دانلود رایگان

مقاله کامل مدل سازي رآكتور شيميايي با شبكه‌هاي عصبي مصنوعي (word) - دانلود رایگان



دانلود رایگان مقاله کامل مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی (word)

دانلود رایگان مقاله کامل مدل سازي رآكتور شيميايي با شبكه‌هاي عصبي مصنوعي (word) فرمت فایل : ورد
تعداد صفحه :
قسمتی از متن :149
چكيده:
در اين پروژه، ورودي ها و خروجي هاي يك سيستم چند ورودي و چند خروجي غير خطي، براي ايجاد يك مدل ديناميكيِ هوشمند، استفاده شده است. بنابراين انتخاب شبكه هاي عصبي مصنوعي[1] از نوع پرسپترون هاي چندلايه[2] براي اين منظور مناسب است. در كنار اين نوع از مدل سازي، استفاده از يك شيوه ي مناسب براي كنترل پيشگويانه (پيش بينانه)ي مدل ياد شده، ضروري است.
مدل هاي برگشتي تصحيح شونده كه از قوانين تعديل ماتريس هاي وزني مسيرهاي ارتباطي بين نرون هاي مدل استفاده مي كنند، در اين پروژه به كار گرفته شده اند.
اين قوانين براي آموزش سيستم، جهت كنترل و دستيابي به خروجي مطلوب در زمان هاي بعدي به كار مي روند.
فراگيري در اين سيستم نيز از نوع فراگيري با سرپرست[3] مي باشد؛ به اين صورت كه معادله ي ديفرانسيل ديناميكيِ سيستم در دسترس است و بنابراين مقادير مطلوب براي متغير هدف، كه سيستم بايد به آن برسد، براي زمان هاي آينده مشخص مي باشد و خروجي سيستم با استفاده از يك كنترل كننده ي پيش بين، همواره بايد به اين اهداف دست يابد. سيستم مورد مطالعه در اين پروژه، يك رآكتور شيميايي است كه براي اختلاط پيوسته ي مواد شيميايي واكنش دهنده با غلظت ها و مقادير تعريف شده و توليد يك ماده ي محصول با يك غلظت متغير با زمان[4] به كار مي رود؛ كه ميزان مطلوب اين غلظت در يك زمان خاص، به عنوان هدف مطلوبي است كه سيستم بايد به آن دست يابد.
همچنين به جاي يك سيستم واقعي، از يك مدل نرم افزاري براي جمع آوري داده هاي ورودي و خروجي استفاده مي شود و در نهايت، نتايج اين مدل سازي موفقيت آميز، توانايي روش هاي مدل سازي هوشمند را همان گونه كه در اين تحقيق آمده است، اثبات مي كند.
كلمات كليدي: هوش مصنوعي، شبكه هاي عصبي مصنوعي، رآكتور شيميايي، كنترل پيش بين، نرون، پتانسيل فعاليت، پرسپترون چندلايه غير خطي، تورش، سيستم هاي غير خطي، بازشناسي الگو، دستگاه هاي طبقه بندي خطي و غير خطي، قاعده ي پس انتشار خطا، تعديل ضرايب وزني، شبيه سازي، مدل ديناميكي كامل / ناكامل شبكه ي عصبي مصنوعي
KEY WORDS: Artificial Intelligence, Artificial Neural Networks, Chemical Reactor, Predictive Control, Neuron, Action potential, Nonlinear Multilayer perceptrons, Bias , Nonlinear systems, Pattern Recognition, linear and Nonlinear classifiers, Backpropagation Rule, Adjusting the Connection Weights, Simulation, complete / Incomplete Artificial Neural Network models.


فصل اوّل:
مقدمه
مقدمه:
در كنترل با پسخور[5]، كه به عنوان معمول ترين نوع كنترل سيستم هاي ديناميكي مورد استفاده قرار مي گيرد، فرمان كنترل سيستم، با در نظر گرفتن ميزان خطاي محاسبه شده بين خروجي واقعي و مطلوب، صادر مي شود.
كنترل پيش بين نيز كه با استفاده از روش هاي هوش محاسباتي انجام مي شود، نوعي كنترل با پسخور است. در اين روش كنترلي، خطاي سيستم قبل از اينكه اتفاق بيفتد، پيش بيني شده و براي تعيين دستور كنترل خطا، پيش از آنكه خطايي اتفاق بيفتد، استفاده مي شود.
كنترل پيش بين در ابتدا به عنوان مدل كنترلي پيش بين كلاسيك كه به يك مدل خطي، از سيستم، در فضاي حالت نياز داشت، معرفي شد.
در هر حال طبيعت غيرخطي بسياري از سيستم ها، قابل صرف نظر كردن نيست؛ بنابراين مدل هاي خطيِ فضاي حالت نمي توانند به درستي، خواص غير خطي سيستم ها را ارائه دهند.
در چنين مواردي، تقريب كامل يا قسمتي از مدُل خطي ممكن است استفاده شود ولي در حالت كلي مدل هاي غير خطي براي پيش بينيِ خروجي سيستم هاي غير خطي براي اهداف كنترلي استفاده مي شوند.
برخي از روش هايي كه از اساس قواعد فيزيك استفاده مي كنند، وجود دارند كه مي توانند مُدل برخي از سيستم ها را به طور كامل، و يا تا اندازه ي قابل قبولي، توصيف كنند و ساختارهاي مدل را به وجود آورند.
شبكه هاي عصبي مصنوعي 2] و [11 و سيستم هاي منطق فازي[6] (شبكه هاي نوروفازي) 8] [نيز مي توانند براي مدل كردن سيستم ها به كار روند كه به عنوان روش هاي مدل سازي هوشمند طبقه بندي مي شوند. اين گونه مدل ها بايد پس از طراحي مقدماتي، توسط داده هاي ورودي و خروجي آموزش ببينند.
سيگنال داده هاي ورودي و خروجي در آموزش سيستم، به صورت آرايه اي از اعداد استفاده مي شوند. آموزش سيستم به اين شيوه، براي بهبود عملكرد سيستم، به شدت وابسته به خروجي مُدل مي باشد.
در اين پروژه، سيستم مورد مطالعه براي مُدل سازي هوشمند، يك رآكتور شيميايي در نظر گرفته شده است كه مدل نرم افزاري آن، در دسترس مي باشد [2] و داده هاي ورودي و خروجي اين سيستم، با داده هاي حاصل از آزمايش يك رآكتور واقعي، جايگزين مي شود.
رآكتور شيميايي مورد مطالعه، يك سيستم ديناميكي غير خطي با چند ورودي و چند خروجي[7] است.
هدف اين تحقيق، آشكار ساختن توانايي يك مدل هوشمند، براي مقاصد پيش بيني غير خطي كميت هاي سيستم ديناميكي و پيشنهاد راه كارهاي مفيدي جهت كاربرد سيستم هاي هوشمند است.
در واقع روش پيشنهادي مي تواند در مواقعي كه مدل رياضي دقيقي از سيستم با استفاده از روش هاي مشخص و معمول (مانند معادله هاي موازنه جرم و انرژي) در دسترس نيست، و يا اينكه ساختار رياضي و يا پارامترهاي غير قابل اندازه گيري و تأثيرگذار مدل به طور قابل توجهي نامشخص باشد (مانند ايجاد خوردگي در برخي نقاط خطوط انتقال يا بدنه سيستم) مورد استفاده قرار گيرد.
يكي از ويژگي هاي برجسته ي اين مدل هوشمند در مقايسه با روش هاي مدل سازي كلاسيك، بي نيازي آن در اندازه گيري پارامترهاي سيستم (مانند پارامترهاي مربوط به انتقال جرم و حرارت) است.[8]
مرور اجمالي فصل هاي اين پايان نامه به قرار زير است:
فصل اول، مقدمه اي شامل شرح عنوان پايان نامه، روش تحقيق، و تشريح كامل صورت مسأله مي باشد كه از نظر گذشت. در فصل دوم مقايسه اي بين شبكه هاي عصبي طبيعي و مصنوعي و نحوه ي پردازش داده ها در آنها صورت گرفته است. همچنين شيوه هاي يادگيري در انسان و ماشين نيز بررسي شده اند.

[1] . Artificial Neural Networks
[2] . Multi Layer Perceptrons
[3] . Supervised Learning
[4] . Catlaytic Continuous Stirred Tank Reactor (CSTR)
[5] . Feedback.
[6] . Fuzzy inference systems.
[7] . Multi input multi output (MIMO).
مراجع:
  1. Russell Beale, Tom Jackson, “Neural Computing: An Introduction ; CRC Press 1990; ISBN: 0852742622
  2. Howard Demuth, Mark Beale, Martin Hagan “Neural Networks Toolbox 5, User's Guide , The MathWorks, march 2007, Online. 6-3.
  3. فيليپ پيتكن؛ شبكه هاي عصبي (اصول و كاركردها)، ويرايش دوم؛ مترجم دكتر غضنفري، مهندس اركات، انتشارات دانشگاه علم و صنعت. سال 1383، شابك: 4-468-454-964
  4. L. McClelland & D.E.Rumelhart, “Parallel Distributed Processing , Volumes 1, 2, and 3, 1989; ISBN: 0262631296.
  5. Teuvo Kohonen, “An Introduction to Neural Computing . In Neural Networks, Volume 1, number1, 1988. ISBN: 3540679219.
  6. Donald Hebb & Lawrence Erlbaum; “Organization of Behaviour “Associates; 2002, ISBN: 0805843000.
  7. Minsky & S. Papert. “Perceptrons “MIT Press 1969. ISBN: 1422333442.
  8. Ali Ghaffari, Ali Reza Mehrabian, And Morteza Mohammad-Zaheri, “Identification and Control of Power Plant De-Super Heater Using Soft computing techniques, Engineering Applications of artificial Intelligence, Special Issue in Applications of A.I. in Process Engineering, vol. 20, no. 2, March 2007, pp. 273-287.
  9. ايلين ريچ، مترجم دكتر مهرداد فهيمي؛ هوش مصنوعي انتشارات جلوه؛ پاييز 1379؛ شابك: 9-18-6618-964.
  10. Omid Omidvar and Judith E. Dayhoff; Elservier; 1998, ISBN: 0125264208.
  11. Morteza Mohammadzaheri and Lei chen, “Design of an Intelligent controller for a Model Helicopter Using Neuro-Predictive Method with Fuzzy Compensation , World Congress of Engineering, London. 2~4 July 2007.



مقاله کامل مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی (word)


مقاله کامل


مدل سازی رآکتور


شیمیایی با شبکه‌های عصبی مصنوعی (word)


مقاله


کا


مقاله


پاورپوینت


فایل فلش


کارآموزی


گزارش تخصصی


اقدام پژوهی


درس پژوهی


جزوه


خلاصه


تحقیق در مورد تجلی قرآن و حدیث شعر در مثنوی مولانا

چهار مقاله بیس با موضوع بازاریابی عصبی (2016-2017)

دانلود تحقیق سحر و جادو

تصویر خوشنویسی استاد امیرخانی 21

دانلود خلاصه درس و نکات ریاضی(فصل4)و علوم(درس 7 و8) ششم ابتدایی