4 نتیجه برای شبکه‌های عصبی
علی‌اکبر قره آغاجی، مازیار پالهنگ و محسن شنبه، ،
دوره 24، شماره 2 - ( 10-1384 )
چکیده
شبکه های عصبی مصنوعی سیستمهای پردازش اطلاعات هستند. در سالهای اخیر این الگوریتمها مورد توجه محققان بسیاری برای مدلسازی فرایندهای مختلف و همچنین حل مسائل گوناگون قرار گرفته‌اند.در این تحقیق یک مدل شبکه عصبی مصنوعی برای پیش بینی خصوصیات کششی نخهای مغزی دار با رویه پنبه و مغزی نایلون ارائه می‌شود.
بدین منظوراز شبکه‌های چند لایه پیشرونده با الگوریتم آموزشی انتشار به عقب برای بررسی رابطه و ایجاد یک نگاشت بین پارامترهای تولید(نمره جزء رویه، نمره جزء مغزی، کشیدگی اولیه اعمالی به جزء مغزی و تاب اعمال شده به نخهای مغزی دار) و خواص کششی (استحکام و ازدیاد طول تا حد پارگی) نخهای مغزی دار استفاده می‌شود. نتایج حاصل نشان داد شبکه‌های عصبی مصنوعی یک روش موثر برای پیش بینی خصوصیا ت کششی نخهای مغزی‌دار است؛ به طوری که انحراف استاندارد خطای پیش بینی دسته‌های آموزش دهنده و آزمایش کننده همواره از انحراف استاندارد آزمایشات کمتر بود.
محمد ابراهیمی، محمدرضا مرادیان، همایون مشکین کلک، محمد دانش و محمدباقر بیات، ،
دوره 25، شماره 1 - ( 4-1385 )
چکیده
در این مقاله برای تشخیص ترک خوردگی حلقه انتهایی و یا میله‌های رتور موتورهای القایی قفسه سنجابی روشی مبتنی بر شبکه‌های عصبی ارائه شده است. برای این منظور پس از بررسی روشهای سنتی تشخیص خطا، مدل دینامیکی موتور القایی با استفاده از روش تابع سیم‌پیچ معرفی شده است. در این روش اثر هریک از شیارهای استاتور و میله‌های رتور را جداگانه درنظر می‌گیریم. در نتیجه می‌توان عملکرد موتور در حالت سلامت رتور و یا بروز شکستگی در هر بخش آن را مورد بررسی قرار داد. پس از آن با استفاده از تبدیل فوریه، طیف فرکانسی سیگنالهای جریان در شرایط مختلف استخراج و مورد تجزیه و تحلیل قرار گرفـته است. آن گاه پس از یک بحث تحلیلی در مورد اصول نظری، الگوریتمی ساده با استفاده از شبکه‌های عصبی برای تشخیص خطا ارائه شده است. نتایج حاصل از شبیه سازی نشان داد که این سیستم قادر به تشخیص سریع و دقیق خطاهای رتور است. در ادامه همان شبکه عصبی توسط اطلاعات تولید شده توسط یک موتور نمونه به قدرت
kW 1/1 مورد آموزش قرار گرفت. برای اینکه این سیستم بتواند به ازای گشتاورهای مختلف کارایی داشته باشد، اطلاعات مورد نیاز به ازای گشتاورهای مختلف تولید شد. این سیستم قادر به تشخیص سلامت یا شکستگی حلقه انتهایی و یا میله‌های رتور، به صورت بهنگام بوده است.
علی فتحی، علی‌اکبر آقاکوچک و غلامعلی منتظر، ،
دوره 26، شماره 2 - ( 10-1386 )
چکیده
در اتصالات لوله ای جوشی زمانی که عمق ترک خستگی کمتر از 20 درصد ضخامت جدارۀ عضو اصلی است، رشد ترک بیش از هر چیز تحت اثر هندسۀ جوش در اتصال است.
از این رو حل اتصال T شکل و ضریب بزرگنمایی جوش (Mk) ابزار مناسبی برای محاسبۀ سرعت رشد ترک در این محدوده اند. در این تحقیق توانایی شبکه های عصبی مصنوعی برای تعیین Mk در اتصالات T شکل مورد آزمون قرار گرفته است. چهار شبکه از نوع پرسپترون چندلایه (MLP) طراحی و آموزش داده شده اند تا مقادیر Mk را در عمیقترین نقطۀ ترک و نقاط انتهایی آنها تحت تنشهای غشایی و خمشی تخمین بزنند. داده های استفاده شده برای آموزش و آزمون شبکه ها از داده های معتبر اجزای محدود استخراج شده است. مقایسۀ بین نتایج به دست آمده از شبکه ها و جدیدترین روابط منتشر شده برای محاسبۀ Mk نشان دهندۀ قابلیت بالای شبکه-های عصبی برای استفاده در این زمینه است.
محمود مرآتیان، نوید سعیدی،
دوره 28، شماره 1 - ( 4-1388 )
چکیده
در انجماد آلومینیوم و آلیاژهای آن، بررسی ریز ساختار حاصل از شرایط انجمادی مختلف به‌علت تاثیر قابل ملاحظه آن بر خواص مکانیکی، اهمیت زیادی دارد. این مواد اصولا در انواع قالبهای ماسه‌ای، فلزی و تزریقی ریخته گری می‌شوند که شرایط انجمادی متفاوتی ایجاد کرده و ریز ساختار نهایی قطعه تا حد زیادی به این شرایط وابسته است. در این تحقیق تاثیر عواملی مثل سرعت سرد شدن، سرعت حرکت جبهه انجماد و شیب دمایی در فصل مشترک مذاب – جامد بر فواصل بین شاخه‌های ثانویه دندریتی توسط یک سیستم ریخته گری با انجماد جهت دار آلیاژهای مهم آلومینیوم بررسی شد. فواصل بین شاخه‌های ثانویه دندریتی در سرعتهای سرد شدن مختلف اندازه‌گیری و ارتباط آن به صورت روابط ریاضی ارائه شد. از طرف دیگر ارتباط بین فواصل شاخه‌های ثانویه دندریتی و سرعت سرد شدن توسط شبکه عصبی مصنوعی شبیه سازی و نمودارهای حاصل با نتایج آزمایشگاهی مقایسه شد و تطابق خوبی مشاهده شد. لذا از مدل شبیه سازی می‌توان برای پیش بینی مقادیر حدی که به صورت آزمایشگاهی انجام آن بسیار مشکل و یا ناممکن است استفاده کرد.
