---

در این مقاله عملکرد تعمیم شبکه‌های عصبی مصنوعی RBF بر داده‌های آزمایشگاهی بدست آمده بر تاثیر نانو ذرات Fe۲O۳، ZnO، TiO۲، WO۳و NiO در دما و کسرجرمی‌های مختلف بر گرانروی نفت خام مورد بررسی قرار گرفته است. مورفولوژی و پایداری نانوذرات با استفاده از آنالیز DLS و TEM بررسی شده، نتایج آنالیزها نشان داد که متوسط قطر نانوذرات از ۱۰ تا ۴۰ نانومتر برای اکسیدهای نانو ذرات مختلف تغییر می‌کند. روش جامعی جهت محاسبه مقدار بهینه گستردگی توابع گاوسین آیزوتروپیک همراه با الگوریتم ویژه‌ای برای آموزش شبکه‌های RBF ارائه شده است. نتایج این مطالعه مشخص می‌نماید که شبکه‌های عصبی RBF به دلیل دارا بودن مبانی علمی مستحکم و همچنین قابلیت فیلتر نمودن نویزها، از عملکرد مناسبی برخوردار است. با افزایش دما نسبت ویسکوزیته نانو سیال به سیال پایه کاهش می‌یابد. علاوه بر آن با افزایش درصد نانوذرات ویسکوزیته نسبی به طور چشمگیری افزایش می‌یابد. برای دماهای بالاتر از °C۵۰ ویسکوزیته نسبی کمتر از واحد به دست آمده که این نشان دهنده کاهش ویسکوزیته نانوسیال به سیال پایه می‌باشد.

---

ماشینهای دوار و در میان آنها موتورهای الکتریکی القایی نقشی مهم و کلیدی در صنعت دارند. این موتورها در هنگام کار در برابر تنشهای گوناگون قرار می گیرند که موجب خرابی استاتور یا رتور آنها می شود. چنانچه بتوان خرابی موتور را پیش بینی و از گسترش خطا جلوگیری کرد، فواید اقتصادی فراوانی حاصل خواهد شد. از آنجا که وقوع خرابی در هر ماشین دوار موجب تغییر ارتعاشات ماشین می شود، سعی شده از طریق تحلیل ارتعاشات، وجود یا عدم وجود عیوب مختلف حلقه به حلقه و کلاف به کلاف استاتور در ماشین القایی و در صورت معیوب بودن نوع آن تشخیص داده شود. همچنین به کمک تحلیل ارتعاشات، بار اعمالی به موتور نیز تعیین شود. در این راستا برای تشخیص عیب استاتور، یک موتور سه فاز به نحو خاصی سیم بندی شد، به طوری که انواع عیوب استاتور را بر روی موتور بتوان ایجاد کرد. ارتعاشات حاصل از کار موتور در شرایط عادی، تحت بارها و عیبهای مصنوعی مختلف، ثبت و ضبط شد. خصوصیهای طیفی سیگنال ارتعاشات برای عیوب و بارهای مختلف، به روش تحلیل مودال بررسی شد. همچنین با استخراج ویژگیهای ضرایب کپسترال و بانک فیلتر و اعمال آنها به دو نوع شبکه عصبی با نظارت LVQ و بی نظارت SOM، طبقه بندی بارها و عیوب مختلف موتور الکتریکی به صورت خودکار انجام شد. آزمایشهای متعددی برای بهبود صحت تعیین میزان بار و عیب یابی به کمک شبکه عصبی صورت گرفت که از آن جمله می توان به تعیین تاثیر نوع و طول بردار ویژگی، طول زمانی سیگنالهای آموزشی و آزمایشی و نوع شبکه عصبی اشاره کرد. به طور خلاصه به ازای زمان ۲۵۰ تا ۶۰۰ میلی ثانیه برای سیگنال آموزشی و با استفاده از ویژگی ضرایب بانک فیلتر با بعد ۲۰ و مدلسازی به وسیله شبکه های عصبی SOM وLVQ ، به بازدهی در حدود ۶/% ۹۳برای تشخیص میزان بار و ۲/۹۴% برای شناسایی عیوب موتور دست یافتیم.

---

نبود پیش‌بینی ساختارمند درخصوص محصول پرکاربرد پلی‌اتیلن ترفتالات، شرکت صنایع پتروشیمی را بر آن داشته است که پیش‌بینی‌های قیمت را از شرکت‌های خارجی خریداری کند. جلوگیری از خروج ارز و تحمل عوامل سیاسی مانند تحریم‌ها در این حوزه نیازمند پیش‌بینی علمی قیمت‌ها در داخل است. محققان ناچار هستند به دلیل ماهیت زنجیره‌وار و نیز اطلاع نداشتن از میزان تأثیر عوامل متعدد مؤثر بر قیمت به منظور پیش‌بینی، مسائلی با پیچیدگی زیاد و معادلاتی با درجه بالا را حل کنند. انتخاب تعداد و نوع متغیرهای ورودی شبکه عصبی تأثیر بسزایی در کارآیی سیستم دارد، از این رو از روش تحلیل بنیادین با تکیه بر تئوری عرضه - تقاضا و نگرش کلان اقتصادی و روش آماری دلفی برای انتخاب عواملی با اثرگذاری بیشتر بر قیمت استفاده شده است. نخست با استفاده از متغیرهای کنترل شده، توپولوژی کلی شبکه عصبی طراحی شد. سپس با در نظر گرفتن متغیرهای مستقل، مانند تعداد لایه‌های پنهان و تعداد نرون‌ها و بررسی تأثیر آنها بر کارآیی عملکرد شبکه عصبی، شبکه بهینه انتخاب شد. از معیارهای میانگین مربعات خطا و ضریب تعیین به عنوان متغیرهای وابسته استفاده شده است. بعد از ایجاد رابط کاربری، ارتباط سیستم با شبکه عصبی بهینه برقرار شد. به منظور بررسی عملکرد سیستم، قیمت واقعی محصول مدنظر در سال مرجع با قیمت پیش‌بینی شده به‌وسیله سیستم پیشنهادی و قیمت خریداری شده از شرکت سی­ام­ای­آی مورد مقایسه قرارگرفت و نتایج، کارآیی قابل قبول سیستم پیشنهادی را با میانگین خطای کمتر از ۳ درصد در پیش‌بینی قیمت زنجیره مد نظر اثبات کرد. این سیستم می‌تواند صنایع پتروشیمی را از خرید اطلاعات پیش‌بینی قیمت از شرکت‌های خارجی بی‌نیاز سازد.

---

 پلی استایرن انبساطی کاربرد گسترده­ای دارد این پلیمر به روش پلیمریزاسیون رادیکالی تهیه می­شود. این ماده در صنایع بسته­بندی و عایق­کاری کاربرد فراوانی دارد. بعضی از ویژگی­های این پلیمر از جمله استحکام مکانیکی پایین آن باعث شده تا کاربرد آن محدود شود. با اضافه کردن بعضی از مواد می­توان ویژگی­های این پلیمر را بهبود داد. استایرن بوتادین استایرن از جمله موادی هستند که با اضافه کردن آن بر پلی استایرن انبساطی می توان کیفیت پلیمر را بهبود داد. در این مقاله پلی­استایرن انبساطی حاوی درصد­های مختلف استایرن بوتادین استایرن (۰، ۰۱/۰، ۰۲/۰و۰۳/۰) در درصد تبدیل­های مختلف پلی­استایرن انبساطی (۶۰/۰، ۶۳/۰، ۶۶/۰و ۶۹/۰ درصد) تهیه شده است. تست­های مختلفی از جمله آزمون ضربه، شاخص جریان مذاب، سنجش میزان نرمی پلیمر، استحکام کشش در نقطه شکست،  K-value، سنجش میزان سختی پلیمر، میزان ازدیات طول تا نقطه شکست بر روی پلیمر تولیدی انجام یافته است. داده­های به دست آمده از آزمایشات با شبکه­های عصبی مصنوعی MLP شبیه­سازی شده است و نتایج شبیه سازی بخوبی داده­های آزمایشگاهی را پوشش داده است. مطالعه تست­ها نشان می­دهد که در درصد­های ثابت استایرن بوتادین استایرن در پلی­استایرن انبساطی، با افزایش درصد تبدیل پلی­استایرن انبساطی به غیر از تست شاخص جریان مذاب (که پایین بودن آن نشان از کیفیت بالای پلیمر است)، مقدار عددی بقیه تست­ها افزایش یافته است. افزایش درصد استایرن بوتادین استایرن در پلی­استایرن انبساطی، در درصد تبدیل­های ثابت پلی­استایرن انبساطی ویژگی­های پلیمر را بهبود بخشیده است. در ضمن نتایج شبیه سازی نشان می دهد که داده های آزمایشگاهی به خوبی نتایج شبیه سازی را پوشش می دهد. به کمک نتایج بدست آمده از شبیه سازی می توان در نقاطی که آزمایش انجام نشده با نتایج شبیه سازی داده های مربوط به دست های را پیشگویی کرد.افزودن استایرن بوتادین استایرن در درصدهای مختلف بر پلی استایرن انبساطی در درصد تبدیلهای مختلف جهت افزایش خواص پلی استایرن برای اولین بار در این مقاله مورد مطالعه قرار گرفته است و نتایج داده های آزمایشگاهی جهت پیشگویی در نقاطی که آزمایش صورت نگرفته با کمک شبکه های عصبی مصنوعی شبیه سازی شده است.

---

---

در دنیای رقابتی امروز، توجه به بهبود و توسعه کارکنان به‌طور فزاینده‌ای اهمیت پیدا کرده است. یکی از روش‌هایی که سازمان‌ها می‌توانند از آن برای بهبود وضعیت کارکنان خود استفاده کنند، اجرای کانون‌های ارزیابی و توسعه است. اما باید توجه داشت که اجرای برنامه‌های بهبود به ازای هر فرد شرکت کننده در کانون ارزیابی، هم زمان‌بر و هم هزینه‌بر است. بر این اساس، پژوهش حاضر در پی کاهش هزینه‌های اجرای کانون ارزیابی از طریق بخش‌بندی شرکت‌کنندگان در کانون ارزیابی و ارائه برنامه‌های بهبود برای هر بخش است. روش نمونه‌گیری، هدفمند و بر اساس معیار و حجم نمونه ۷۵ نفر می‌باشد. در این پژوهش، از نقشه‌های خودسازمانده برای بخش‌بندی کارکنان استفاده شده است و تجزیه و تحلیل داده‌ها نیز با استفاده از نرم‌افزارViscovery Profiler انجام گرفته است. بر اساس یافته‌های پژوهش، در کانون ارزیابی چهار بخش شناسایی شد که به‌صورت استعدادهای درخشان، کارکنان قابل ‌بهبود (با محوریت شایستگی)، کارکنان قابل ‌بهبود (با محوریت شخصیت) و کارشناسان غیرمستعد نام‌گذاری شده‌اند. نتایج این بخش‌بندی می‌تواند در پنج حوزه، از جمله آموزش، ارتقا، حل چالش‌های سازمانی، سیاست‌های استخدام و نگهداشت نیرو و پاداش به کار گرفته شود. بر پایه نتایج، برای بخش‌های شناسایی شده در کانون ارزیابی، پیشنهادهایی در حوزه‌های ذکر شده ارائه شده است.

---

دقت پیش‌بینی از مهمترین عوامل مؤثر در انتخاب روش پیش‌بینی است. امروزه به‌‌رغم وجود روشهای متعدد پیش‌بینی، هنوز پیش‌بینی‌ دقیق مالی کار چندان ساده‌ای نبوده و اکثر محققان درصدد بکارگیری و ترکیب روشهای متفاوت به منظور حصول نتایج دقیق‌تر می‌‌باشند. در حالت کلی انتخاب مؤثرترین روش به منظور پیش‌بینی، کار بسیار دشواری می‌باشد. بسیاری از محققان روشهای خطی و غیرخطی را به منظور حصول نتایج دقیق‌تر با یکدیگر ترکیب کرده‌اند چرا که اولاً در عمل تعیین خطی و غیرخطی بودن یک سری زمانی کار دشواری است ثانیاً سریهای زمانی دنیای واقع بندرت کاملاً خطی و یا غیرخطی هستند. مدلهای خودرگرسیون میانگین متحرک انباشته (ARIMA) و شبکه‌های عصبی مصنوعی(ANNs) به ترتیب از جمله دقیق‌ترین مدلهای خطی و غیرخطی در پیش‌بینی سریهای زمانی می‌باشند. در این مقاله به منظور بهره‌گیری از مزایای منحصر به فرد هر یک از روشهای مدل‌سازی خطی و غیرخطی و حصول نتایج دقیقتر، روش ترکیبی مدل‌های خودرگرسیون میانگین متحرک انباشتهو شبکه‌های عصبی مصنوعی به منظور پیش‌بینی‌های مالی پیشنهاد شده‌اند. مقایسه نتایج حاصله بیانگر آنست که مدل تلفیقی نسبت به مدلهای اریما (ARIMA) و شبکه‌های پرسپترون چندلایه (MLP) نتایج دقیقتری در پیش‌بینی نرخ ارز(یورو در مقابل ریال) ارائه نموده است.

---

تقسیم بازار با شبکه‌های عصبی مصنوعی، سابقه طولانی در دنیا ندارد. به طور عمده، این روش در دنیا، از چندین سال پیش در مدیریت گردشگری به صورت گسترده‌ آغاز گردید و پس از آن به سایر حوزه‌های بازاریابی نیز سرایت کرد. امروزه این روش در کنار روشهای آماری از شایعترین شیوه‌های تقسیم‌بندی مشتریان بوده و روزبه‌روز در حال گسترش است. در این تحقیق به دلیل ضرورت شناخت مشتریان هدف برای یک شرکت تولیدکننده‌‌‌ فرآورده‌های گوشتی، نیاز به استفاده از روشی مؤثر برای بخش‌بندی مشتریان احساس گردید و در نهایت روش تحلیل خوشه‌ای با شبکه‌های عصبی خودسازمان‌دهنده ، که به خوشه‌بندی مشتریان اختصاص داشته و نمونه‌های زیادی از کاربرد آن در دنیا تجربه گردیده‌است، انتخاب و مورد استفاده قرار گرفت. برای انجام تحقیق، در ابتدا معیارهای مفید در بخش‌بندی مشتریان مشخص شده و بر اساس آن پرسشنامه‌ای طراحی گردیده‌است. پس از جمع‌آوری پرسشنامه‌ها و اخذ اطلاعات، با استفاده از شبکه‌های عصبی مصنوعی، مشتریان خوشه‌بندی گردیدند و در نهایت نتایج به دست‌آمده مورد تبیین و تحلیل قرار گرفته‌است. همچنین مقایسه روش‌شبکه‌های عصبی برای خوشه‌بندی با روشهای کلاسیک خوشه‌بندی مشتریان با استفاده از روش آماری K-means انجام شده است.

---

یکی از گامهای مهم در توسعه شبکه‌های عصبی مصنوعی طراحی معماری شبکه است که تأثیر زیادی بر عملکرد شبکه دارد. در طراحی معماری شبکه‌های عصبی مصنوعی، عواملی از قبیل تعداد لایه‌های پنهان، تعداد نرون‌ها در هر لایه، توابع تبدیل و الگوریتم آموزش باید تعیین شوند. محققان در طراحی معماری شبکه به‌طور عمده از طریق سعی و خطا عمل می‌کنند و یا اینکه اثر متقابل بین عوامل مختلف در طراحی معماری شبکه را در نظر نمی‌گیرند. در این تحقیق، یک مدل مبتنی بر تکنیک طراحی آزمایشها برای طراحی بهینه معماری شبکه عصبی با یادگیری تحت نظارت، با توجه به اثر متقابل بین عوامل ذکرشده، ارائه می‌شود. در این تحقیق، از مدل پیشنهادی برای طراحی معماری شبکه عصبی به منظور پیش‌بینی مصرف نفت‌گاز کل کشور استفاده شده است. به‌منظور مقایسه عملکرد مدل پیشنهادی با استفاده از روش سعی و خطا به‌عنوان یکی از روشهای مرسوم در طراحی معماری، یک مدل شبکه عصبی برای پیش‌بینی مصرف نفت‌گاز توسعه داده شده و طی آن برتری مدل پیشنهادی نشان داده شده است. همچنین برای مقایسه عملکرد شبکه عصبی با روشهای آماری، دو مدل با استفاده از رگرسیون و ARIMA طراحی شده‌اند. نتایج به دست آمده در پیش‌بینی مصرف نفت‌گاز در این بخش نیز نشان می‌دهد که پیش‌بینی با شبکه‌عصبی طراحی شده جوابهای بهتری دارد.

---

چکیده- هزینه های بسیار زیاد حمل ونقل، محققین را به سمت استفاده از شیوه های کاراتر مانند دورکاری برای کاهش این هزینه ها سوق داده است. این شیوه نوین مدیریت حمل ونقل باعث کاهش حجم سفرهای کاری و هزینه های آن مانند مصرف سوخت، زمان سفر، آلودگی هوا و سرمایه گذاری در توسعه زیرساخت ها می شود. با توجه به آثار مثبت و وسیع این شیوه و پیچیدگی فرایند تصمیم گیری انسان، این مقاله با به کارگیری توان زیاد مدل های شبکه ی عصبی مصنوعی در بازسازی روابط پیچیده و غیرخطی، به مدل سازی تقاضای دورکاری برای نمونه شهر تهران می پردازد. در این مقاله از مدل پرسپترونی چندلایه از نوع پس انتشار خطا برای براورد دورکاری استفاده می شود. شبکه ی پیشنهادشده، ۲۱ نرون در ۳ لایه با توابع انتقال تانژانت سیگموید، لگاریتم سیگموید و خطی دارد. با استفاده از اطلاعات به دست آمده از پرسش گری طراحی شده، مدل های مختلفی با حجم نمونه ی ۶۷۶ پرداخت شدند. نتایج مدل پیشنهادی که با ۱۷۱ مجهول و پس از ۱۸۰۰ تکرار به هم گرایی رسید، گویای قابلیت بالا در بازسازی مشاهدات است، به گونه ای که میانگین مربعات خطا، ضریب تعیین و شاخص براوردهای صحیح برای مجموعه ی آزمایش، به ترتیب، ۱۷۷۰/۱، ۱۹/۰ و ۳۹ درصد است. با استفاده از مدل پیشنهادی این پژوهش و اطلاعات چهار متغیر مستقل، می توان براورد ی از تعداد روز دورکاری در هفته داشت که هم فزونی آن ها براوردی از تقاضای کلان دورکاری در سطح شهر برای تصمیم گیری بهتر در مورد تدوین برنامه های مربوط به دست خواهد داد.

---

 اثر عواملی نظیر ناهمسانی محیط خاک در برگیرنده یک شمع، اجرای شمع، جنس شمع و شکل آن، تخمین صحیح ظرفیت باربری یک شمع را با مشکل همراه می­سازد. با آن که آزمایش بارگذاری شمع می­تواند با وجود دقت بالا، به عنوان یک روش قابل اعتماد در مراحل مختلف تحلیل و طراحی به کار رود، هزینه های زیاد و زمان انجام طولانی را برای پروژه­های عمرانی تحمیل می­کند و همین مساله باعث ایجاد محدودیت­هایی در انجام این آزمایش می­شود. در این میان مدل‌سازی با استفاده از شبکه­های عصبی مصنوعی روشی است که بر اساس داده­ها و اطلاعات قبلی بوده و نیازی به ساده‌سازی و استفاده از ضرایب اطمینان بالا ندارد. در این مقاله، شبکه­های عصبی مصنوعی برای پیش­بینی ظرفیت باربری شمع­های فلزی ته باز کوبیده شده در خاک­های ماسه­ای، به کار گرفته شده­اند. از ۴ پارامتر طول شمع، قطر شمع، مدول الاستیسیته خاک و زاویه اصطکاک داخلی آن به عنوان ورودی و از ظرفیت باربری شمع به عنوان خروجی استفاده شده است. چگونگی طراحی شبکه و عوامل موثر بر رفتار آن در مسئله مربوطه به صورت خلاصه بررسی شده است. در پایان با آنالیز حساسیت بر روی ساختار بهینه مدل‌های معرفی شده، در خصوص چگونگی اثر ۴ پارامتر ورودی بر خروجی شبکه بحث شده است. .

---

پیش‌نیاز بسیاری از فرآیندهای کنترلی، مدلسازی است. مدل مورد استفاده برای طراحی کنترلر، می‌بایست دقیق و دارای پاسخی سریع باشد. استفاده از روش‌های مرسوم مدلسازی، یعنی مدلسازی براساس حل (عددی) معادلات حاکم بر جریان سیال داخل محفظه احتراق، بسیار زمان‌بر بوده و برای یک هدف کنترلی مناسب نیستند. در این مقاله تلاش می‌شود تا احتراق در یک موتور اشتعال‌جرقه‌ای با استفاده از شبکه‌های عصبی، مدلسازی شود و مدلی دقیق و در عین حال سریع برای احتراق بدست آید. هر فرآیند آموزش شبکه‌های عصبی، نیازمند اکتساب داده‌های آزمایشگاهی است. از طرف دیگر، فرآیندهای تست موتور، بسیار پرهزینه بوده و جداول داده‌های تست موجود (در صنعت) نیز برای آموزش شبکه‌های عصبی کافی نیستند. در این مقاله، ابتدا با استفاده از یک نرم‌افزار CFD، مدلی یک‌بعدی از موتور تهیه و براساس داده‌های واقعی تست موجود کالیبره و صحه‌گذاری می‌گردد. سپس با استفاده از مدل صحه‌گذاری شده CFD، فرآیند اکتساب داده‌های مورد نیاز اجرا می‌شود. به دلیل عدم دسترسی به ضرایب و داده‌های آزمایشگاهی مورد نیاز، کالیبراسیون مرحله‌ای پیچیده و بسیار زمان‌بر است. در اینجا تلاش شده است تا به شیوه‌ای علمی، کالیبراسیون مدل موتور در نرم‌افزار GT-Power اجرا و بیان گردد. در مرحله بعد، پس از بررسی اجمالی روش‌های به کار رفته در طراحی شبکه‌های عصبی، مدلسازی فرآیند احتراق بیان می‌شود. در نهایت، پاسخ‌های مدل شبکه عصبی با نتایج حاصل از نرم‌افزار GT-Power مقایسه شده و دقت بالای مدل نشان داده می‌شود.

---

 
چکیده
هدف از این تحقیق برآورد ضریب پخش رطوبت موثر، انرژی مصرفی ویژه، نرخ خشک­کردن و نسبت رطوبت در خشک کردن بستر سیال دانه های انار، انگور و بنه به کمک شبکه­های عصبی مصنوعی می­باشد. سه عامل موثر برای پیش­بینی ضریب پخش رطوبت موثر و انرژی مصرفی ویژه عبارتند از: نوع محصول، سرعت هوای ورودی، دمای هوای ورودی. برای پیش­بینی نرخ خشک­کردن و نسبت رطوبت از چهار عامل موثر استفاده شد که عبارت بودند از: نوع محصول، سرعت هوای ورودی، دمای هوای ورودی و زمان خشک­کردن. تعداد ۲۷ آزمایش برای ضریب پخش رطوبت موثر و انرژی مصرفی ویژه و ۲۱۶۵ آزمایش برای نرخ خشک­کردن و نسبت رطوبت برای ایجاد الگوهای آموزش و ارزیابی به وسیله یک خشک­کن آزمایشگاهی انجام گرفت. از شبکه­ها و الگوریتم­های متعددی برای آموزش الگوهای موجود استفاده شد. نتایج بررسی­ها نشان داد که شبکه پس انتشار پیشخور با توپولوژی ۲-۵-۵-۳ و تابع آستانه لونبرگ-مارکوارت قادر است ضریب پخش رطوبت موثر و انرژی مصرفی ویژه را با ضریب تعیین ۹۸۰۵/۰ و ۹۹۵۴/۰ و خطای میانگین مربعات ۰۰۰۰۹/۰ در شرایط مختلف خشک­کردن دانه های انار، انگور و بنه در خشک­کن بستر سیال را پیش­بینی نماید. همچنین بیشترین ضریب تعیین برای پیش­بینی نرخ خشک­کردن و نسبت رطوبت به ترتیب ۹۷۹۹/۰ و ۹۹۹۶/۰ به دست آمد.

---

چکیده خیار یک میوه پر مصرف در ایران است که مصرف زیادی در تمام فصول دارد؛ لذا بررسی پارامترهای موثر در میزان کیفیت آن امری اجتناب ناپذیر به نظر می‌رسد. با توجه به صرف هزینه و زمان زیاد برای اندازه‌گیری پارامتر‌ها، پیش-بینی آن‌ها با توجه به عوامل تاثیرگذار بسیار مفیدتر خواهد بود. در تحقیق حاضر ارتباط بین دو ویژگی مکانیکی (شاخص تردی و سفتی) و فشار صدای حاصل از شکستن (پاسخ آکوستیک) میوه خیار با زمان و شرایط مختلف انبارداری و در قسمت‌های مختلف میوه با استفاده از شبکه­های عصبی مصنوعی مدل‌سازی شد. ورودی‌ شبکه­ها زمان نگهداری، شرایط نگهداری و موقعیت انجام تست در طول میوه بودند. با استفاده از مقادیر ویژگی‌های مکانیکی و صوتی به عنوان خروجی‌های هدف، شبکه‌های مختلفی با پیکربندیهای متفاوت تعریف و آموزش داده شدند. شبکه‌ عصبی چند لایه پرسپترون و شبکه عصبی با تابع پایه شعاعی با تعداد نرون‌های مختلف و توابع آموزش مومنتوم، گرادیان نزولی و لونبرگ-مارکوارت و توابع آستانهSigmoidAxon  و TanhAxon به کار گرفته شدند. دقت یادگیری شبکه‌ها در تخمین ویژگی‌های مکانیکی و صوتی مورد بررسی قرار گرفت. نتایج نشان داد که شبکه عصبی پرسپترون چندلایه با تابع آستانه TanhAxon و تابع آموزش مومنتوم و پیکربندی ۳-۳-۵-۳ بهترین عملکرد در پیش­بینی فشار صوت، شاخص تردی و و سفتی میوه خیار رقم ویولا را دارا بود. شبکه عصبی مذکور توانایی پیش­بینی فشار صوت، شاخص تردی و سفتی خیار با ضرایب تبیین به ترتیب ۹۹۷۳/۰، ۹۴۵۶/۰ و ۹۱۲۹/۰ و ریشه میانگین مربعات خطای ۰۲۱/۰، ۰۵۲/۰ و ۰۵۹/۰ را داشت.

---

  چکیده  در این پژوهش، به منظور برآورد خواص خشک­کردن بادنجان و شلغم در یک خشک­کن مایکروویو- همرفتی از روش شبکه­های عصبی مصنوعی استفاده شد. فرآیند خشک­کردن در سه سطح دمایی (۴۰، ۵۵ وC° ۷۰)، سه سطح سرعت هوای ورودی­ (۵/۰ و ۱/۱ و  m/s۷/۱) و سه سطح توان مایکروویو (۲۷۰، ۴۵۰ وW ۶۳۰) در یک خشک­کن مایکروویو- همرفتی صورت گرفت که این سه پارامتر به عنوان ورودی در پیش­بینی ضریب پخش رطوبت موثر و انرژی مصرفی ویژه، در شبکه­ی عصبی مصنوعی مورد استفاده قرار گرفت. همچنین برای پیش­بینی نرخ خشک­کردن و نسبت رطوبت علاوه بر این سه پارامتر از زمان خشک­کردن نیز به عنوان پارامتر ورودی استفاده شد. برای ایجاد الگوهای آموزشی و ارزیابی فرآیند، از شبکه عصبی پس انتشار پیش خور و پیشرو با توابع آموزش لونبرگ – مارکوارت (LM) و  تنظیم بیزی (BR) برای آموزش الگوها استفاده شد. با توجه به نتایج بدست آمده،  بیشترین مقدار ضریب پخش رطوبت موثر برای بادنجان و شلغم به ترتیب (^۹-۱۰×۳۹/۳ وm^۲/s ^۹-۱۰×۰۵/۳)  حاصل شد. نتایج بررسی­های شبکه عصبی مصنوعی نشان داد که شبکه­ی بهینه پس انتشار پیش خور با توپولوژی ۲-۲۰-۲۰-۳ و تابع آموزش لونبرگ- مارکوارت  توانست ضریب پخش رطوبت موثر و انرژی مصرفی ویژه را به ترتیب با ضرایب تبیین ۹۸۲۱/۰ و ۹۹۵۲/۰ و خطای میانگین مربعات ۰۰۰۱۴/۰ در شرایط مختلف خشک­کردن بادنجان و شلغم پیش­بینی نماید. همچنین بیشترین ضرایب تبیین برای پیش­بینی نرخ خشک­کردن و نسبت رطوبت به ترتیب ۹۶۹۸/۰ و ۹۹۸۸/۰ با مقدار خطای میانگین مربعات ۰۰۴۵/۰در شبکه­ی عصبی پیشرو با الگوریتم آموزشی لونبرگ- مارکوارت به دست آمد.

---

در این تحقیق به منظور بررسی قابلیت شبکه‌های عصبی مصنوعی در تعیین پتانسیل رمبندگی، نمونه‌های متعدد خاک رمبنده از یک منطقه (دشت زاهدان) گردآوری شده است. در آزمایشگاه آزمایش‌های معمول رمبندگی بر روی آنها انجام و تعداد ۱۳۰ نمونه خاک رمبنده حاصل از اعماق و مکان‌های مختلف دشت در پایگاه داده‌ ثبت گردید. آزمایش رمبندگی انجام شده، تحکیم مضاعف بوده که برای بررسی بیشتر آزمایش‌های دانه‌بندی، وزن مخصوص، حدود اتربرگ و خواص مقاومتی نیز بر روی نمونه‌ها انجام گرفت. در مراحل بعد نتایج برای ورود به شبکه‌های عصبی مصنوعی آماده شده و مدل‌سازی انجام گردید. پس از مرحله آموزش شبکه و یادگیری، مدل‌های مختلف شبکه مورد سعی و خطا قرار گرفته و در ادامه مدل بهینه شبکه شامل شش ورودی و یک خروجی انتخاب شده است. با توجه به نتایج پیش‌بینی، مشخص شد که بین داده‌های تجربی و پیش‌بینی شده توسط شبکه‌ عصبی مصنوعی بیشتر از ۹۵ درصد همبستگی مشاهده می‌شود.

---

موضوع تشخیص مقدار سایش و شکست ابزار در حین عملیات ماشین‌کاری، یکی از مسائل مهم در کنترل و بهینه‌سازی فرایند ماشین‌کاری اتوماتیک است. در این مطالعه، ارتباط بین سایش ابزار با ارتعاش در دو جهت ماشین‌کاری و عمود بر جهت ماشین‌کاری در هنگام ‌فرز‌کاری بررسی می‌شود. بدین منظور یک سری آزمایش‌ها با ماشین‌فرز عمودی انجام شد. ابزار ساخت شرکت سندویک و قطعه‌کار از جنس ۴۵ CKانتخاب شد. برای اندازه‌گیری مقدار سایش از یک میکروسکوب استفاده گردید. هدف از این تحقیق، استفاده از ساختار هوشمند شبکه عصبی (MLP) و سیستم استنتاج تطبیقی فازی- عصبی (ANFIS) در طبقه‌بندی و تشخیص مقدار سایش و شکست ابزار است. در این تحقیق برای اولین بار برای طبقه‌بندی و پیش‌بینی دقیق حالت سایش و شکست ابزار از پنج مرحله سایش ابزار استفاده شده است. در این تحقیق، با استفاده از تکنیک آنالیز اجزای اصلی (PCA) ابعاد ماتریس ورودی در حد مطلوب کاهش یافت. جهت دست‌یابی به هدف فوق، شبکه‌های مذکور با استفاده از بردارهای ویژگی و مشخصات استخراج شده از طیف‌های فرکانسی و سیگنالهای زمانی، آموزش دیدند. نتایج نشان داد که برای ۸۶ مورد اندازه‌گیری نهایی، شبکه‌های ANFIS و MLP به ترتیب دارای میانگین ۹۱ و ۸۲ درصد موفقیت در تشخیص درست مقدار سایش و شکست ابزار بودند.از آنجایی که شبکه فازی- عصبی در مقایسه با شبکه عصبی در طبقه‌بندی عیوب، نتایج بهتر و قابل قبول‌تری ارائه می‌دهد، می‌تواند به عنوان روشی مناسب در جهت تشخیص هوشمند سایش ابزار بکار برده شود.

---

سرطان یکی از شایع‌ترین علل مرگ و میر در جهان است. سرطان پستان فراوان ترین سرطان در بین زنان است و سالیانه باعث میزان بالایی از مرگ و میر می شود. معتبرترین و مطمئن ترین روش برای مدیریت موفق سرطان، تشخیص دقیق و زود هنگام است. در مقابل، عدم تشخیص به موقع منجر به گسترش سرطان در بدن می شود، در نتیجه درمان و کنترل آن را دشوار می نماید. روش استاندارد طلایی برای تشخیص سرطان پستان، بیوپسی است. به طور معمول از روش های دستی و بصری برای تشخیص سرطان استفاده می شود و پاتولوژیست اسلاید های هیستوپاتولوژی را زیر میکروسکوپ بررسی می نماید که این نوع تشخیص به زمان زیاد و تخصص بالایی احتیاج دارد و بسیار مستعد خطاست، به همین دلیل استفاده از سیستم تشخیص رایانه ای(CAD) برای کمک به پزشکان در جهت بهبود کارایی تفسیر تصاویر پزشکی ضروری است. در این مطالعه ما از مدل های یادگیری عمیق، خصوصا شبکه های عصبی کانولوشنی (CNNs) برای تشخیص سرطانی بودن یا نبودن تصاویر هیستوپاتولوژیک استفاده می کنیم. میزان  AUC، صحت و امتیاز F۱  به دست آمده با استفاده از شبکه ی عصبی عمیق از پیش آموزش داده شده   Incetion-V۳ به ترتیب برابر ۳۶/۹۸ % ، ۲۸/۹۵ % و ۲۵/۹۷ % است و همین پارامترها برای شبکه ی عصبی عمیق از پیش آموزش داده شده ی ResNet-۱۸ برابر با ۹۰/۹۷ % ، ۴۶/۹۷ % و ۲۲/۹۸ % می باشد. مدل ارائه شده قادر است برای مورفولوژی های متفاوت بافت پستان، پاسخ قابل توجهی ارائه دهد.
 

---

از دیدگاه نظریه آشوب، طبیعت پیچیده و رفتار تصادف‌گونه یک سیستم مانند سیستم هیدرولوژیک حاکم بر جریان یک رودخانه می‌تواند از یک تعیّن‌پذیری ساده و پنهان نشأت گرفته باشد. این تعیّن‌پذیری، در صورت وجود، در فضای فاز سیستم قابل‌مشاهده است و بر مبنای همین الگوی شکل گرفته در فضای فاز، می‌توان مدل‌های مختلف را به کار برد و رفتار سیستم را در آینده پیش‌بینی کرد. بر این اساس، ابتدا رفتار آشوبناک در سری زمانی دبی روزانه رودخانه کشکان ارزیابی شده و برای ارزیابی میزان آشوبناکی سیستم، روش‌های نزدیک‌ترین همسایگان کاذب و توان لیاپانوف مورد استفاده قرار گرفته‌اند. برای تعیین زمان تأخیر بهینه جهت بازسازی فضای فاز به روش تأخیرها نیز از روش میانگین اطلاعات متقابل استفاده شده است. در این تحقیق، استفاده از اولین کمینه سراسری تابع اطلاعات متقابل برای انتخاب زمان تأخیر بهینه پیشنهاد شده است. پس از مشاهده نشانه‌های رفتار آشوبناک، مدل‌های مختلف محلی بر اساس الگوی جاذب در فضای فاز اعمال گردید و نتایج آن‌ها با یکدیگر مقایسه شد. روش‌های تقریب محلی شامل روش میانگین و چندجمله‌ای از جمله روش‌هایی بودند که در این تحقیق به‌کار گرفته شدند. همچنین در رویکردی جدید، از شبکه عصبی مصنوعی در یک مدل پیوندی برای مدل‌سازی محلی مبتنی بر فضای فاز استفاده شده است. نتایج این روش‌ها، در مجموع، کیفیت مناسب مدل‌سازی محلی مبتنی بر فضای فاز سیستم آشوبناک حاکم بر جریان رودخانه کشکان را نشان می‌دهد.

---

در این تحقیق به منظور مدل‌سازی فرایند استخراج روغن از دان سیاه با استفاده از پیش‌تیمار ترکیبی ریزموج- میدان الکتریکی پالسی از ۳ سطح زمان ریزموج (۰، ۱۰۰ و ۲۰۰ ثانیه) و سه سطح شدت میدان الکتریکی (۰، ۵/۲ و ۵ kV/cm) استفاده گردید و بعد از اعمال این پیش‌تیمارها، روغن دانه‌ها با پرس مارپیچی و با سرعت‌های متفاوت (۱۱ تا ۵۷ دور در دقیقه) استخراج گردید و میزان کارایی فرایند استخراج روغن، دانسیته، رنگ، پایداری اکسیداتیو، ترکیبات فنولی و پروتئین کنجاله مورد بررسی قرار گرفت. جهت پیش‌بینی روند تغییرات از ابزارشبکه‌های عصبی مصنوعی استفاده شد. با بررسی شبکه‌های مختلف شبکه‌ی پس‌انتشار پیشخور با توپولوژی‌های ۳-۹-۶ با ضریب همبستگی بیشتر از ۹۹۵/۰ و میانگین مربعات خطای کمتر از ۰۰۱/۰ و با بکارگیری تابع فعال‌سازی لگاریتم سیگموئیدی، الگوی یادگیری جهنده و چرخه یادگیری ۱۰۰۰ به عنوان بهترین مدل‌ عصبی مشخص گردید. از طرفی نتایج نشان داد که افزایش زمان ریزموج و همچنین شدت میدان الکتریکی در ابتدا منجر به افزایش میزان کارایی فرایند استخراج روغن گردید ولی با افزایش بیشتر این دو پارامتر میزان کارایی فرایند استخراج روغن کاهش یافت. میزان اسیدیته روغن‌ها نیز با افزایش زمان ریزموج، شدت میدان الکتریکی و سرعت دورانی پرس مارپیچی افزایش یافت. یافته‌های حاصل از مدل‌های بهینه‌ی انتخاب شده نیز ارزیابی گردید و این مدل‌ها با ضرایب همبستگی بالا )بیش از ۹۱۸/۰( قادر به پیش‌بینی روند تغییرات نمونه‌های روغن تولیدی با پیش تیمار ریزموج- میدان الکتریکی پالسی بودند.