۸ نتیجه برای انفیس
مهرداد نوری خاجوی، محمدرضا باویر، ابراهیم فرخی،
دوره ۱۵، شماره ۷ - ( ۷-۱۳۹۴ )
چکیده
آنتروپی در آمار، معیاری در جهت اندازه‌گیری بی‌نظمی در سری‌های زمانی می‌باشد. از آنتروپی جهت بررسی سیگنال‌های زمانی فیزیولوژیک استفاده میشود. به کمک این تحلیل می‌توان به عملکرد سالم یا ناسالم ارگان‌های بدن مانند قلب، مغز و ... پی بُرد. از این روش برای تشخیص بیماری صرع استفاده شده است. در این مقاله برای اولین بار از نوع خاصی از آنتروپی به نام آنتروپی جایگشتی جهت تعیین سلامت سیستم‌های مکانیکی استفاده شده است. دستگاهی شامل موتور که به یک محور تحت گشتاور خمشی متصل شده جهت انجام آزمایشات طراحی و ساخته شد.ارتعاشات ناشی از این محور دوار در حالت‌های سالم و با ترک‌های ۳، ۵ و ۷ میلی‌متر توسط دستگاه داده‌برداری بر روی یاتاقان‌های نگه‌دارنده محور، ثبت شد. این سیگنال‌ها توسط الگوریتم آنتروپی جایگشتی مورد تحلیل قرار گرفت. نتایج حاصل از این پیش‌پردازش سیگنال‌های ارتعاشی به‌عنوان بردارهای خصوصیت به یک سیستم استنتاج عصبی-فازی تطبیقی (انفیس) داده شد. تعداد ۹ خصوصیت از سیگنال آنتروپی چندمقایسی اسخراج شد که بعنوان ورودی‌های سیستم انفیس مورد استفاده قرار گرفت. سیستم انفیس طراحی‌شده توانست با تحلیل سیگنال‌های پیش‌پردازش شده حالات مختلف چهارگانه را با دقت بیش از ۹۶% تشخیص دهد. نتایج به‌دست‌آمده از این تحقیق می‌تواند به‌عنوان روشی جدید و بدیع جهت عیب‌یابی سیستم‌های مکانیکی مورد استفاده قرار گیرد.
دوره ۱۶، شماره ۸۸ - ( ۳-۱۳۹۸ )
چکیده
هدف از این پژوهش، تعیین سینتیک، ضریب پخش رطوبت موثر، انرژی فعالسازی، انرژی مصرفی ویژه و همچنین پیش بینی نسبت رطوبت توت سفید در طی فرآیند خشک‌کردن با خشک‌کن مایکرویو- هوای داغ به کمک مدل های ریاضی، شبکههای عصبی مصنوعی (ANN) و انفیس (ANFIS) است. خشک‌کردن محصول در سه دمای ۴۰، ۵۵ و°C ۷۰، در سه سرعت جریان هوای ۵/۰،۱ و m/s ۵/۱ و سه توان مایکرویوو ۲۷۰ ،۴۵۰ و W ۶۳۰ انجام شد. برای انتخاب یک منحنی خشک‌کردن مناسب، ده مدل لایه نازک خشک شدن، شبکههای عصبی مصنوعی و انفیس به دادههای آزمایشگاهی برازش شد. نتایج نشان داد که بیشترین و کمترین مقدار ضریب پخش رطوبت موثر به ترتیب (m۲/s ۹-۱۰×۵۶/۳ و کمترین مقدار m۲/s۱۰-۱۰×۸۶/۳) به دست آمد. همچنین کمترین و بیشترین مقدار انرژی مصرفی ویژه به ترتیب ۵۴/۴۸ وMj/kg ۸۸/۱۳۸۰ محاسبه شد. در میان مدلهای ریاضی مورد تحقیق مدلPage بهترین مدل برای تشریح رفتار خشک‌شدن لایه نازک توت را داشت. نتایج نشان داد مقادیر خطای میانگین مربعات ( )، برای مدلهای ریاضی، ANN، و ANFISبه ترتیب ۰۰۵۹/۰، ۰۰۵۲/۰ و ۰۰۴۴/۰ به دست آمد. بنابراین مدل ANFIS با بیشترین مقدار ضریب همبستگی (۹۹۹۹۵/۰= )، کمترین درصد میانگین خطای نسبی (۸۴/۱= ) و خطای میانگین مربعات (۰۰۴۴/۰= ) برای ارزیابی نسبت رطوبت در مقایسه با سایر روش‌های اجرا شده در این پژوهش به عنوان بهترین مدل انتخاب شد
امین طاهری گراوند، محمود امید، حجت احمدی، سید سعید محتسبی، جیوانی ماریا کارلومگنو،
دوره ۱۷، شماره ۲ - ( ۲-۱۳۹۶ )
چکیده
در این تحقیق یک سامانه مبتنی بر تلفیق فناوری‌های گرمانگاری و پردازش تصویر برای تشخیص و طبقه‌بندی عیوب مختلف رادیاتور توسعه داده می شود. عیوب متداول در رادیاتور‌های سیستم خنک کاری شامل؛ گرفتگی لوله‌های رادیاتور، گرفتگی شبکه رادیاتور، اتصالات شل بین لوله‌ها و شبکه رادیاتور، نشتی مایع خنک کاری، خرابی درب رادیاتور بصورت مصنوعی ایجاد گردید. به منظور تشخیص عیوب مختلف رادیاتور، از شرایط مختلف رادیاتور معیوب و سالم در سه سطح دمایی، سه سطح دبی جریان سیال خنک کاری در حال گردش و دو سطح سرعت هوای عبوری از شبکه رادیاتور تصاویر گرمایی توسط یک دوربین فروسرخ تهیه شد. پس از پیش پردازش تصاویر گرمایی تهیه شده جهت تجزیه و پردازش چند دقتی از تصاویر مذکور تبدیل موجک در یک سطح تجزیه اعمال گردید. از هر کدام از تصاویر گرمایی مقیاس خاکستری، تصاویر تقریب ، جزئیات افقی، عمودی و قطری تبدیل موجک آن تصویر، ویژگی‌های آماری بافت استخراج گردید. سپس با تلفیق تکنیکهای هوشمند الگوریتم ژنتیک و شبکههای عصبی-فازی تطبیقی (انفیس)، از آن جهت انتخاب ویژگی و ورودی‌های موثر به طبقه‌بند استفاده شد. در نهایت، از انفیس برای طبقه‌بندی تصاویر گرمایی با استفاده از بردار ویژگی‌های مستخرج و منتخب استفاده گردید. برای ارزیابی طبقه‌بند از شاخص‌های آماری صحت، حساسیت و اختصاصی بودن محاسبه شدند. پس از ارزیابی، سامانه پیشنهادی توانست با دقت کلی طبقه‌بندی ۹۴,۱۱ درصد عیوب مختلف رادیاتور سیستم خنک کاری را تشخیص و طبقه‌بندی نماید. بنابراین استفاده از تکنیک پردازش تصاویر گرمایی مبتنی بر هوش مصنوعی برای پایش وضعیت و تشخیص هوشمند عیوب رادیاتور امیدوار کننده است.
اکرم جهانبخشی، افشین احمدی ندوشن،
دوره ۱۸، شماره ۲ - ( ۲-۱۳۹۷ )
چکیده
در این مقاله، گرمایش هوا در فضای داخلی اتاق توسط دیوار خورشیدی (ترومب) با در نظر گرفتن هدایت حرارتی این دیوار، به صورت عددی شبیهسازی شده است. معادلات مومنتوم و انرژی به روش حجم کنترل جبری شده‌اند و به کمک الگوریتم سیمپل به صورت همزمان حل می‌شوند. در ابتدا یک مدل مرجع معرفی و نتایج آن ارائه شده است و سپس با استفاده از این مدل مرجع، پارامترهای موثر بر کارایی دیوار بررسی شده و در نهایت بهینه‌ترین هندسه برای داشتن دیوار خورشیدی با بهترین عملکرد انتخاب شده است. همچنین جهت افزایش کارآیی، فین‌هایی مستطیل شکل بر روی سطح جاذب دیوار قرار گرفته است. نتایج حاصل شده نشان می‌دهد دیوار خورشیدی با فین مستطیلی در تمامی فواصل هوایی بهتر از دیوار ساده عمل می‌کند و به طور نمونه در فاصله هوایی برابر ۱ متر، دمای اتاق با وجود فین‌های مستطیلی تقریبا۱,۲۴ درصد بیشتر از دیوار ترومب ساده است. در ادامه با استفاده از شبکه عصبی مصنوعی و انفیس میزان افزایش دمای اتاق با افزایش تعداد فین‌ها روی دیوار پیشبینی شده است. شبکه عصبی به گونه‌ای آموزش داده شد که بتواند دمای میانگین اتاق را به تعداد فین‌های روی سطح جاذب دیوار خورشیدی وابسته سازد. نتایج به دست آمده و مقایسه مقادیر مربع میانگین خطای استاندارد و مربع مجذور میانگین خطا نشان داد مدل انفیس با مقدار مربع میانگین خطای استاندارد برابر ۰.۷۴۲۵۹۹ نسبت به شبکه عصبی با مقدار مربع میانگین خطای استاندارد برابر ۱.۱ در پیشبینی دما کارآیی مناسب‌تری دارد.
دوره ۱۹، شماره ۱۲۵ - ( ۴-۱۴۰۱ )
چکیده
سیستم استنتاج تطبیقی فازی- عصبی (نرو- فازی یا انفیس) یک شبکه ترکیبی عصبی- فازی شناخته شده برای مدلسازی سیستم‌های پیچیده است. در این سیستم متداول‌ترین روش خوشه‌بندی فازی، الگوریتم خوشه‌بندی کاهشی فازی است. در این الگوریتم، یک خوشه با درجه مشخص برای هر نقطه داده وجود دارد که توسط یک سطح تابع عضویت توضیح داده میشود. در این مطالعه از مدل انفیس برای پیشبینی کاهش وزن (%)، جذب مواد جامد (%)، کاهش آب (%) و آبگیری مجدد (%) برشهای موز آبگیری شده به روش اسمز-فراصوت استفاده شد. مدل انفیس با ۳ ورودی توان فراصوت (در سه سطح ۰، ۷۵ و ۱۵۰ وات)، زمان تیمار فراصوت (در سه زمان ۱۰، ۱۵ و ۲۰ دقیقه) و غلظت محلول ساکارز (در سه سطح ۳۰، ۴۵ و ۶۰ درجه بریکس) برای پیشبینی ویژگی‌های برشهای موز آبگیری شده، توسعه یافت. مقادیر ضریب تبیین محاسبه‌شده برای پیشبینی کاهش وزن (%)، جذب مواد جامد (%)، کاهش آب (%) و آبگیری مجدد (%) برشهای موز آبگیری شده با استفاده از الگوریتم خوشه‌بندی کاهشی مبتنی بر انفیس به ترتیب برابر ۹۳/۰، ۹۵/۰، ۹۴/۰ و ۹۱/۰ بود. در مجموع می‌توان بیان داشت که میزان ضرایب تبیین بالای بین نتایج تجربی و خروجی‌های مدل انفیس بیانگر دقت قابل قبول و قابلیت استفاده از این روش در کنترل فرایندهای پیچیده صنایع غذایی از جمله فرآیندهای آبگیری و خشک‌کردن است.
دوره ۱۹، شماره ۱۳۳ - ( ۱۲-۱۴۰۱ )
چکیده
در این تحقیق، سینتیک خشک کردن، تعیین ضریب نفوذ موثر رطوبت ، انرژی فعالسازی و همچنین پیش بینی نسبت رطوبـت پیاز قرمزدر طی فرآیند خشک کردن با خشک کن - هوای داغ به کمک مدلهای ریاضی و سیستم استنتاج عصبی فازی ( ANFIS) ا نجام گرفت. خشک کردن محصول در چهارسطح دمای ۵۰ ،۶۰، ۷۰وºC ۸۰ در سرعت جریان هوای ثابت m/s ۱ انجام شد. برای انتخاب یک مدل خش کردن مناسب، دوازده مدل لایه نازک خشک کردن ، همچنین استفاده از سیستم استنتاج عصبی فازی) ( ANFIS مورد استفاده قرارگرفت برای تعیین بهترین مدل ریاضی مناسب لایه نازک از رگرسیون غیرخطی وشاخص های R۲ ، x۲ ، RMSE، و MRDM در نرم افزار R ویرایش ۳.۶.۲ استفاده گردید. نتایج نشان دادکه درمیان مدلهای ریاضی مدل دوجمله ای با بیشترین ضریب تبیین و کمترین مقادیر ریشه میانگین مربعات خطا مناسب ترین بود .نتایج انفیس مقدار ضریب همبستگی ) ۰.۹۹۹ = ( R۲ و خطای) ۰۰۲/۰) RMSE = کمترین ریشه میانگسن مربعات خطا بهتر از مدل های ریاضی نسبت رطوبت را پیش بینی کرد . مقدار ضریب نفوذ برای چهار دما به ترتیب (۰.۰۱۸۴۷۶۶۹ و۰.۰۱۹۳۰۷۷۰و۰.۰۲۱۱۶۹۸۸و۰.۰۳۱۳۶۲۵۵) M۲/S ومقدار انرژی فعالسازی ۱۸۹۰.۴ ((kJ/(kg بدست آمد .
دوره ۲۱، شماره ۲ - ( ۱۲-۱۳۹۷ )
چکیده
امروزه کاربرد انرژیهای پاک، تجدیدپذیر و قابل اطمینان و برنامهریزی برای کاهش هزینههای کاربرد و افزایش بازده آنها توجه زیادی را به خود جلب کرده است. این تلاشها نه تنها از نقطه نظر مواجه با تغییرات آب وهوایی، آلودگی آب و هوا مؤثر و مفید است، بلکه برای ارتقای وضعیت بهرهوری از انرژی نیز مؤثر و مفید واقع میشود. به منظور طراحی یک استراتژی مدیریت انرژی برای یک سامانه خورشیدی، ناگریز باید از دسترسی به انرژی خورشیدی، جذابترین و فراوانترین فرم از انرژیهای پاک، آگاهی داشت. در این مقاله به منظور پیشبینی تابش خورشیدی جهانی (GSR) در استان اصفهان از دو تکنیک پرکاربرد هوش مصنوعی، شبکه های عصبی مصنوعی و انفیس، استفاده شده است. از مجموعه دادههای هواشناسی مختلف با ترکیب متفاوت دادهها استفاده شد تا بهترین مجموعه ورودی تعیین شود. رطوبت نسبی و میزان بارش تأثیر نامطلوبی روی پیشبینی تابش داشتند. در حالیکه شماره روز (۳۶۵-۱)، طول دوره تابش، دمای بیشینه و کمینه، ساعت روشنایی روز و میزان تابش آسمان- صاف پارامترهای مؤثری در تخمین GSR ارزیابی شدند. با استفاده از پارامترهای مذکور به عنوان ورودی، یک شبکه با توپولوژی ۱-۵-۶ بهترین علمکرد بدون بیشبرازش را نشان داد. در بین مدلهای انفیس نیز، تابع عضویت «مثلثی» بهترین عملکرد را از میان توابع دیگر نشان داد. ضرایب همبستگی و خطاهای منتج نشان داد که به طور کلی عملکرد شبکههای عصبی مصنوعی برای هدف مورد نظر از مدلهای انفیس بهتر است.
دوره ۲۳، شماره ۱ - ( ۱۱-۱۳۹۹ )
چکیده
