ارزیابی پارامترهای تاثیرگذار بر واحد کاهش گرانروی با استفاده از شبکه های عصبی مصنوعی
Abstract
No abstract recorded for this item.
No abstract recorded for this item.
در این مقاله. مدل شبکه عصبی مصنوعی برای پیشبینی خروجیهای واحد ککساز تاخیری معرفی شده است. در این روش پیشبینی» دادههای مختلف صنعئی جهت شبیهسازی daly ککساز تأخیری جمعآوری شدهاند. API و درصد CCR به عنوان ورودیهای شبکه و درصد وزنی کک. گازهای سبک. بنزین, گازوییل و درصد ") به
ارزیابی نوسانات سطح ایستابی در مناطق خشک و نیمه خشک کشور، نیازمند پیش بینی دقیق و کارآمدی از نوسانات آن میباشد. استفاده از روشهای نوین از جمله الگوریتمهای فراابتکاری، شبکه های عصبی مصنوعی و روش های فازی، جهت تولید داده های سطح آب مصنوعی و پیش بینی آینده تراز سطح ایستابی به دلی
از آنجایی که اندازهگیری منحنی نگهداشت آب خاک و نقاط شاخص آن مانند ظرفیت مزرعه و نقطه پژمردگی دائم با روشهای مستقیم هزینه بر و زمان بر است، یکی از راههای تخمین سریع و کم هزینه این ویژگیها تخمین این صفات از روی خصوصیات زود یافت خاک مانند توزیع اندازه ذرات خاک، مقدار مواد آلی و جرم
هدف از این تحقیق، ارائه یک رابطه برای تعیین ضریب دبی سرریزهای لبه تیز پلان مثلثی است که در نهایت یک رابطه رگرسیونی با استفاده از دادههای آزمایشگاهی بر اساس پارامترهای h/p و α با دقت زیاد ارائه شد. برای این منظور از دو مدل هوش مصنوعی ANN و GEP و نیز دو روش رگرسیونی MR-linear و MR-
تخمین دبی سیلاب با دوره بازگشت مختلف، یکی از مهمترین عوامل لازم برای طراحی و اجرای سازههای آبی است. از طرفی بسیاری از رودخانههای موجود در حوضههای آبخیز ایران فاقد آمار و اطلاعات آبسنجی کامل و دقیق هستند. در چنین مواردی یکی از راه حلهای مناسب برای برآورد دبیهای سیلابی با دوره با
پارامترهای ژئومکانیکی و پتروفیزیکی مخزن همانند سرعت موج برشی، تخلخل و تراوایی از جمله پارامترهای مهمی هستند که در شبیهسازی مخازن هیدروکربوری و استراتژیهای اکتشافی نقش موثری ایفا می کنند. اخیراً روشهای هوش مصنوعی بهمنظور پیشبینی این پارامترها با استفاده از دادههای چاه پیمایی