---

ارتفاع موج شاخص، در طراحی و تحلیل سازه­های دریایی و بهره برداری از آنها پارامتر بسیار با اهمیتی می‌باشد در نتیجه پیش‌بینی این پارامتر کمک شایانی به بهبود طراحی و آنالیز سازه‌های دریایی می‌نماید، از روش‌های مدل‌سازی مشخصات امواج می‌توان به مدل‌های عددی، تجربی و هوش مصنوعی اشاره کرد، در این پژوهش از مدل سوان که یکی از انواع مدل­های نسل سوم در مدل‌سازی و تخمین مشخصات امواج است، استفاده شده است. سپس از مدل­های مبتنی بر محاسبات نرم شامل مدل­های منفرد و ترکیبی هوش مصنوعی مانند سیستم استنتاج عصبی‌-‌فازی انطباقی، مدل ماشین بردار پشتیبان و شبکه عصبی مصنوعی احساسی، در پیش‌بینی ارتفاع موج استفاده شده است و از داده­های بویه امیرآباد جهت صحت‌سنجی استفاده شده است. ورودی مدل­ها در این پژوهش پارامتر سرعت باد و خروجی مدل‌ها نیز ارتفاع موج می­باشد. تحلیل مدل­های مختلف با استفاده از سنجه­های آماری اریبی، جذر میانگین مربع خطاها، ضریب پراکندگی و ضریب تبیین، انجام شده است. ارزیابی مدل‌ها توسط آماره­های فوق، حاکی از انطباق قابل قبول ارتفاع موج شاخص بدست آمده از مدل سوان با بویه دارد. همچنین هر سه مدل مبتنی بر هوش مصنوعی مذکور قابلیت پیش­بینی نسبتاً دقیق پارامتر ارتفاع موج را دارند. همچنین مقایسه نتایج مدل­های مبتنی بر هوش مصنوعی نشان داد که مدل ماشین بردار پشتیبان، نسبت به بقیه مدل‌ها، دقیق‌تر است. مدل ماشین بردار پشتیبان به عنوان روشی جایگزین برای مدل سوان یا سایر روش­های عددی، در مواردی که داده‌های ارتفاع موج در دسترس نبوده و یا کیفیت آماری لازم را ندارد نتایج مدل‌سازی را بهبود می‌بخشد.
 

---

موضوع تحقیق: در ده­های اخیر روش­های بهینه‌سازی مبتنی بر پدیده­های طبیعی به دلیل عدم نیاز به انجام محاسبات سنگین ریاضی، عدم وابستگی به نقاط انتخابی اولیه و قابلیت بهینه­سازی نسبت به سایر روش­ها، در زمینه بهینه­سازی ترکیبی جایگاه ویژه­ای پیدا کرده­ است. علاوه بر این شبکه عصبی مصنوعی به‌عنوان یکی از ابزار قدرتمند هوش مصنوعی در شبیه­سازی فرایندها به‌کار برده می­شود. به­کارگیری شبکه عصبی برای مدل­سازی  فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و روش فرا ابتکاری در به دست آوردن شرایط بهینه برای کاتالیست و واکنش می­تواند گام موثری، در جهت انجام فرایند با بازده بالا فراهم ­سازد.
روش تحقیق: در این پژوهش شبکه عصبی برای پیش­بینی فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و الگوریتم کلونی زنبورهای عسل به منظور بهینه‌سازی بازده فرایند به کار گرفته شد. شبکه عصبی طراحی شده دارای ۵ نرون در لایه پنهان می­باشد. به منظور بررسی عملکرد الگوریتم پیشنهادی، شبکه عصبی مصنوعی برای پیش بینی تبدیل متاکروزل و گزینش پذیری آن به تیمول در فرایند آلکیلاسیون متاکروزل با ایزوپروپانول ۱۲۰ داده استفاده شد. در این فرایند،‌ سرعت فضایی (WHSV)، فشار و دما، به‌عنوان متغیرهای ورودی و تبدیل متاکروزل و گزینش پذیری تیمول به‌عنوان متغیرهای خروجی شبکه عصبی در نظر گرفته شده است.
نتایج اصلی: سیستم شبیه­سازی طراحی شده با ضریب رگرسیون (R^۲) بالاتر از %۹۷,۵،‌ نشان‌دهنده دقت بالای شبکه عصبی طراحی شده برای این فرایند می­باشد. میزان بیشینه بازده این فرایند با استفاده از الگوریتم کلونی زنبورهای عسل  ۲۸.۹%  )با متغیرهای قابل تنظیم  h^-۱۰,۰۶۲ WHSV=، فشار  bar۱,۵ و دمای ^˚C ۳۰۰( حاصل شد. هم­چنین برای دستیابی به کارایی بهتر الگوریتم بهینه سازی، مقادیر مطلوب ضریب شتاب و جمعیت زنبورها با آزمون سعی و خطا ۱۰۰ و ۱۰حاصل شد.

---

یکی از فرایندهای اقتصادی برای تولید قطعه در شکل‌دهی فلزها، برش دقیق است که در آن، دقت و کیفیت قطعات بسیار بیشتر از روش معمولی است. در برش دقیق قطعه کار بین سه نیرو قرار می‌گیرد که عبارتند از: نیروی سنبه، نیروی ورقگیر (رینگV شکل) و نیروی سنبه مخالف. در این مقاله، با مدل‌سازی برش دقیق، پس از اعتبار‌سنجی نتایج اولیه، به بررسی عوامل مؤثر بر فرایند پرداخته می‌شود. افزایش ارتفاع v-رینگ و نیروی ورقـگیر و سنبه مـخالف، باعث افـزایش فــشار هیدرواستاتیک و افزایش عمق برش می‌شود. در همین حال این عوامل باعث افزایش تنش شعاعی و فشار روی ابزار و لذا باعث تسریع فرسایش قالب می‌شود. به‌کار‌گیری v-رینگ در ماتریس، اثر بسیار مثبتی بر افزایش دقت و کیفیت قطعه و افزایش عمر قالب دارد. در ادامه با استفاده از بخشی از نتایج به‌دست آمده در روش المان محدود، این فرایند ‌به‌روش شبکه عصبی مصنوعی نیز شبیه‌سازی شد. با توجه به نتایج به‌دست آمده از روش المان محدود و شبکه عصبی، این دو روش، ابزار مناسبی برای مدل‌سازی و پیش‌بینی اثر عوامل مختلف در برش دقیق است.

---

چکیده - در این تحقیق، با بهره گیری از شبکه های عصبی مصنوعی و ر وش المان محدود، تیرهای طرهایشکل آسیب دیده که دارای ترک های طولی هستند، مورد بررسی و سلامت سنجی قرار گرفته اند . رفتار غیرخط ی ترک ها (بازوبستهشدن آنها ) در این تحقیق مورد توجه قرار گرفته است که بر اساس بررسیهای انجام شده توسط نویسندگان، در ردیا بی ترک در سازه ها به کمک شبکه های عصبی مصنوعی، رفتار مزبور تاکنون مورد توجه محققان دیگر قرار نگرفته است . بر ای منظورنمودن اثرات غیرخطی ترک، از روش المان محدود استفاده شده است . تغییرات ایجاد شده در فرکانس های طبیعی مودهای مختلف ارتعاشی در اثر وجود ترک، به عنو ان داده های لازم در آموزش و آزمایش شبکه های عصبی مورد استفاده قرار گرفته اند. با ایجاد سناریوهای مختلف برای حالات تیرهای سالم و آسیب دیده (با موقعیت ها و شدت های ترک خوردگی مختلف ) دو کلاس مشخص از شبکه های عصبی برای تعیین موقعیت و طول (شدت) ترکهای طولی در تیرها آموزش داده شده اند . نتایج حاصل از دو کلاس مزبور نشان می دهند که شبکههای آموزش دیده به صورت مطلوبی طول ترک را پیش بینی می کنند . همچنین ملاحظه می شود که پیشبینی شبکههای آموزش دیده برای تعیین محل ترک در حد قابل قبول بوده، که علل تقریبات وارده در این پیشبینی مورد بحث قرار گرفته است.

---

در این تحقیق تحلیل کاملی از تاثیر سوخت بیودیزل بر پارامترهای عملکرد و آلایندگی موتور دیزل تک سیلندر لیستر M۸/۱ انجام گرفت. بیودیزل مورد نیاز از روغن پسماند رستوران (با پایه روغن آفتابگردان) به روش ترنس استریفیکاسیون تولید شده و با استاندارد ASTM کاملا مطابقت داشت. آزمون موتور در دور ثابت rpm۷۵۰ و تحت بارهای مختلف(در پنج سطح) و مخلوط‌های مختلفی از سوخت بیودیزل و گازوئیل(در شش سطح) در شرایط تمام بار انجام‌گرفت و پارامترهای گشتاور و توان ترمزی موتور، مصرف ویژه سوخت و انتشار آلایندهای CO و UHC اندازه‌گیری شد و سپس یک مدل شبکه عصبی مصنوعی بر اساس داده‌های تجربی توسعه داده شد. از شبکه پرسپترون چند لایه برای نگاشت غیرخطی بین پارامترهای ورودی (بار دینامومتر و درصد بیودیزل موجود در مخلوط سوخت) و خروجی (گشتاور و توان ترمزی، مصرف ویژه سوخت، غلظت CO و UHC) استفاده شد. نتایج مدل نشان داد که با آموزش کافی الگوریتم پس انتشار خطا، مدل شبکه عصبی ارائه شده توانایی بسیار بالایی در پیش‌بینی پارامتراهای عملکرد و آلایندگی موتور دارد، بدون آنکه به آزمون‌های پرهزینه و وقت‌گیر موتور نیاز باشد.

---

در این پژوهش رفتار مکانیکی مصالح درشت دانه شنی با استفاده از شبکه عصبی چند لایه پرسپترون، که از پرکاربردترین شبکه های عصبی مصنوعی در مسائل ژئوتکنیکی است، شبیه سازی شده است. ابتدا اطلاعات دقیقی از آزمون های منابع مختلف در سراسر کشور تهیه و عوامل مؤثر بر مقاومت برشی خاک های درشت دانه بررسی شده است. پس از حذف اطلاعات نادرست، روند یادگیری، آزمایش و پیش بینی شبکه طی شده است. در آموزش شبکه از الگوریتم یادگیری پس انتشار خطا استفاده شده است . پارامترهای استفاده شده در آموزش شبکه شامل خصوصیات دانه بندی، چگالی خشک، چگالی نسبی، درصد سایش لس آنجلس، فشار همه جانبه، کرنش و تنش انحرافی است. برای تعیین چگونگی و مقدار تأثیر ورودی ها بر خروجی مدل، تحلیل حساسیت روی آن ها انجام شده و نتایج به دست آمده با قوانین مکانیک خاک مقایسه شده است. بررسی مدل گویای این واقعیت است که شبکه ارائه شده، توانایی لازم برای پیش بینی رفتار تنش_کرنش خاک های درشت دانه را دارد.

---

چکیده       به منظور بررسی سینتیک خشک شدن میوه زرشک، آزمایش­هایی در سه سطح دمایی و سه سطح سرعت بر روی نمونه­های شاهد و تیمار شده با شوک حرارتی و امولسیون "۶% کربنات پتاسیم + ۳% روغن زیتون" در ۳ تکرار در قالب طرح بلوک کاملا تصادفی و به صورت فاکتوریل اجرا گردید. بیشترین مدت زمان خشک شدن ۲۹۲۰ دقیقه، برای نمونه­های شاهد در دمای Cº۶۰ و سرعت ۳/۰ متر بر ثانیه و کمترین مدت زمان ۷۰ دقیقه برای نمونه­های تیمار شده با امولسیون در دمای Cº۸۰ و سرعت ۱ متر بر ثانیه ثبت شد. در این تحقیق از شبکه پرسپترون چندلایه با الگوریتم یادگیری لونبرگ- مارکوارت و توابع غیرخطی تانژانت سیگموئیدی و سیگموئید لگاریتمی برای مدلسازی فرایند خشک شدن استفاده شد. تعداد نورون­های ورودی شبکه برابر چهار متغیر در ورودی (نوع پیش­تیمار، دمای هوا، سرعت هوا و زمان) و خروجی شبکه میزان رطوبت زرشک می­باشد. بهترین توپولوژی از شبکه MLP با الگوریتم یادگیری LM و تابع آستانه Tansig، ۱-۱۶-۳۰-۴ با ضریب همبستگی ۹۹۹۲/۰ و خطای حقیقی ۰۰۰۲۵/۰ بود. علاوه بر این بهترین توپولوژی از شبکه MLP با الگوریتم یادگیری LM و تابع آستانه Logsig، ۱-۵-۲۵-۴ با ضریب همبستگی ۹۹۹۱/۰ و خطای حقیقی ۰۰۰۳۲/۰ بود.  

---

ارتعاش محسوس تیرهای باربر فولادی در دهانه های بزرگ امری ناخوشایند در ساختمان ها است. حتی اگر محاسبات مربوطه به این تیر ها از نظر مقاومت و معیارهای کنترل تغییر شکل طبق آیین نامه به خوبی صورت گرفته باشد، با این وجود ممکن است هنگام عبور افراد دچار نوساناتی گردند. مبحث دهم مقررات ملی ساختمان رابطه ای برای کنترل ارتعاش تیرهای با اتصال مفصلی در حالت بهره برداری ارائه کرده است اما برای تعیین فرکانس تیرهای با اتصالات گیردار روابطی را بیان نکرده است. از آنجا که این تیرها سهم قابل توجهی از قابهای ساختمانی را به خود اختصاص می دهند، کنترل ارتعاش آنها از اهمیت خاصی برخوردار می باشد. روابط ارائه شده در تحقیقات سال های اخیر برای تعیین فرکانس تیر های گیردار دارای پیچیدگی های زیاد می باشد که استفاده از آنها برای کنترل ارتعاش سقف ها مشکل است. در این مقاله رابطه ارائه شده در آیین نامه ی طرح و اجرای ساختمان های فولادی ایران بررسی شده است، همچنین با استفاده از تحلیل دینامیکی، روش اجزای محدود و شبکه های عصبی روابطی برای تعیین فرکانس تیر های دو سر گیر دار و کنسول پیشنهاد گردیده است. مقایسه فرکانس حاصل از روابط مورد نظر با داده های بدست آمده از شبکه عصبی با خطای بسیار کم همراه بود که حاکی از دقت بالای روابط معرفی شده می باشد. پس پیشنهاد می گردد برای محاسبه فرکانس طبیعی تیرهای کنسول و دو سر گیر دار جهت کنترل ارتعاش سقف های ساختمانی از روابط معرفی شده در این مقاله استفاده گردد.

---

---

  چکیده میوه سیب از جمله محصولات باغی بسیار ارزشمند از لحاظ غذایی به شمار می‌آید و تولید آن در کشور ما از جایگاه بالایی در زمینه اشتغال زایی و ارزآوری برخوردار است. از میان روشهای غیر مخرب کنترل کیفی سیب، فناوری ماشین بینایی چشم اندازی مطمئن برای دستیابی به سرعت، کیفیت ارزیابی بالاتر و حصول بهره وری بیشتر برای این محصول ترسیم نموده است. تشخیص لهیدگی سیب در بسیاری از موارد با تشخیص دمگل همپوشانی داشته و این امر بکارگیری ماشین بینایی را به منظور درجه بندی کیفی سیب با چالش جدی مواجه می نماید. پژوهش حاضر به منظور رفع چالش مذکور و افزایش دقت عملکرد سیستم های درجه بندی سیب صورت پذیرفت. به منظور تحقق این امر دو الگوریتم جداگانه بر اساس رنگ برای شناسایی لهیدگی و دمگل در نرم افزار Matlab طراحی گردید. برای الگوریتم لهیدگی دقت %۱۴/۹۷ و برای الگوریتم دمگل دقت %۱۰۰ بدست آمد. سپس با ادغام این دو الگوریتم یک الگوریتم جامع بدست آمد که دارای دقت %۲۹/۹۴ می باشد. در ادامه آزمایشاتی جهت بررسی احتمالی افزایش دقت در شناسایی لهیدگی با گذشت زمان نگهداری توسط الگوریتم لهیدگی انجام گرفت. نتایج حاکی از آنست که کیفیت تشخیص لهیدگی توسط این الگوریتم به تدریج افزایش یافته و پس از دو تا سه روز به ثبات مطلوبی می رسد. همچنین الگوریتم دیگری که ویژگیهای خاصی از شکل تصاویر لهیدگی و دمگل از جمله میزان گِرد بودن، نسبت مساحت به مربع محیط آن ناحیه و نیز ضریب تغییراتِ (cv) فواصل نقاط روی لبه از مرکز ثقل تصویر را استخراج می نمود، طراحی گردید و سپس همراه با به کارگیری فناوری شبکه های عصبی مصنوعی لهیدگی و دمگل با دقت %۱۰۰ از یکدیگر تمییز داده شدند که اثباتی بر لزوم استفاده از این تکنیک در تلفیق با روش های ماشین بینایی جهت افزایش دقت کارایی دستگاه های درجه بند می باشد.  

---

چکیده در این تحقیق، مدل سازی با شبکه عصبی مصنوعی و از نوع پرسپترون (الگوریتم طبقه بندی ورودی) چند لایه به منظور ارزیابی استفاده از  اسید سیتریک در کاهش تولید آفلاتوکسین در نان های خشک ضایعاتی در سطح شهر مشهد استفاده شد. از آن جا که نان های ضایعاتی به عنوان ماده اصلی تغذیه حیوانات هستند و به دلیل فراهم بودن شرایط محیطی مناسب جهت رشد قارچ ها، این نان ها به شدت به مایکوتوکسین و به ویژه آفلاتوکسین آلوده بوده و نگرانی هایی برای بشر و حیوانات به وجود می آورند. به همین علت آلودگی غذاها با مایکوتوکسین، از طریق زنجیره ی غذایی باید به دقت کنترل گردد. نتایج نشان داده اند که مدل سازی با شبکه عصبی مصنوعی روش مناسبی خصوصا در صنایع غذایی است. هم چنین نتایج نشان می دهند که افزودن زئولیت نسبت به اسید سیتریک کاهش آفلاتوکسین بیشتری را به همراه دارد. هم چنین استفاده توام از زئولیت و اسید سیتریک نسبت به زمانی که از هر یک از مواد به تنهایی استفاده می شود کاهش بیشتری در میزان آفلاتوکسین را به همراه دارد. براساس نتایج حاصل از به کار گیری شبکه عصبی مصنوعی مدل شبکه عصبی مصنوعی برای داده های زئولیت با یک لایه مخفی،تابع انتقال تانژانت هیپربولیک، قاعده یادگیری لیونبرگ و تعداد ۳ نرون٬ با ۶۰% برای زیر گروه آموزشی و ۲۰% برای هر یک از زیر گروه های ارزیابی و آزمایشی با ضریب همبستگی ۹۷۳/۰ بهترین برازش را به همراه داشت. نتایج مدل سازی مبین سازگاری بالابین مقادیر آفلاتوکسین اندازه گیری شده و پیش بینی شده می باشد.  

---

در این مقاله بهینه سازی چند هدفه فرآیند اکستروژن پیچشی برای یک قطعه آلومینیوم مورد بررسی قرار گرفته است. زاویه اکستروژن، ضریب اصطکاک و سرعت بارگذاری به عنوان متغیرهای طراحی و کرنش ایجاد شده، میزان همگنی کرنش و نیروی اکستروژن به عنوان توابع هدف در نظر گرفته شده اند. ابتدا چندین نمونه توسط نرم افزار المان محدود Deform-۳d شبیه سازی شدند و با استفاده از نتایج شبیه سازی، یک شبکه عصبی مصنوعی برای مدل سازی فرآیند اکستروژن پیچشی با موفقیت آموزش داده شد. نتایج نهایی به صورت نقاط غیرمغلوب پرتو استخراج شده و به کمک دیاگرام های سطح، محدوده بهترین مقدار برای زاویه اکستروژن، ضریب اصطکاک و سرعت حرکت پانچ به ترتیب در جدود ۴۵ درجه، ۰,۷ و ۷ متر بر ثانیه به دست آمد. در انتها با تشکیل سطوح پاسخ برای هریک از توابع هدف، نشان داده شد که زاویه اکستروژن و ضریب اصطکاک، موثرترین پارامترهای فرآیند هستند.

---

در این پژوهش یک شبکه عصبی پیشرو با الگوریتم پس انتشار خطا، برای پیش بینی سختی نانوکامپوزیت های پایه آلومینیوم با تقویت کننده آلومینا، که به روش آلیاژسازی مکانیکی و پرس گرم تولید شده بودند، با استفاده از داده های موجود طراحی شد. درصد حجمی تقویت کننده، اندازه ذرات تقویت کننده نانومتری، نیروی وارد شده در آزمون سختی ویکرز؛ همچنین عوامل موثر بر فرآیند آلیاژسازی مکانیکی مانند زمان آسیاب کاری، نسبت وزنی گلوله به پودر و سرعت آسیاب به عنوان متغیرهای ورودی شبکه و عدد سختی ویکرز به عنوان متغیر خروجی شبکه درنظر گرفته شدند. عوامل موثر در آموزش شبکه مانند نرخ آموزش، تعداد لایه های پنهان و تعداد نرون های لایه های پنهان؛ با سعی و خطا تعیین شدند. برای بررسی عملکرد شبکه، از نمودارهای رگرسیون در مراحل آموزش، صحت سنجی و تست؛ و همچنین از میانگین مربعات خطا استفاده شد. شبکه عصبی طراحی شده قادر است سختی ویکرز داده های تست را با میانگین خطای ۲,۶۷ درصد یا ۲.۲۵ ویکرز پیش بینی نماید. همچنین میانگین مربعات خطا در مرحله صحت سنجی ۷.۷۶ بود. با استفاده از شبکه عصبی طراحی شده، سختی ویکرز نانو کامپوزیت آلومینیوم-آلومینا، بدون نیاز به کارهای آزمایشگاهی پرهزینه، قابل پیش بینی می باشد.

---

چکیده قارچ خوراکی دکمه‎ای (Agaricus bisporus) به‌عنوان منبع غذای پرپروتئین و کم‌کالری و همچنین مصارف دارویی، امروزه بسیار موردتوجه قرارگرفته است. با افزایش بیش‌ازپیش تولید قارچ خوراکی نیاز به انبارداری، افزایش ماندگاری، کاهش ضایعات و استفاده از قارچ خشک‌شده بیشتر احساس می‌شود. به همین جهت خشک‌کردن این محصول به‌عنوان یکی از راهکارهای عملی همواره مطرح می‌باشد. امروزه با توجه به مزایای فناوری هوش مصنوعی استفاده از شبکه­های عصبی مصنوعی در سطح وسیعی برای شبیه‌سازی و پیش‌بینی پارامترهای موردنیاز در فرایندهای خشک‌کردن در حال رشد و توسعه است. هدف از انجام این تحقیق پیش‌بینی محتوای رطوبتی قارچ خوراکی دکمه­ای به کمک شبکه عصبی مصنوعی پس انتشار می‌باشد. در این تحقیق قارچ خوراکی دکمه­ای به‌صورت لایه‌نازک با استفاده از خشک‌کن هوای داغ در سه سطح دما C° ۴۰، ۵۰ و ۶۰ و سه سطح سرعت جریان باد m/s ۵/۰، ۷/۰ و ۱ خشک‌شده تا محتوای رطوبتی آن به ۱۰% (بر پایه وزن خشک) برسد. مدل­های رگرسیونی و شبکه عصبی پیشرو با الگوریتم­های یادگیری لونبرگ- مارکوارت (trainlm) برای تخمین و پیش‌بینی میزان رطوبت لایه‌نازک قارچ استفاده شد. نتایج نشان داد که مدل رگرسیونی درجه دوم کامل با ضریب تبیین ۹۷/۰ و مجموع مربعات خطای ۰۷۱/۰ و همچنین شبکه عصبی با ساختار ۱-۱۸-۲۰-۳ با توابع آستانه سیگموئید و لگاریتمی در مقایسه با توپولوژی‌های دیگر نتایج بهتری را ارائه می‌کنند و دارای دقت قابل قبولی در تخمین رطوبت لایه‌نازک قارچ در هنگام خشک شدن دارد.

---

چکیده هدف از این پژوهش، بررسی تاثیر پارامتر‌های زمان، نوع عصاره، غلظت عصاره و دمای محیط بر دینامیک جمعیت باکتری اشرشیا کلی در یک سیستم کمپکلس غذایی (سوسیس فرانکفورتر) و مدل سازی آن به وسیله ژنتیک الگوریتم- شبکه عصبی مصنوعی و سیستم‌های نورو فازی ((CANFIS می‌باشد. در این پژوهش، از روش رقت سازی در چاهک برای تعیین حداقل غلظت مهار کنندگی (MIC) و حداقل غلظت کشندگی (MBC) عصاره های آبی و اتانولی قره قات استفاده شد. مدل ژنتیک الگوریتم- شبکه عصبی و سیستم نوروفازی ((CANFIS دارای چهار ورودی شامل، غلظت در پنج سطح (صفر، ۲۰۰۰، ۴۰۰۰، ۶۰۰۰، ۸۰۰۰ ppm)، نوع عصاره (آبی، اتانولی)، دما در سه سطح (۵، ۱۵ و ۲۵ درجه سانتی گراد)، و زمان (صفر تا ۲۰روز) بود. نتایج نشان داد شبکه عصبی با یک لایه مخفی، ۱۰ نورون در لایه مخفی، تابع فعال سازی از نوع تانژانت هیپربولیک، قاعده یادگیری مومنتوم، درصد داده‌های ۳۰، ۳۰، ۴۰ به ترتیب برای آموزش، ارزیابی و آزمون برای پیش بینی دینامیک جمعیت باکتری اشرشیای کلی به کار رود‌(۹۹۵/۰ =R۲). همچنین همبستگی بسیار مناسبی بین پیش بینی های سیستم نوروفازی و داده های تجربی وجود داشت(۹۶/۰ =R۲).  لازم به ذکر است که در این پژوهش سیستم ژنتیک الگوریتم- شبکه عصبی به شیوه مناسب تری قادر به پیش بینی دینامیک جمعیت باکتری اشرشیا کلی بود.

---

  چکیده در این پژوهش ویژگی‌های سینتیک آبگیری اولتراسوند-اسمز تُرُب توسط توابع مختلف فعال‌سازی شبکۀ عصبی نظیر لگاریتم سیگموئید و تانژانت هیپربولیک پیش‌بینی گردید. مقادیر جذب مواد جامد و کاهش آب به عنوان خروجی و زمان غوطه‌وری، غلظت محلول اسمزی، نوع پیش تیمار و محتوی رطوبتی به عنوان ورودی انتخاب گردید. در این مطالعه به منظور بدست آوردن بهترین نتیجه در پیش‌بینی پارامترهای اولتراسوند-اسمز تُرُب از دو نوع آرایش مختلف شبکۀ عصبی (I و II) استفاده گردید. نتایج نشان داد که استفاده از آرایش شبکۀ نوع دوم (II) با تابع فعال‌سازی تانژانت هیپربولیک نسبت به آرایش شبکۀ نوع اول (I) با تابع لگاریتم سیگموئیدی، توانست پارامترهای آبگیری اولتراسوند-اسمز تُرُب را با کارایی بیشتری پیش‌بینی نماید. بهترین چیدمان شبکۀ عصبی ۱۷ نرون در لایه پنهان بدست آمد. این شبکه توانست مقادیر جذب مواد جامد و کاهش آب را با ضرایب تبیین ۹۹۶/۰ و ۹۹۳/۰ پیش‌بینی نماید. این شیوه نوین می‌تواند به طور موفقیت آمیزی برای پایش کمی تغییرات کیفیت تُرُب در طی فرآوری آبگیری اولتراسوند-اسمز استفاده گردد.

---

بنگاه‌های صنعتی از نظر ایجاد اشتغال و تولید در اقتصاد هر کشور دارای نقش مهمی بوده و از این‌رو بقای آنها از هر حیث اهمیت می یابد. این در حالی است که مطالعات موجود در زمینه‌ توقف فعالیت یک بنگاه نشان می‌دهد عوامل متعددی بر خروج بنگاه از صنعت نقش داشته و در این میان رشد صنعتی که بنگاه در آن فعالیت می‌کند از مهم‌ترین آنها محسوب می‌شود. متغیر رشد صنعت به صور مختلف بر خروج بنگاه تأثیرگذار بوده و به عنوان مثال، صنایعی با رشد بالاتر دارای نرخ ورود بالاتری بوده و ورود بیشتر در قدم بعدی می‌تواند خروج بنگاه‌های موجود آن صنعت را به صورت معنی‌داری تحت تأثیر قرار دهد.      بر این اساس، این مطالعه با هدف اصلی بررسی تأثیر رشد صنعت بر خروج بنگاه‌های صنعتی طراحی گردیده و برای این منظور از مدل شبکه‌های عصبی مصنوعی استفاده شده است. این بررسی ۱۰ هزار بنگاه صنعتی در سطح کدهای چهاررقمی  ISIC را طی دوره برنامه سوم توسعه (۸۳-۱۳۷۹) که امکان دسترسی به داده‌های آن فراهم گردیده، در بر می‌گیرد. رشد صنعت نیز با استفاده از معیارهای متفاوتی چون رشدمطلق و رشد در طول دوره محاسبه شده است.      نتایج به دست آمده نشان داده است که بین متغیرهای منتخب، رشدصنعت پس از اندازه بنگاه، بیشترین توانایی تبیین خروج بنگاه را دارا است.

---

آزمایش پرسیومتری، یکی از مهم­ترین آزمایش‌های برجای مهندسی ژئوتکنیک است. در این مقاله از سه نوع شبکه عصبی مصنوعی (ANN) به منظور تفسیر نتایج آزمایش پرسیومتری استفاده شده است. در ابتدا از شبکه عصبی چند لایه پرسپترون، در ادامه از شبکه نروفازی بهره گرفته شده و در پایان از شبکه عصبی تابع مبنای شعاعی استفاده شده است. مدل‌ها از ساختار کلی دارای ۵ ورودی و یک خروجی تشکیل شده­اند. در پایان مدل‌های مختلف شبکه­های عصبی با یکدیگر مقایسه شده و شبکه­ای که بهترین عملکرد را داشته مشخص شده است. برای ارزیابی قدرت تعمیم مدل، عملکرد شبکه مورد نظر در مقابل داده­های تجربه نشده با نتایج تجربی مورد مقایسه قرار گرفت. مدل‌های مبتنی بر شبکه­های عصبی توضیحی در مورد چگونگی اثر پارامترهای ورودی بر خروجی نمی­دهند. در این پژوهش با انجام آنالیز حساسیت برروی ساختار بهینه مدل معرفی شده سعی شده است تا حدودی به این سوال پاسخ داده شود.

---

در این تحقیق، سایز و موقعیت نسبی ترک، با استفاده از فرکانس¬های طبیعی لوله¬ی محتوی مایع تحت فشار به کمک شبکه عصبی تشخیص داده می¬شود. شبکه¬ی عصبی به کار رفته از نوع پرسپترون چندلایه (MLP) می¬باشد. با مقایسه ی بین ورودی¬های مختلف، ورودی¬های مطلوب انتخاب شدند. سیال داخل لوله آب می¬باشد. لوله¬های مورد استفاده از دو جنس آلومینیوم و فولاد هستند. لوله در چهار وضعیت: خالی از سیال، حاوی سیال با فشار صفر، با فشارMPa ۴۹۸/۰و با فشار MPa ۹۸۱/۰ می¬باشد. محدوده¬ی سایز ترک از ۱۹۰۴۳/۰ تا ۶۳۴۶/۰ و محدوده¬ی موقعیت از ۱۹۹/۰ تا ۴۰۳/۰ می¬باشد. در زمینه¬ی تشخیص ترک سازه¬ها بر مبنای خصوصیت تغییرات فرکانس طبیعی با کمک شبکه عصبی تحقیقات زیادی انجام شده است. اما تا آنجایی که مولفین آگاهی دارند، جهت شناسایی ترک در لوله¬های حاوی سیال از روش فوق الذکر استفاده نشده است. همچنین استفاده همزمان از سازه¬های با دو جنس مختلف برای آموزش و تست شبکه عصبی از دیگر نوآوری¬های این تحقیق می باشد. مقایسه روش پیشنهادی در این تحقیق با روش¬های تحلیلی انجام شده، نشان می¬دهد که روش پیشنهادی همواره در تخمین سایز دقیق¬تر می¬باشد ولی در تخمین موقعیت با توجه به تعداد کم نمونه¬ها همواره دقیق¬تر نیست.

---

الگوی سخت‌شوندگی جنبشی شابوش عموماً برای بررسی رفتار خمیری مواد در بارگذاری‌های چرخه‌ای و یکنوا با نرخ کرنش ایستاسان مورد استفاده قرار می‌گیرد. از آنجا که الگوی شابوش مستقل از نرخ کرنش می باشد و ثابت‌های آن از آزمایش ایستاسان تعیین می‌گردند، این الگو توانایی پیش بینی رفتار ماده در نرخ کرنش‌های بالا را از دست می دهد. ازسوی دیگر، رفتار پویای مواد حتی در برخی از بارگذاری های چرخه‌ای عموماً وابسته به نرخ کرنش می‌باشد. در این تحقیق با انجام آزمایش‌های ایستا سان و پویا در نرخ کرنش‌های گوناگون ثابت‌های الگوی شابوش تعیین و با استفاده از ثابت های به دست آمده اثر نرخ کرنش در الگوی شابوش در نظر گرفته می شود. همچنین، با استفاده از شبکه عصبی ساختگی نمودارهای تنش-کرنش برای نرخ کرنش‌های گوناگون پیش بینی و با نتیجه‌های آزمایشی مورد مقایسه قرار می‌گیرند. نتیجه‌ حاصل از الگوی پیشنهادی با نتیجه‌ های آزمایش و شبکه عصبی همخوانی قابل قبولی را نشان می‌دهند. دراین مقاله نشان داده می‌شود که ثابتهای الگوی خمیری شابوش با نرخ کرنش تغییر می‌کنند و نیز اگر شبکه عصبی به طور صحیح آموزش داده ‌شود از آن می‌توان برای میانیابی داده‌های آزمایشی استفاده نمود.