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

ساختمان های پیش ساخته

اختصاصی از کوشا فایل ساختمان های پیش ساخته دانلود با لینک مستقیم و پرسرعت .

ساختمان های پیش ساخته

ساختمان های پیش ساخته و مبانی فکری

اگر چه ما از دیر باز به نفوذ فنون در سایر زمینه نای زندگی انس گرفته ایم، ولی نفوذ فنون به عرصه معماری هنوز موجب نگرانی معماران می باشد و این سوال را برای آنان مطرح می کند که آیا طرح ریزی عقلانی و عینی و استفاده از سیستم های فنی در معماری اصولا این امکان را برای معماران باقی می گذارد که علاوه بر هویت مهندسی شخص خود هویت معماریشان هم حفظ شود یا نه؟ پاسخ این سوال که چندان تازه هم نیست در اندیشه و افکار پیشتازان معماری نوین به این صورت تبلور یافته که یک مهندس معمار نه تماما مهندس فن است و نه تماما یک هنرمند، زمانی می توان گفت یک مهندس معمار بر حرفه خود مسلط است که داده های فنون را به طور کامل جذب کند و به علاوه قدرت هنری اش به او اجازه خلق فضاهایی را دهد که به راحتی قابل درک و تجربه باشند. مهم، ترجیح یکی از این دو توانایی مهندس معمار بر دیگری نیست، بلکه ترکیب این دو به منظور دستیابی به یک نتیجه درخور دارای اهمیت است. وقتی یک مهندس معمار تعهدی کلی را قبول می کند، معماری وی، یک معماری جامع می شود، چرا که باید کلیه جوانب کار_ چه هنر وچه فن_ را مد نظر قرار دهد. به کار گرفتن سیستم های ساختمانی در مرحله اول کار مستلزم تحلیل عملکرد و امکانات فنی اجرا می باشد و در مرحله دوم به کمال مهارت خلاقه معمار در تعبیر این داده ها بستگی دارد تا بتواند سیستم های مناسبی برگزیند. این روال کار به طور اجتناب پذیری به خلق اثر جامع معماری می انجامد که در چنین حالتی دیگر نمی توان بین چگونگی عملکرد، اجرا و کاربری یک بنا، ترجیحی قائل شد.

« ساختمان پیش ساخته » نتیجه چنین دیدگاهی است، دیدگاهی که فراتر از بعد صرفا طراحی معماری ، کل ساختمان از طرح تا اجرا را به صورت یک کل واحد دیده و در آن طراحی با مسائل فنی و اجرائی کاملا پیوند می خورد و مجموعه ای یکپارچه از معماری و سازه فراهم می شود.

در واقع در اینجا راجع به آن بخش از کار که به صورت سنتی در اجرا طرح و حل می شده است، از پیش اندیشیده شده و راهکار آن ارائه می شود ، به این ترتیب اندیشه جای سیستم آزمون و خطا را گرفته ، در زمان و نیروی انسانی صرفه جویی شده و نتیجه مطمئن تری حاصل می شود.

در چنین سیستمی سهم معمار در طراحی نسبت به سیستم سنتی چند برابر شده و برخلاف ساختمان های عادی که طراحی آن ها در کمترین زمان صورت گرفته و اجرا معمولا طولانی می باشد ، در این جا طراحی طولانی تر و در عوض اجرا بسیار کوتاهتر و ساده تر می باشد.

اما حقیقت اینجاست که تمام این حرف ها بدین معنا نیست که « ساختمان پیش ساخته » راه حل مطلوب و نهایی معماری می باشد چرا که تجربه تا به امروز چنین نشان نداده و راه رسیدن به چنین مطلوبی بسیار طولانی و پر پیچ و خم است.

آن چه امروزه به عنوان « ساختمان های پیش ساخته » می شناسیم ، بیش از هر چیز « کانکس » هایی هستند که در گوشه و کنار شهر ها به عنوان اقامت گاه های موقت بر پا می شوند ، در این فضاهای پیش ساخته معمولا چیزی از زیبایی و راحتی لحاظ نشده است و در واقع هدف اصلی آن ها ، تامین سرپناهی ساده ، موقت و قابل حمل بوده است و نمی توان آن ها را ناشی از هنر معماری دانست بلکه بیشتر تولیدی صنعتی محسوب می شوند. « کانکس » ها به صورت قوطی هایی در کارخانه با تمامی اجزا تولید شده و در محل پروژه قرار داده می شوند و بدلیل این که باید قابل حمل باشند در ابعاد و ارتفاع کم قابل تولیدند.

از انواع دیگر ساختمان های پیش ساخته می توان از ساختمان های « مدولار » یاد کرد که معمولا با تکرار یک یا چند واحد خاص بدست می آیند ، خطر بزرگی که این ساختمان ها را تهدید می کند ایجاد حس یکنواختی و صنعتی بودن در مخاطب است که از تکرار ناشی می شود ، که البته در این زمینه تجربه های موفق و خوبی موجود است .

از لحاظ سازه ای این ساختمان ها به دو صورت فلزی یا بتنی موجودند ، ساختمان های فلزی معمولا به صورت قابی طراحی شده و پوشش سقف و دیوار های آن ها به صورت سبک در نظر گرفته می شود ، اما در ساختمان های بتنی معمولا کل ساختمان به صورت یکپارچه از قطعات پیش ساخته بتنی تشکیل می شود.

تاریخچه پیش سازی :

اولین اتفاق تاریخی که در ارتباط با پیش سازی به وقوع پیوست را می توان ارائه شهر خیالی « مدینه فاضله » ( UTOPIA ) توسط لئوناردو داوینچی دانست.

این طرح در واقع ایده ای بود برای دوباره سازی شهر فلورانس که در آن الگوی شهر به شکل شطرنجی و بناهای آن به صورت پیش ساخته ارائه شده بود.

اتفاق بعدی که بر اساس آن تفکر پیش سازی بطور جدی تری شکل گرفت در قرن هفدهم و در جریان مهاجرت مهاجرین انگلیسی به آمریکا صورت گرفت.

تعداد صفحات: 56

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. **

روش زمانبندی کسب شده و پیش بینی زمان و هزینه نهایی پروژه

اختصاصی از کوشا فایل روش زمانبندی کسب شده و پیش بینی زمان و هزینه نهایی پروژه دانلود با لینک مستقیم و پرسرعت .

• مقاله با عنوان: روش زمانبندی کسب شده و پیش بینی زمان و هزینه نهایی پروژه 

• نویسندگان: زهرا میارنعیمی ، مهدی حبیبی ، ناصر نوروزی ، عبدا... امیدوار اشکلک 

• محل انتشار: دهمین کنگره بین المللی مهندسی عمران - دانشگاه تبریز - 15 تا 17 اردیبهشت 94 

• فرمت فایل: PDF و شامل 8 صفحه می باشد.

چکیــــده:

تکنیک مدیریت ارزش کسب شده (EVMS) یکی از پرکاربردترین روش هایی است که در طی چهار دهه‌ی اخیر در زمینه کنترل پروژه مورد استفاده قرار می‌گیرد. با استفاده از این تکنیک مدیر پروژه قادر خواهد بود عملکرد پروژه را تا یک مقطع زمانی خاص سنجیده، مشکلات پروژه را شناسایی کند و برای بهبود روند پروژه تصمیمات مناسب را اتخاذ کند، همچنین با استفاده از پارامترها و شاخص‌های عملکردی این تکنیک زمان و هزینه نهایی پروژه را پیش بینی کند. سیستم ارزش کسب شده زمان و هزینه نهایی پروژه را بر اساس شاخص‌هایی که مبنای هزینه‌ای دارند پیش بینی می‌کند بنابراین در زمینه پیش بینی زمان نهایی پروژه نتایج نزدیک به واقعیت را ارائه نمی‌دهد. در سال‌های اخیر تحقیقات زیادی در این زمینه صورت گرفت و محققان روش‌های گوناگونی برای تخمین زمان پایانی پروژه با استفاده از شاخص‌هایی که مبنای زمانی دارند ارائه نمودند. یکی از این روش‌ها روش زمانبندی کسب شده (ES) است که بر خلاف شاخصه‌ای مبتنی بر هزینه که توسط تکنیک EVM برای عملکرد زمانی پیشنهاد شده است، بر اساس شاخص‌های مبتنی بر زمان اقدام به پیش بینی و تحلیل زمان پروژه می‌نماید. پژوهش حاضر ضمن معرفی تکنیک ارزش کسب شده و روش زمانبندی کسب شده، چگونگی پیش بینی زمان و هزینه نهایی پروژه را با استفاده از روش زمانبندی کسب شده بیان می‌کند.

________________________________

** 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. **

روشی برای تعیین مقدار نیروی پیش تنیدگی در سازه های پیش تنیده موجود با استفاده از آزمایش های رفتار سنجی کلی به کمک الگوریتم ژنتی

اختصاصی از کوشا فایل روشی برای تعیین مقدار نیروی پیش تنیدگی در سازه های پیش تنیده موجود با استفاده از آزمایش های رفتار سنجی کلی به کمک الگوریتم ژنتیک دانلود با لینک مستقیم و پرسرعت .

• مقاله با عنوان: روشی برای تعیین مقدار نیروی پیش تنیدگی در سازه های پیش تنیده موجود با استفاده از آزمایش های رفتار سنجی کلی به کمک الگوریتم ژنتیک 

• نویسندگان: محمد قاسم سحاب ، مجتبی غفارزادگان ، مسعود بنی اسدی 

• محل انتشار: دهمین کنگره بین المللی مهندسی عمران - دانشگاه تبریز - 15 تا 17 اردیبهشت 94 

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

چکیــــده:

تعیین نیروهای پیش تنیدگی در سازه های پیش تنیده پس از ساخت آنها و اطمینان از عدم تجاوز افت این نیروها از حدود مجاز و کفایت آنها برای تحمل بارهای خارجی و حفظ ایمنی سازه از جمله موضوعات مورد توجه مهندسین طراح سازه‌های پیش تنیده است. امروزه در بسیاری از سازه‌های پیش تنیده مهم، از جمله پل‌های صندوقه‌ای معلق، در هنگام اجرای سازه حسگرهای مخصوص اندازه گیری نیروهای پیش تنیدگی نصب می‌شود و در زمان بهره برداری از سازه به کمک این حسگرها بر میزان افت نیروی پیش تنیدگی نظارت می‌شود. در مورد سازه‌های پیش تنیده موجود که در آنها نصب چنین تجهیزاتی از قبل صورت نپذیرفته، لازم است از روش‌ها و آزمایش‌های مناسب دیگری برای تعیین نیروی پیش تنیدگی و پایش سطح ایمنی سازه استفاده شود. در این تحقیق با توسعه روش‌های اندازه گیری تغییر مکان، مورد استفاده در تشخیص خرابی سازه‌ها، الگوریتمی برای تعیین نیروهای پیش تنیدگی کابل‌ها در مقطع یک تیر بتنی پیش تنیده ارائه شده است. برنامه‌ای به زبان فرترن بر اساس الگوریتم پیشنهادی برای تعیین مقدار نیروی پیش تنیدگی و مبتنی بر الگوریتم ژنتیک ساخته شده است. اندازه گیری تغییر مکان‌های تیر پیش تنیده که باید از روی سازه واقعی صورت پذیرد به کمک شبیه سازی کامپیوتری و استفاده از نرم افزار Abaqus صورت پذیرفته است. صحت کار برنامه و الگوریتم پیشنهادی با استفاده از چند مثال نشان داده شده است. دقت تعیین نیروی پیش تنیدگی موجود، در مثال های مذبور از 0.6% تا 3.5% متغیر بوده است. این میزان دقت بخوبی موید کارآمدی روش پیشنهادی است.

________________________________

** 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. **