ViraScience.
Thesis

کاربرد مدل شبکه عصبی مصنوعی جهت پیش بینی استحکام فولادهای twip

رضا پهلوان اصفهان

Abstract

متالورژی فولادهای پر منگنز به خصوص فولادهای تغییر شکل پلاستیکی ناشی از دو قلویی (twip) و استحاله فازی مارتنزیتی (trip) در حال حاضر موضوع علمی مهم و قابل توجه محسوب می شود. این فولادها به علت ساختار شیمیایی مناسب از استحکام و انعطاف پذیری مطلوبی برخوردار هستند. این ویژگی های مکانیکی استثنایی از طریق قابلیت کار سختی بالای این فولاد به دست می آید. از این رودر این پژوهش با استفاده از هوش مصنوعی به پیش بینی خواص مکانیکی فولادهای twip/trip پرداخته میشود. هوش مصنوعی به عنوان روشی برای شبیه سازی سیستم ها، مدل های زیادی را در بر می گیرد. در پژوهش اخیر از دو مدل شبکه عصبی و الگوریتم ژنتیک برای پیش بینی خواص مکانیکی فولادهای پرمنگنز استفاده شده است. متغیرهای ورودی برای شبکه عصبی عبارت از پارامترهای ترکیب شیمیایی (درصدهای وزنی منگنز، آلومینیوم و سیلیسیم) و پارامترهای ترمومکانیکی (دمای آنیل، زمان آنیل و درصد کار سرد) هستند که با استفاده از شبکه عصبی تاثیر آنها بر متغیرهای خروجی استحکام تسلیم، استحکام کششی و درصد ازدیاد طول بررسی شده است. داده های لازم برای بررسی شبکه از مقالات به دست آمد .20 در صد این داده ها برای مرحله تست، 20 درصد برای مرحله اعتبارسنجی و 60 درصد باقیمانده برای آموزش شبکه به کار برده شد. برنامه شبکه عصبی برای هر یک از دو دسته پارامترهای شیمیایی و مکانیکی به طور جداگانه نوشته شد و برای دست یافتن به نتایج دقیق تر برای هر کدام از این پارامترها سه برنامه مجزا طراحی گردید. همچنین در نوشتن شبکه دو روش پس انتشار خطا و شعاع مبنا استفاده گردید. با استفاده از شبکه عصبی به بررسی تاثیر هر یک از پارامترها به طور جداگانه بر خواص مکانیکی پرداخته شد. نتایج نشان داد که مدل آموزش داده شده می تواند حساسیت خواص مکانیکی به متغیرهای ورودی را پیش بینی نماید. در گام بعدی با استفاده از نتایج به دست آمده از شبکه عصبی، معادله ای برای استفاده در مدل الگوریتم ژنتیک حدس زده شد. استفاده از الگوریتم ژنیک باعث گردید تا نتایج به دست آمده از شبکه عصبی بهینه گردد و پیش بینی بهتری را در پی داشته باشد.

Supervisors and advisors

عباس نجفی زاده، احمد رضاییان، قاسم دینی

Similar items

  • کاربرد مدل شبکه عصبی مصنوعی در پیش بینی پاسخ های آمیخته بیماری قلبی

    Articleمجله علوم پزشکی رازیمهین عادلی، mahin adeli university of social welfare and rehabilitation sciencesدانشگاه علوم بهزیستی و توان بخشی تهران اکبر بیگلریان، akbar biglarian university of social welfare and rehabilitation sciencesدانشگاه علوم بهزیستی و توان بخشی تهران عنایت اله بخشی، enayatollah bakhshi university of social welfare and rehabilitation sciencesدانشگاه علوم بهزیستی و توان بخشی تهران امیدعلی عادلی

    زمینه و هدف: در مطالعات اپیدمیولوژی و پزشکی، گاهی پژوهشگر با مواردی مواجه می­شود که لازم است دو متغیر پاسخ را به صورت توام (همزمان) از روی تعدادی متغیر کمکی پیش­بینی نماید. زمانی که متغیر پاسخ آمیخته باشد، با توجه به محدودیت­ها و برقرار نبودن برخی پیش فرض­ها، روش­های کلاسیک آماری

  • کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیش بینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست)

    Article2013علوم و مهندسی آبیاریحسین ملکی نژاد، ربابه پورشرعیانی

    پیش­بینی نوسانات سطح آب زیرزمینی، برای برنامه­ریزی مناسب­تر به­ویژه در مناطق خشک و نیمه خشک امری ضروری است. در این تحقیق برای پیش­بینی نوسانات سطح آب زیرزمینی در دشت مروست از مدل­های سری زمانی و شبکه عصبی استفاده شد. برای مدل­سازی، اطلاعات سطح آب زیرزمینی در طی سال­های 88-1366 اس

  • آزمون مدل های لاجیت و شبکه عصبی مصنوعی جهت پیش بینی دستکاری قیمت در بورس اوراق بهادار تهران

    Article2011مهندسی مالی و مدیریت اوراق بهادارمیرفیض فلاح شمس، حمیدرضا کردلوئی

    هدف این مقاله بسط و توسعه روش هایی مبتنی بر ساختار های شبکه ای و اقتصاد سنجی است که توانایی تشخیص قیمت های دستکاری شده در بورس اوراق بهادار تهران را داشته باشد. در این مطالعه هدف ارائه مدلی برای تخمین دستکاری قیمت در بورس اوراق بهادار تهران است. به همین منظور به روش غربالگری نمون

  • ارائه یک مدل شبکه عصبی مصنوعی در پیش­بینی کیفیت خدمات کتابخانه­های دانشگاهی

    Articleمدیریت سلامتزینب محبی، z mohebbi تهران، خیابان ولی عصر (عج)، بالاتر از ونک، خیابان شهید یاسمی، روبروی بیمارستان خاتم النبیاء، پلاک 6، دانشکده مدیریت و اطلاع رسانی پزشکی- گروه کتابداری و اطلاع رسانی شهرام صدقی، sh sedghi تهران، خیابان ولی عصر (عج)، بالاتر از ونک، خیابان شهید یاسمی، روبروی بیمارستان خاتم النبیاء، پلاک 6، دانشکده مدیریت و اطلاع رسانی پزشکی- گروه کتابداری و اطلاع رسانی مسعود رودباری، m roudbari یزد، دانشگاه یزد، دانشکده فنی مهندسی، گروه استخراج معدن جواد غلام نژاد

    مقدمه : کتابخانه­ها و مراکز اطلاع­رسانی معمولاً با استفاده از ابزار لیب­کوآل به بررسی کیفیت خدمات می‏پردازند. در تجزیه و تحلیل لیب­کوآل می­توان از شبکه عصبی مصنوعی استفاده نمودکه با درجه خطای پایین به بررسی سطح خدمات می­پردازد. پژوهش حاضر در پی آن است که به معرفی شبکه عصبی مصنوعی

  • ارائه روشی مبتنی بر یک الگوریتم تکاملی برای دستیابی به مدلی کارآمد از شبکه عصبی مصنوعی جهت پیش بینی وضعیت تومورهای پستان

    Articleمجله دانشگاه علوم پزشکی مازندرانمهیار دارائی، mahyaar daaraaee msc in computer engineering, department of computer engineering, ayatollah amoli branch, islamic azad university, amol, iranآمل: کیلومتر 5 جاده قدیم آمل به بابل، فرعی دانشگاه، دانشگاه آزاد اسلامی واحد آیت الله آملی جواد وحیدی، javad vahidi assistant professor, department of applied mathematics, faculty of mathematics, iran university of science and technology, nour, iran. استادیار، گروه ریاضی کاربردی، دانشکده ریاضی، دانشگاه علم و صنعت ایران، نور، ایران عباس علی پور، abbas alipour assistant professor, department of community medicine, faculty of medicine, mazandaran university of medical sciences, sari, iranاستادیار، گروه پزشکی اجتماعی، دانشکده پزشکی، دانشگاه علوم پزشکی مازندران، ساری، ایران

    سابقه و هدف: اخیراً روش های هوشمند نظیر شبکه های عصبی مصنوعی به عنوان یک مدل کارآمد جهت پیش بینی و طبقه بندی تومورها مورد استفاده قرار گرفته اند. تشخیص خوش خیمی و یا بدخیمی توده های پستانی بر اساس خصوصیات مورفولوژیک، بالینی و دموگرافیک و بدون استفاده از روش های تهاجمی پاراکلینیکی

  • مدلسازی با استفاده از شبکه عصبی مصنوعی جهت پیش بینی هدایت حرارتی نانوسیال نانولوله کربنی چند جداره عامل دار – آب و ارائه رابطه تجربی جدید

    Article2018مدلسازی در مهندسیمحمد همت اسفه، مسعود افرند

    در این مقاله ، بر اساس نتایج آزمایشگاهی، و با استفاده از روش برازش منحنی و شبکه عصبی مصنوعی اثر دما و کسر حجمی نانولوله‌ها بر ضریب هدایت حرارتی نانوسیال نانولوله کربنی چند جداره عامل دار-آب بررسی شد. یک رابطه دقیق به صورت تابعی از کسر حجمی و دما برای پیش بینی ضریب هدایت حرارتی نا