---

موضوع تحقیق: حلالیت ضعیف ترکیبات دارویی در محیط آبی بدن موجب افزایش تاثیرات جانبی نامطلوب، افزایش مقدار داروی مصرفی و کاهش اثربخشی آن می­شود. تولید میکرو/ نانوذرات ترکیبات دارویی با مرفولوژی و توزیع اندازه­ی یکنواخت یکی از روشهای تایید شده برای افزایش حلالیت این ترکیبات است. از این رو انتخاب وطراحی یک روش مناسب برای تولید میکرو/ نانوذرات ترکیبات دارویی یکی از مهمترین زمینه های تحقیقاتی در صنایع داروسازی است. در طول سه دهه گذشته، بکارگیری فرایندهای بر پایه دی­اکسیدکربن فوق بحرانی در زمینه های مختلف داروسازی بسیار مورد توجه قرار گرفته است. اما برای استفاده از این فناوری جهت تولید میکرو/نانوذرات دارویی و طراحی و توسعه­ی واحدهای عملیاتی موردنیاز، تعیین میزان حلالیت این ترکیبات در دی­اکسیدکربن فوق بحرانی الزامی است.
روش کار: در این پژوهش، از پنج مدل تجربی مختلف (آداچی و لو، چ و مادراس، هژبر و همکارانش، بیان و همکارانش و مدل مندز سانتیاگو تیجا) و همچنین شبکه­ی عصبی مصنوعی برای تعیین حلالیت شش ترکیب دارویی ضدسرطان (اپرپیتانت، ۵-فلوروراسیل، ایماتینیب مسیلات، کاپسیتابین، لتروزول و داستاکسل) در دی‌اکسیدکربن فوق­بحرانی استفاده شده است. سپس با استفاده از داده­های تجربی موجود برای حلالیت این مواد و محاسبه­ی معیارهای آماری مانند میانگین قدر مطلق خطای نسبی (AARD%)، ضریب هم­بستگی تنظیم­شونده (R_adj) و مقدار پارامتر F ( F-value)، میزان دقت و صحت این مدل­ها در تخمین حلالیت ترکیبات دارویی مذکور بررسی شده است.
مهم­ترین نتایج حاصله: بر اساس نتایج حاصله، مدل آداچی و لو با مقدار  AARD%معادل %۱۲/۱۲ و میانگین R_adj معادل ۹۷/۰ می­تواند پیش­بینی قابل قبولی از میزان حلالیت این ترکیبات دارویی در دی­اکسیدکربن فوق­بحرانی داشته‌ باشد. همچنین با مقایسه­ی نتایج به دست آمده از شبکه­ی عصبی مصنوعی و مدل­های تجربی، شبکه­ی عصبی مصنوعی با مقدار AARD% معادل %۶۵/۱ و میانگین R_adj معادل ۹۹۶۰/۰ را می­توان به عنوان مناسب­ترین مدل برای پیش¬بینیمیزان حلالیت این داروهای ضدسرطان انتخاب نمود.

---

یکی از مشخصه‌های کیفیت اتصالات جوش شده در جوشکاری قوس الکتریکی با گاز محافظ (GMAW) ارتفاع جوش (WH) می‌باشد. این مقاله بر یک مطالعه‌ی آزمایشگاهی که به منظور دستیابی به یک مدل با استفاده از شبکه‌ی عصبی مصنوعی (ANN) برای پیش‌بینی WH در فرآیند GMAW با حضور نانوذرات TiO۲ انجام شد، تاکید دارد. برای مدلسازی، ولتاژ قوس، جریان جوشکاری، سرعت جوشکاری، درصد گاز آرگون در ترکیب گاز Ar و CO۲ و ضخامت نانوذرات TiO۲ به عنوان پارامترهای ورودی و WH به عنوان پارامتر خروجی در نظر گرفته شدند. در آزمایش‌ها ماتریس طراحی دالرت به منظور جمع آوری داده‌ استفاده شد. مدل ANN ایجاد شد و توسط ۵ آزمایش خارج از ماتریس طراحی ارزیابی شد. نتیجه‌ی قابل توجه این مطالعه مکانیزم تمرکز قوس به علت اثرات متقابل بین پارامترهای ورودی جوشکاری و نانوذرات TiO۲ می‌باشد. علاوه براین نتایج نشان داد که افزایش ضخامت نانوذرات TiO۲ تا حدود mm ۹/۰ ارتفاع جوش را افزایش داد درحالیکه در ادامه با افزایش بیشتر ضخامت تا mm ۱ ارتفاع جوش کاهش یافت. در حقیقت این تغییر در ارتفاع جوش می‌تواند به علت آزاد شدن اکسیژن ناشی از تجزیه‌ی گرمایی نانوذرات TiO۲ و CO۲ روی سطح حوضچه‌ی مذاب باشد، که کشش سطحی را تحت تأثیر قرار داد و در نهایت جهت جابجایی مارانگونی جریان سیال را در حوضچه‌ی مذاب تغییر داد و در نتیجه بر WH تأثیر گذاشت. در روش ANN، ۰۰۶۶/۰MSEtrain=، ۰۰۶۳/۰MSEvalidation= و ۰۰۹۳/۰MSEtest= می‌باشد. درنهایت نتیجه گرفته شد که ANN یک روش دقیق برای پیش‌بینی ارتفاع جوش می‌باشد.

---

در این مقاله روشی برای حل برخط معادله ی همیلتون-ژاکوبی-بلمن به منظور طراحی کنترلر بهینه برای سیستم های غیرخطی زمان پیوسته ارائه شده است. دیدگاه اساسی در این روش استفاده از تجربیات برای تقویت کنترلر می باشد، که با عنوان یادگیری تقویتی معروف است. ابتدا بر اساس ساختار عملگر- ارزیاب و به صورت برخط با استفاده از دو شبکه ی عصبی مجزا، معادله ی همیلتون-ژاکوبی-بلمن به صورت تقریبی حل می شود. شبکه های عملگر و ارزیاب به ترتیب قانون کنترل بهینه و تابع ارزش بهینه را تخمین می زنند. سپس با استفاده از گرادیان نزولی این تخمین ها بهبود می یابند. از آنجاکه مدل کردن و تعیین مواردی چون اصطکاک و میرایی پیچیده و مشکل می باشد، از یک شبکه ی عصبی-مقاوم به منظور تخمین دینامیک داخلی سیستم استفاده شده است. به این ترتیب ساختار نهایی، عملگر- ارزیاب- شناساگر می باشد که با استفاده از آن بدون نیاز به دانستن دینامیک داخلی سیستم، معادله ی همیلتون-ژاکوبی-بلمن حل و کنترلر بهینه طراحی می شود. پایداری روش ارائه شده با استفاده از تابع لیاپانوف اثبات شده است. کارایی روش ارائه شده به صورت عملی برای سیستم خطی موتور DC و با شبیه سازی برای یک سیستم غیرخطی نشان داده شده است. نتایج، عملکرد مناسب روش ارائه شده برای حل معادله ی همیلتون-ژاکوبی-بلمن نشان می دهد.

---

محرک‌های پلاسمایی DBD، یکی از ابزارهای نوین کنترل فعال جریان هستند که در دهه‌ی گذشته توجه بسیاری از پژوهشگران را به خود جلب کرده‌اند. عملکرد این محرک‌ زمانی بهینه است که بیشترین سرعت ممکن را به ازای واحد توان مصرفی، القا کند. از آنجا که سرعت جریان القایی و همچنین توان مصرفی تابع متغیرهای گوناگونی هستند، یافتن ترکیبی که منجر به بهترین عملکرد محرک می‌شود، از اهمیت بسزایی برخوردار است. در این پژوهش به منظور بهینه‏سازی عملکرد محرک‌های پلاسمایی DBD، ابتدا با استفاده از روش طراحی آزمایش رویکرد عاملی کامل، اثر متغیرهای الکتریکی (ولتاژ و فرکانس حامل) و متغیرهای هندسی (فاصله‌ی بین الکترودها، ضخامت دی‌الکتریک و پهنای الکترود پوشیده) بر سرعت جریان القایی و توان الکتریکی مصرفی در حالت تحریک پایا به طور جامع مورد بررسی تجربی قرار گرفته است. در ادامه با استفاده از شبکه‌ی عصبی مصنوعی پرسپترون چندلایه، یک مدل برای نسبت سرعت جریان القایی به توان مصرفی ارائه شده و اعتبار این مدل به صورت آماری و تجربی صحه‌گذاری شده است. نتایج حاکی از ضریب تشخیص بالای ۹۵ درصد برای داده‌های آموزش و داده‌های آزمایش است. در پایان، مدل جایگزین ایجاد شده با استفاده از الگوریتم ژنتیک بهینه شده و مقدار بهینه‌ی متغیرهای الکتریکی و هندسی تعیین شده است. برای سنجش اعتبار جواب بدست آمده، محرکی بر مبنای متغیرهای بهینه ساخته شده و نسبت سرعت به توان مصرفی آن برابر (m/s)/(kW/m) ۲۹,۷۱ اندازه‌گیری شده است. اختلاف حدود ۳ درصدی این مقدار با مقدار پیشبینی شده توسط مدل، بیانگر دقت بالای مدل و درستی روش ارائه شده است.

---

در این مقاله، یک کنترل‌کننده‌ی ترکیبی تطبیقی هوشمند جدید برای ردیابی یک مسیر دینامیک در سیستم‌های کوانتومی بسته‌ی متناهی ارائه شده است. مشکل بروز تکینی‌های ذاتی در سیگنال‌های کنترل‌کننده‌ی ردیابی مسیرهای دینامیکی در کنترل سیستم‌های کوانتومی، منجر به رشد شدید دامنه‌ی سیگنال‌های کنترل و در نتیجه افزایش هزینه‌ی کنترل و ناپایداری سیستم کنترل می‌شود. ابتدا بر اساس تئوری پایداری لیاپانوف یک کنترل‌کننده‌ی تطبیقی برای ردیابی مسیر دینامیک طراحی می‌شود. سپس برای رفع مشکل تکینی در سیگنال‌های کنترل تطبیقی، یک کنترل‌کننده‌ی هوشمند کوانتومی مبتنی بر شبکه‌ی عصبی موجکی تطبیقی کوانتومی با قوانین یادگیری پس‌انتشار دسته‌ای طراحی و بوسیله‌ی یک پارامتر ناظر تکینی با کنترل‌کننده‌ی تطبیقی ترکیب شده است. کنترل‌کننده‌ی ارائه شده با ترکیب موثر سیگنال‌های کنترل تطبیقی و هوشمند، حالت سیستم کوانتومی را طوری تنظیم می‌کند که فرآیند ردیابی مسیر دینامیک از پیش تعیین شده، به خوبی کنترل می‌شود. کنترل‌کننده‌ی پیشنهادی علاوه بر ردیابی مسیر هدف، اثرات نامطلوب ناشی از بروز پدیده‌ی تکینی و دامنه بزرگ سیگنال‌های کنترل را حذف می‌کند. عملکرد کنترل‌کننده‌ی ترکیبی تطبیقی هوشمند پیشنهادی در مساله‌ی کنترل انتقال جمعیت یک سیستم کوانتومی بسته‌ی چهار سطحی در ردیابی مسیر دینامیک پاسخ پله، مورد بررسی قرار گرفته است. بررسی نتایج شبیه‌سازی کاهش خطای ردیابی، کم شدن هزینه‌ی کنترل با تنظیم موثر سیگنال‌های کنترل و کاهش قابل ملاحظه‌ی تعداد دفعات بروز پدیده‌ی تکینی را نشان می‌دهد.