه بررسی باکتری ها در سینوس های بینی

اختصاصی از کوشا فایل دانلود ارائه بررسی باکتری ها در سینوس های بینی دانلود با لینک مستقیم و پرسرعت .

مقدمه: در سینو سها استافیلوکوک ها معمولا به عنوان فلور نرمال پیدا میشود.70در صد افراد آرئوس را در بینی خود حمل می کنند.پس کوکسی های گرم مثبت ارزش گزارش کردن ندارند. اما باکتری های گرم منفی اگر در بینی باشد باید گزارش شود و معمولا هم ایجاد بوی بد
می کنند.همچنین در ترشحات بینی لام مستقیم ارزش ندارد.

وسایل مورد نیاز: KOH 3 درصد-وسایل رنگ آمیزی گرم-H2O2 3درصد-کوآگولاز لوله ای و لامی-محیط مانیتول سالت آگار-پلیت تست دی اکسی ریبو نوکلئاز-پلیت تست فسفاتاز-دیسک نئوبیسین

دانلود مقاله توسعه کامل سازی باد از طریق پیش بینی انرژی باد

اختصاصی از کوشا فایل دانلود مقاله توسعه کامل سازی باد از طریق پیش بینی انرژی باد دانلود با لینک مستقیم و پرسرعت .

همانطور که سطوح نفوذ باد از لحاظ جهانی افزایش می یابد، نیاز به پیش بینی صحیح تغییرات در تولید انرژی باد- در انواع متفاوت پیش بینی افق های زمان- برای پایداری شبکة نیرو و همچنین کارآیی تولید روز به روز مهم می شود. پیش بینی های صحیح انرژی باد، از جمله اجزاء مهم و حیاتی برای بسیاری از چالش های عملیاتی و برنامه ریزی هستند که متغیر از پیگیری بار تا برنامه ریزی انتقال و اختصاص دادن سرمایه، تا بازاریابی سطح استراژی و برنامه ریزی عملیات است. وقتی برای تصمیم گیری بکار می رود، پیش بینی های صحیح انرژی باد، هزینه های فرعی خدمات را کاهش می دهند، قابلیت اعتبار شبکه از طریق برنامه ریزی مؤثرتر افزایش می یابد و اپراتورهای پروژه و شرکت های برق می توانند تصمیمات استراژی مهمی بگیرند که باعث افزایش کارآیی می گردد. پیش بینی هایی که تا سالها بعد امتداد می یابد ، به شناسایی صحیح تر مشخصات نسل بلند مدت کمک می کند و باعث فرمولاسیون های صحیح تر فاکتور ظرفیت و انتخاب پروژه های مؤثرتر می گردد. این مقاله طرح می کند که چگونه و چرا پیش بینی انرژی باد می پردازد. دومین بخش استراژی هایی را برای پیش بینی در افق های زمانی متفاوت طرح می کند. بخش3 نتایج حاصل از پیش بینی در موقعیت های متفاوت را در عرض ایالات متحده بررسی می کند. بخش آخر، خلاصه ای را فراهم کرده و مروری دارد بر آیندة پیش بینی.

سابقه پایه های هواشناسی

همانطور که همه ما می دانیم، باد، سوختی برای انرژی باد است. مادامیکه دشواری بسیار زیاد ساده کردن باد، اساساً نتیجة اختلاف های در فشارها در فواصل افقی است، با این اختلاف، گرادیان فشار مطرح می شود. در ساده ترین سطح، حاصل عدم تعادل های گرمایی هستند و در اساسی ترین سطح، حرارت غیر یکنواخت زمین، باد را به حرکت در می آور. در مقیاس های دقیقه، ساعت و روزانه، تغییرات در شرایطهای جوی در توپوسفر- پائین ترین سطح جو –   آب و هوا نامیده می شوند . از سوی دیگر، شرایط آب وهوایی یا آب و هوا بر اساس یک مقیاس زمانی فرق می کند: شرایط آب و هوا، الزاماً توده و تراکم آب و هوا روی یک قسمت طولانی زمانی است و بنابراین ایده ای دربارة مشخصات متوسط آب و هوا فراهم می کند ( در مورد خاص ما، باد است) آب و هوا در تعدادی از مقیاس های هوایی فرق می کند از مقیاس های روزمره گرفته تا سال به سال و دامنة این تغییرات از لحاظ جغرافیایی وابسته است.

پیش بینی افق های زمان

یک استراژی کامل و جامع پیش بینی باید به این نکته توجه داشته باشد که تاکتیک های متفاوت باید برای فلق پیش بینی هایی به کار روند که از ساعت ها گرفته تا ماهها در آینده امتداد می یابند. شکل1، پیش بینی افق های متفاوت زمانی را نشان می دهد، اینکه چه اطلاعاتی و یا تاکتیک هایی برای پیش بینی بکار رفتند و دلایل استراژیکی و یا عملیاتی متفاوت برای پیش بینی چه چیزهایی هستند. در کوتاهترین افق زمان پیش بینی- افق کاربردی برای زمینه های عملیاتی چون پیگیری بار و پایداری باد- صحیح ترین استراژی های پیش بینی به مشاهداتی چون ورودی بستگی دارند. اساساً اطلاعات حاصل از پروژة باد و در ناحیة پیرامون، پروژه باد به صورت ورودی ها در استراژی های پیش بینی آماری متفاوت بکار برده شده است. متودهای سازشی اغلب شبکه های خنثی را بکار می گیرند و اساساً برای خلق این پیش بینی ها، کاربردی می باشند. بعد از چند ساعت، متودهای پیش بینی که بر اساس مشاهدات هستند، بهترین پیش بینی را فراهم نمی کنند. بنابراین، ما به استفاده از مدل های پیش گویی آب وهوا در افق زمان پیش گویی قطعی می پردازیم که تا چند روز طول می کشد. کلمة پیش بینی قطعی برای شرح، پیش بینی رویدادهای آب وهوای خاص در پیش بینی یک سیستم آب وهوای وارده بکار میرود. موضوع های عملیاتی در این افق پیش بینی از برنامه ریزی انتقال تا اختصاص دادن سرمایة تولید متغیر است. این اطلاعات برای تجارت نیرو روز نیز مهم است البته اگر این بازارها وجود داشته باشند. در هر کجا از چند روز گرفته تا بیش از یک هفته، جو بی نظم می شود و پیش گویی های قطعی دیگر نمی توانند با هر گونه درجة مهارت صورت گیرند. در این مقیاس ها، ما باید به انواع متفاوتی از شرایطهای خارجی- یا نیروها- تکیه کنیم، شرایطهایی که می توانند الگوهای بلند مدت را تحت تاثیر قرار دهند.

دانلود پروژه پیش بینی بار سیستم های توزیع انرژی

اختصاصی از کوشا فایل دانلود پروژه پیش بینی بار سیستم های توزیع انرژی دانلود با لینک مستقیم و پرسرعت .

مقدمه کلی و تاریخچه
پیش بینی بار یک فرایند مرکزی و جامع در برنامه ریزی و بهره برداری صنعت برق بوده است. روشهای برخورد زیادی در دو دهه اخیر برای به کارگیری این مسئله تحقیق و بررسی شده اند.این روشها اغلب ماهیتا با هم تفاوت داشته و به نظریات مختلف مهندسی و تحلیل های اقتصادی پاسخ می دهند.
یکی از مراحل مهم در طراحی سیستمهای توزیع انرژی الکتریکی پیش بینی بار و سیر تغییرات آن از زمان حال تا پایان سال مورد نیاز برای طراحی می باشد.پیش بینی بار صحیح علاوه بر صرفه جویی در هزینه های سرمایه گذاری، امکان برنامه ریزی زمانی مناسب جهت اجرای پروژه را نیز فراهم می نماید.(طراحی دینامیک).  در کشورهای پیشرفته و در حال توسعه، برنامه های اقتصادی میان مدت و بلند مدتی به منظور رسیدن به اهداف اقتصادی و اجتماعی ان کشورها طرح ریزی می شود.یکی از شاخه های برنامه های اقتصادی، پیش بینی مصرف انرژی و شاخه فرعی ان ، پیش بینی مصرف انرژی الکتریکی است.
با پیش بینی مصرف انرژی الکتریکی می توان اطلاعات کافی برای طراحی و توسعه شبکه های توزیع تهیه کرد. این پیش بینی به منظور تحلیل نیازهای اینده و برنامه ریزی در باره محل ،ظرفیت و وابستگی فیدرها، پست های اصلی و پست های فرعی ، مورد نیاز است.
پیش بینی مصرف انرژی الکتریکی با اعمال ضریب بار به پیش بینی بار پیک تبدیل می شود. تا جهت طراحی اجزاء مختلف سیستمهای تولید ، انتقال و توزیع انرژی الکتریکی استفاده می شود
گروه کاری پیش بینی بار IEEE در دو فاز فهرست مستندی در مورد پیش بینی بار منتشر کرده است.فهرست اول(فاز ۱)فلسفه های کلی پیش بینی بار را پوشش داده است،و فهرست دوم(فاز۲) روی موضوعات اقتصادی پیش بینی بار تمرکز دارد.آخرین بررسی بوسیلهGross وGaliana در۱۹۸۷ گزارش می شود که در این گزارش نویسندگان روشهای مختلف پیش بینی بار کوتاه مدت را بررسی کرده اند. که بعضی از روشها پیشنهادی بوده و بعضی نیز هم اکنون مورد استفاده می باشند. انتشارات دیگری نیز وجود دارند که مسئله پیش بینی بار را بررسی نموده اند. یکی از اینها کار آقای Bunn است که روندهای پیش بینی بار کوتاه مدت را در صنعت تولید برق مورد ارزیابی قرار داده است.در یک کار دیگرآقایBunnوFarmer به بررسی و بحث در روشهایی از پیش بینی پرداخته اند که در صنعت برق به کار برده می شوند.کار دیگری توسط آقایFields انجام شده که مدلهای تحقیقاتی پیش بینی کمی را در بر گرفته است در پیش بینی بار تکنیکهای مختلفی برای مسئله پیش بینی روزانه بار به کار گرفته شده است.تقریبا کلیه این تکنیک ها از روشهای آماری استفاده کرده اند،اما امروزه روشهای پیشرفته تری وجود دارند
که با استفاده از سیستم های خبره(مبتنی بر دانش)مسئله پیش  بینی بار را انجام می دهند.

۱-۲ اهداف پروژه
بررسی اهمیت پیش بینی بار سیستم های توزیع انرژی
مزایا و نتایج حاصل از  پیش بینی صحیح بار در سیستم های توزیع انرژی
معرفی و مقایسه روشهای مختلف پیش بینی بار سیستم های توزیع انرژی
ارائه روش های نوین و کارا در پیش بینی بار سیستم های توزیع انرژی
پیشنهاد یک روش جدید در پیش بینی بار سیستم های توزیع انرژی مبتنی بر منطق فازی و شبکه های عصبی

فصل اول : مقدمه ای بر پیش بینی بار در سیستم های توزیع انرژی الکتریکی
۱-۱ مقدمه کلی و تاریخچه
۲-۱ اهداف پروژه
۳-۱ تقسیم بندی زمانی پیش بینی بار
۴-۱مرور روشهای پیش بینی بار سیستم های توزیع انرژی
۱-۴-۱ پیش بینی بار با روش رگرسیون خطی
۲-۴-۱ پیش بینی بار با سریهای زمانی تصادفی
۱-۲-۴-۱ روش خود برگشتی
۲-۲-۴-۱ روش حرکت متوسط
۳-۲-۴-۱ روش خود برگشتی حرکت متوسط
۴-۲-۴-۱ روش خود برگشتی تجمع یافته با حرکت متوسط
۱۳-۴- روش یکنواخت سازی نمایی عمومی
۴-۴-۱ پیش بینی بار با کاربری ارضی
۵-۴-۱ پیش بینی بار با شبکه های عصبی
۶-۴-۱ پیش بینی بار با منطق فازی
فصل دوم: پیش بینی بار در سیستم های توزیع با روش رگرسیون
۱-۲ مقدمه
۲-۲ تقسیم بندی کلی روشهای کلاسیک پیش بینی بار و بررسی روش رگرسیون
۳-۲ اصلاح روش پیش بینی بار رگرسیونی
۱-۳-۲اصلاح اول: حل مشکل انتقال بار
۲-۳-۲اصلاح دوم:حل مشکل استنتاج سطح خالی
۳-۳-۲ اصلاح سوم: حل مشکل گروه بندی
۴-۲ اطلاعات مورد نیاز
۵-۲اعمال روش بهبود یافته
۶-۲ آزمایش و نتیجه گیری
فصل سوم: پیش بینی بار به روش کاربری ارضی
۱-۳  مقدمه
۲-۳ معرفی روش کاربری ارضی
۳-۳ مراحل روش کاربری ارضی
۱-۳-۳ تقسیم بندی شهر به سلولهای مساوی
۲-۳-۳ گروه بندی مشترکین
۱-۲-۳-۳ مناطق مسکونی
۲-۲-۳-۳ صنایع سنگین و مصرف کنندگان بزرگ
۳-۲-۳-۳ صنایع کوچک و خدماتی
۴-۲-۳-۳ اماکن تجاری
۵-۲-۳-۳ روشنایی اماکن عمومی
۶-۲-۳-۳ اماکن خاص
۴-۳ ناحیه بندی شهر
۵-۳ اعمال روش
۱-۵-۳ پیش بینی بار مناطق مسکونی
۲-۵-۳ پیش بینی بار مناطق تجاری
۳-۵-۳ پیش بینی بار روشنایی معابر
۴-۵-۳ پیش بینی بار اصلی و خدماتی
۵-۵-۳ پیش بینی بار اماکن خاص
نتیجه فصل
فصل چهارم: پیش بینی بار سیستم های توزیع با شبکه های عصبی و منطق فازی
۱-۴ مقدمه
۲-۴ شبک ههای عصبی
۳-۴ شبکه عصبی کوهونن
۴-۴ تکمیل الگو درشبکه عصبی کوهونن
۵-۴ شبکه عصبی پرسپترن
۶-۴ مدل پیش بینی بار
۷-۴ ساختار شبکه عصبی پرسپترن درمدل پیش بینی بار سیستم های توزیع
۸-۴ ساختارشبکه عصبی کوهونن درمدل پیش بینی بار سیستم های توزیع
۹-۴ پیش بینی بار سیستم های توزیع انرژی با منطق فازی
۱۰-۴ بررسی اجمالی منطق فازی
۱۰-۴ سیستم های فازی
۱۱-۴ انواع سیستم های فازی
۱۲-۴ مجموعه های فازی
۱۳-۴ متغیرهای زبانی و قواعد اگر _ آنگاه فازی
۱۴-۴ استدلال تقریبی تشبیهی برای پیش بینی با
۱۵-۴ ساختار شبکه عصبی فازی تشبیهی
۱۶-۴ تنظیم اولیه پایگاه داده ها
۱۷-۴ آموزش شبکه عصبی فازی تشبیهی
۱۸-۴ بکارگیری شبکه عصبی فازی تشبیهی در پیش بینی بار سیستم توزیع
۱۹-۴ تنظیم اولیه و آموزش شبکه عصبی فازی تشبیهی
فصل پنجم : پیش بینی بار با استفاده از فیلتر کالمن
۱-۵ مقدمه
۲-۵ پیش بینی بار
۳-۵ پیش بینی بار در شبکه برق های منطقهای و سیستم های توزیع
۴-۵ تعیین مدل ریاضی جهت پیش بینی بار در یک شبکه نمونه
۵-۵ استفاده از فیلتر کالمن جهت تخمین بهینه حداکثر بار مصرفی

پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف

اختصاصی از کوشا فایل پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:96

پایان نامه مقطع کارشناسی ارشد
رشته : مهندسی شیمی

فهرست مطالب:
صفحه    عنوان
فصـل اول : مقدمه وکلیات تحقیق    1
1-1-مقدمه    2
1-2-تعریف فشار بخار    2
   1-3--عوامل مؤثر برفشار بخار    3
1-3-1-ماهیت مایع    3
1-3-2-دمای مایع    3
1-4-بیان مسأله    3
1-5-توجیه ضرورت انجام تحقیق    4
1-6-اهداف تحقیق    4
1-7-مراحل انجام تحقیق    4
1-8-ساختار تحقیق    5
فصل دوم:ادبیات و پیشینه تحقیق    7
2-1-مقدمه    8
2-2-روابط ریاضی تخمین وپیش بینی فشاربخار مواد مختلف    9
2-2-1-معادله کلازیوس-کلاپیرون    9
2-2-2-معادله آنتوان    10
2-2-2-1-محدودیت های معادله آنتوان    10
2-2-3-معادله آنتوان توسعه یافته    10
2-2-4-معادله واگنر    11
2-2-4-1-محدودیت های معادله واگنر    12
2-2-5-رابطه حالتهای متناظر ریدل    12
2-2-6-معادله لی-کسلر    14
2-2-6-1-محدودیت های رابطه لی-کسلر    15
2-2-7-معادله فشاربخار آمبروز-پاتل    15
2-2-7-1-ملاحظات معادله آمبروز-پاتل    16
2-2-8-روش حالتهای متناظر آمبروز-والتون    16
2-3-اهمیت روش های نوین پیش بینی و تخمین خواص مواد    17
2-4-پیشینه روش شبکه های عصبی در تخمین خواص ترمودینامیکی    18
2-5-پیش بینی فشاربخار مواد با استفاده از شبکه عصبی مصنوعی    19
فصل سوم: روش تحقیق    21
3-1-مقدمه    22
3-2-تاریخچه پیدایش شبکه های عصبی مصنوعی    22
3-3-ویژگی های شبکه های عصبی مصنوعی    24
3-3-1-قابلیت آموزش    24
3-3-2-قابلیت تعمیم    24
3-3-3-پردازش توزیعی(موازی)    24
3-3-4-تحمل پذیری خطا    25
3-4-ساختار شبکه‌ها‌ی عصبی مصنوعی    25
3-4-1-مدل نرون با یک ورودی    25
3-4-2- مدل نرون با یک بردار به عنوان ورودی    26
3-4-3-ساختار یک لایه از شبکه های عصبی    27
3-4-4-شبکه های چندلایه    27
3-4-5-توابع انتقال    28
3-4-5-1-تابع انتقال سخت محدود    29
3-4-5-2-تابع انتقال خطی    29
3-4-5-3-تابع انتقال لگاریتمی سیگموئید    30
3-4-5-4-تابع انتقال شعاع مبنا    30
3-4-5-5-تابع انتقال آستانه ای خطی متقارن    31
3-4-5-6-تابع انتقال تانژانت-سیگموئید    31
3-5-روش های آموزش شبکه عصبی    32
3-6-قواعد یادگیری شبکه های عصبی    32
3-6-1-قواعد یادگیری نظارت شده    32
3-6-2-قواعد یادگیری غیرنظارتی    33
3-7- شبکه های عصبی پرسپترون    33
3-7-1-محدودیت های شبکه پرسپترون    34
3-8- شبکه های عصبی پیشخور    35
3-9-الگوریتم پس انتشار خطا    36
3-10-آموزش شبکه های پس انتشار    37
3-11-بیش برازش شبکه    37
3-12-بهبود عمومیت شبکه    38
3-13-پارامترهای اساسی برای طراحی یک شبکه عصبی    39
3-13-1-انتخاب مناسب ترین اطلاعات ورودی به شبکه    39
3-13-2-نحوه ورود داده ها    39
3-13-3-تقسیم بندی داده ها    39
3-13-4-انتخاب مناسب ترین تعداد نرون های لایه پنهان    40
3-12-معیارهای ارزیابی کارایی مدل    40
3-12-نرم افزار استفاده شده در این تحقیق    41
فصل 4: محاسبات و یافته های تحقیق    42
4-1-مقدمه    43
4-2-طراحی شبکه عصبی مصنوعی برای هیدروکربن های آروماتیکی    43
4-3- طراحی شبکه عصبی مصنوعی برای آلکان ها و آلکن ها    52
4-4- طراحی شبکه عصبی مصنوعی برای الکل ها     .6
4-5- طراحی شبکه عصبی مصنوعی برای آلکیل سیکلو هگزان ها    68
فصل پنجم: نتیجه گیری و پیشنهادها    77
5-1-نتیجه گیری    78
5-2-پیشنهادات برای تحقیقات آتی    79
مراجع    80
چکیده انگلیسی    86

فهرست جداول
عنوان    صفحه
جدول 4- 1: مشخصات داده های تجربی درنظرگرفته شده برای هیدروکربن های آروماتیکی    44
جدول 4- 2بررسی خطاوضریب تعیین ساختار مختلف شبکه های عصبی برای هیدروکربن های آروماتیکی    46
جدول 4- 3: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای هیدروکربن های آروماتیکی    51
جدول 4- 4: خلاصه شبکه عصبی طراحی شده برای گروه هیدروکربن های آروماتیکی    52
جدول 4- 5: مشخصات داده های تجربی درنظرگرفته شده برای آلکان ها و آلکن ها    53
جدول 4- 6: بررسی میزان خط و ضریب تعیین ساختار مختلف شبکه های عصبی برای آلکان ها و آلکن ها    54
جدول 4- 7: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای آلکان ها و آلکن ها    59
جدول 4-8: خلاصه شبکه عصبی طراحی شده برای گروه آلکان ها و آلکن ها    60
جدول 4- 9: مشخصات داده های تجربی درنظرگرفته شده برای الکل ها    61
جدول 4- 10: بررسی میزان خطا وضریب تعیین ساختار مختلف شبکه های عصبی برای الکل ها    62
جدول 4- 11: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای الکل ها    67
جدول 4- 12: خلاصه شبکه عصبی طراحی شده برای گروه الکل ها    68
جدول 4- 13: مشخصات داده های تجربی درنظرگرفته شده برای آلکیل سیکلوهگزان ها    69
جدول 4- 14: بررسی میزان خطا وضریب تعیین ساختارمختلف شبکه های عصبی برای آلکیل سیکلوهگزان ها    70
جدول 4- 15: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای آلکیل سیکلو هگزان ها    75
 جدول 4- 16: خلاصه شبکه عصبی طراحی شده برای گروه آلکیل سیکلو هگزان ها    76

فهرست شکل¬ها
عنوان    صفحه
شکل 3- 1: نمایی از مدل نرون تک ورودی    26
شکل 3- 2:مدل نرون با R ورودی    27
شکل 3- 3:یک لایه از شبکه های عصبی    27
شکل 3- 4: مدل خلاصه شده شبکه تک لایه    27
شکل 3- 5: مدل شبکه های چند لایه    28
شکل 3- 6: تابع انتقال سخت محدود    29
شکل 3- 7: تابع انتقال خطی    29
شکل 3- 8: تابع انتقال لگاریتمی سیگموئید    30
شکل 3- 9: تابع انتقال شعاع مبنا    30
شکل 3- 10: تابع انتقال آستانه ای خطی متقارن    31
شکل 3- 11:تابع انتقال تانژانت-سیگموئید    31
شکل 3- 12:یک نرون پرسپترون    34
شکل 4- 1: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای  هیدروکربن های آروماتیکی    47
شکل 4- 2: ساختار بهینه شبکه عصبی برای هیدروکربن های آروماتیکی    47
شکل 4- 3: خطای مربعات میانگین شبکه در مراحل آموزش، ارزیابی و تست برای هیدروکربن های آروماتیکی    48
شکل 4- 4: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله آموزش برای هیدروکربن های آروماتیکی    49
شکل 4- 5: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله ارزیابی برای هیدروکربن های آروماتیکی    49
شکل 4- 6: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله تست برای هیدروکربن های آروماتیکی    50
شکل 4- 7: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در کل مراحل برای هیدروکربن های آروماتیکی    50
شکل 4- 8: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای آلکان ها و آلکن ها    55
شکل 4- 9: ساختار بهینه شبکه عصبی برای آلکان ها و آلکن ها    55
شکل 4- 10: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای آلکان ها و آلکن ها    56
شکل 4- 11: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله آموزش برای آلکان ها و آلکن ها    57
شکل 4-12: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله ارزیابی برای آلکان ها و آلکن ها    57
شکل 4- 13: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله تست برای آلکان ها و آلکن ها    58
شکل 4- 14: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در کل مراحل برای آلکان ها و آلکن ها    58
شکل 4- 15: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای الکل ها    63
شکل 4- 16: ساختار بهینه شبکه عصبی برای الکل ها    63
شکل 4- 17: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای الکل ها    64
شکل 4- 18: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله آموزش برای الکل ها    65
شکل 4- 19: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله ارزیابی برای الکل ها    65
شکل 4- 20: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله تست برای الکل ها    66
شکل 4- 21: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در کل مراحل برای الکل ها    66
شکل 4- 22: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای آلکیل سیکلوهگزان ها    71
شکل 4- 23: ساختار بهینه شبکه عصبی برای آلکیل سیکلوهگزان ها    71
شکل 4- 24: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای آلکیل سیکلوهگزان ها    72
شکل 4- 25: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله آموزش برای آلکیل سیکلوهگزان ها    73
شکل 4- 26: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله ارزیابی برای آلکیل سیکلوهگزان ها    73
شکل 4- 27: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله تست برای آلکیل سیکلوهگزان ها    74
شکل 4- 28: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در کل مراحل برای آلکیل سیکلوهگزان ها    74

چکیده
فشار بخار یک خاصیت ترمودینامیکی مهم در طراحی تجهیزات فرایندی و عملیات واحد مهندسی شیمی است. از این رو،داده های فشاربخار تجربی که تمام محدوده فشار بخار را پوشش دهند خیلی ارزشمند هستند اما به دلیل فقدان اندازه گیری های دقیق برای فشاربخار برخی از مواد در نزدیکی نقطه سه گانه و بحرانی،  معادله هایی که قادر به پیش بینی فشاربخار در چنین شرایطی باشند بسیار حائز اهمیت می باشنداما به دلیل شرایط ومحدودیت های موجود در بسیاری از روابط موجود، استفاده از روش های جدیدی که به دور از این محدودیت ها باشند ،توصیه می گردد.یکی از روش های عددی که در سالهای اخیر جایگاه خاصی در محاسبات مهندسی شیمی پیدا کرده است، روش محاسبه بر اساس شبکه های عصبی می باشد.در این پژوهش، با استفاده از روش شبکه های عصبی مصنوعی، مدلی برای پیش بینی فشار بخار مواد مختلف ارائه شد.در کارحاضر،از 4 گروه از مواد شامل هیدروکربن های آروماتیکی،آلکان ها و آلکن ها، الکل ها و آلکیل سیکلوهگزان ها استفاده شد.مناسب ترین نوع شبکه عصبی مصنوعی برای پیش بینی فشاربخار این مواد، یک شبکه سه لایه پیشخور با الگوریتم پس انتشارخطا می باشد که در آن از تابع انتقال تانژانت سیگموئید در لایه پنهان و تابع انتقال خطی در لایه خروجی بهره گرفته شده است . پارامترهای ورودی شبکه عبارتند از: دما، دمای بحرانی، فشاربحرانی و ضریب بی مرکزی. داده های مورد نیاز جهت آموزش وتست شبکه از مقادیرمعتبر آزمایشگاهی گردآوری شدند.میزان خطای روش شبکه عصبی با مقادیر خطای حاصل از روش ها ی مختلف تخمین فشاربخار مقایسه شد. نتایج شبیه سازی نشان می دهند که روش شبکه عصبی توانسته پیش بینی دقیقی از فشاربخار مواد ارائه دهد و از دقت بالاتری نسبت به سایر روش ها برخوردار است.

کلمات کلیدی: فشار بخار، مدل سازی، پیش بینی خواص ترمودینامیکی، روش های هوشمند

پیش بینی پارامترهای موثر در طراحی دیوارهای برشی بتنی دارای بازشو با استفاده از شبکه های عصبی مصنوعی

اختصاصی از کوشا فایل پیش بینی پارامترهای موثر در طراحی دیوارهای برشی بتنی دارای بازشو با استفاده از شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پرسرعت .

• مقاله با عنوان: پیش بینی پارامترهای موثر در طراحی دیوارهای برشی بتنی دارای بازشو با استفاده از شبکه های عصبی مصنوعی  

• نویسندگان: حسنعلی مسلمان یزدی ، قاسم خلیلی  

• محل انتشار: هشتمین کنگره ملی مهندسی عمران - دانشگاه صنعتی نوشیروانی بابل - 17 و 18 اردیبهشت 93

• محور: سازه های بتنی

• فرمت فایل: PDF و شامل 7 صفحه می باشد.

چکیــــده:

یکی از سیستم‌ها برای طراحی مقاوم سازه‌ها در برابر زلزله، دیوارهای برشی می‌باشند که در دو نوع فولادی و بتنی اجرا می‌گردند. این سازه‌ها وظیفه استهلاک و انتقال بارهای جانبی را بر عهده دارند. مشکلات معماری و به تبع آن معضلات طراحی، یکی از مواردی است که به سبب نیاز بازشو در دیوارهای برشی برای طراحان به وجود می‌آید. لذا با توجه به موثر بودن پارامترهای ارتفاع، عرض، ضخامت دیوار و همچنین موقعیت بازشو بر روی رفتار این نوع سازه‌ها، در این مقاله سعی گردیده است تا مدل سازی‌های تجاری توسط نرم افزار ETABS انجام گیرد و با نرم افزار PERFORM 3D توسط تحلیل غیر خطی بررسی گردد و در نهایت با استفاده از شبکه‌های عصبی مصنوعی راهکارهایی جهت طراحی این نوع سیستم ارائه گردد.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **