جستجو در مقالات منتشر شده
۲ نتیجه برای مدل شبکه عصبی
بهمن نجفی،
دوره ۱۱، شماره ۴ - ( ۱۲-۱۳۹۰ )
چکیده
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.
مجتبی ضیاءشمامی، هاشم بابایی، توحید میرزابابایمستوفی، حسین خدارحمی،
دوره ۲۰، شماره ۹ - ( ۶-۱۳۹۹ )
چکیده
در این مقاله، مکانیسم تغییر شکل بزرگ پلاستیک و شکست ورقهای دایرهای تک و چندلایه تحت بارگذاری دفعی مکرر یکنواخت مورد بررسی قرار گرفت. برای انجام یک سری آزمایش (۶۷ آزمایش) بر روی ورقهای آلیاژ آلومینیوم با ساختارهای مختلف از سامانه آونگ بالستیک استفاده شد. سه نوع لایهبندی مختلف شامل ساختارهای تکلایه، دولایه و سهلایه همجنس در نظر گرفته شد و تحت محدوده وسیعی از جرم خرج از ۱/۵ تا ۱۲/۵گرم تا پنج دفعه جهت بارگذاری مکرر آزمایش شد. نتایج آزمایشگاهی حاکی از تغییر شکل بزرگ پلاستیک همراه با نازکشدگی در مرزهای گیردار و همچنین پارهشدن برخی آزمایشها است. همچنین نتایج نشان داد که با افزایش جرم خرج و تعداد دفعات انفجار، بیشترین خیز دائمی ورقها افزایش مییابد. از طرف دیگر، با افزایش تعداد انفجارها، خیز پیشرونده ورق در مرکز آن بهصورت نمایی کاهش مییابد. علاوهبر این، در بخش مدلسازی عددی، از شبکه عصبی از نوع GMDH برای ارایه یک مدل ریاضی بر مبنای اعداد بیبعد جهت پیشبینی بیشترین خیز دائمی ورقهای دایرهای تک و چندلایه تحت بارگذاری دفعی مکرر یکنواخت استفاده شد. بهمنظور افزایش قابلیت پیشبینی شبکه عصبی پیشنهادی برای این فرآیند، دادهها به دو دسته آموزش و پیشبینی تقسیم شدند. نتایج بهدستآمده نشان داد که توافق خوبی بین مدل ارایهشده با مقادیر تجربی برقرار است، بهطوریکه بهترتیب تمامی و ۷۷% از نقاط مربوطه به ساختارهای تکلایه و چندلایه در محدوده خطای کمتر از ۱۰% قرار گرفتند.