Thesis

مدل سازی رفتار هیسترتیک در مواد آلیاژی حافظه دار با استفاده از شبکه عصبی پرایساچ

Abstract(in Persian; no English abstract is available)

آلیاژهای حافظه دار موادی هستند که می توانند به تغییرات محیط به بهترین شکل ممکن پاسخ داده و رفتار خود را نسبت به تغییرات تنظیم نمایند. پدیده هیسترسیس یک پدیده غیرخطی است که وابستگی یک سیستم را به شرایط قبلی آن سیستم نشان می دهد و اثرات قوی آن در تمامی مواد هوشمند یافت می شود. مدل هیسترسیس پریساچ شناخته شده ترین مدل پدیده شناسی بر پایه عملگرها برای بررسی پدیده هیسترسیس در مواد هوشمند است. در این پایان نامه از یک شبکه عصبی چند لایه با الهام از مدل پریساچ با یک ورودی، یک خروجی و دو لایه پنهان، استفاده شده که آن را شبکه عصبی پریساچ می نامند. این مدل پیچیدگی های مدل پریساچ را آسان نموده است و به مدلی کارا برای مدل سازی انواع غیرخطی های هیسترسیس تبدیل شده است. با کنترل برخی پارامترها و استفاده از تکنیک های مختلف می توان دقت، سرعت و کارایی این روش را بهبود بخشید. استفاده از الگوریتم ژنتیک برای تخمین اولیه وزن ها، اضافه نمودن نرون بایاس برای افزایش توانایی در مدل سازی انواع هیسترسیس، کنترل بازه انتخاب وزن ها برای افزایش سرعت و دقت یادگیری، استفاده توام از دو تابع معیار برای الگوریتم بهینه سازی، کنترل تعداد نرون های مورداستفاده در لایه پنهان اول و دوم و کنترل تعداد تکرار در حین فرایند بهینه سازی و اضافه کردن توانایی یادگیری هیسترسیس وابسته به زمان مواردی هستند که در این پایان نامه به آن ها پرداخته شده است. همچنین به منظور بررسی قابلیت یادگیری، این شبکه عصبی به نتایج آزمایشگاهی موجود در سایر تحقیقات اعمال شده است و نتایج به دست آمده نشان دهنده قابلیت بالای یادگیری رفتار هیسترتیک در این مدل می باشند.

Supervisors and advisors

مجتبی فرخ

Similar items

  • بررسی رفتار پسماند عملگر آلیاژ حافظه دار مغناطیسی با استفاده از مدل پرنتل-ایشلینسکی تعمیم یافته و اعتبارسنجی تجربی آن

    Article2015مهندسی مکانیک مدرساسوه جدی نیا، محمد رضا ذاکرزاده، محمد محجوب

    امروزه نیاز روز افزون به اعمال تغییرات و جابه جایی های سریع، دقیق و حرکات کوچک در بسیاری از زمینه های مهندسی، اهمیت و کارایی مواد هوشمند را بیشتر نشان می-دهد. آلیاژ حافظه دار مغناطیسی، یکی از جدیدترین مواد هوشمند است که اثر حافظه دار بودن و خاصیت مغناطیسی را به طور همزمان دارا می

  • مدل سازی رفتار گذرای وابسته به زمان مدار حلقه قفل فاز دیجیتالی به کمک شبکه¬ی عصبی واحد بازگشتی گیتی

    Article2025مهندسی برق و مهندسی کامپیوتر ایرانسیده فاطمه موسوی قوام آبادی، سیدعلیرضا صدرالسادات، علی مفتخرزاده

    امروزه شبکههای عصبی یک ابزار قدرتمند برای مدلسازی مدارهای پیچیده و غیرخطی میباشند. در این مقاله، مدلسازی رفتار گذرای وابسته به زمان مدار حلقه قفل فاز دیجیتالی به کمک دو مدل شبکهی عصبی که وابسته به زمان هستند، انجام شده است. مدلسازی با استفاده از شبکه عصبی RNN با چالش محو گرادیان

  • مدل سازی بار رسوب کل رودخانه ها با استفاده از شبکه های عصبی مصنوعی

    Article2013نشریه حفاظت منابع آب و خاک (علمی - پژوهشی)امین فلامکی، مهناز اسکندری، عبدالحسین بغلانی، سید احمد احمدی

    برآورد بار رسوب کل رودخانه­ها از مسائل مهم و کاربردی در مدیریت و برنامه­ریزی منابع آب است. غلظت رسوب می­تواند به روش­های مستقیم و یا غیرمستقیم محاسبه شود که معمولاً روش­های مستقیم پرهزینه و زمان­بر هستند. همچنین بار رسوب کل می­تواند به کمک روابط مختلف انتقال رسوب محاسبه شود، لیکن

  • مدل سازی و پیش بینی قیمت بنزین با استفاده از شبکه عصبی gmdh

    Articleپژوهش های اقتصادی ایران

    در این پژوهش از شبکه عصبی gmdh مبتنی بر الگوریتم ژنتیک به عنوان ابزاری با قابلیت بالا در مدل سازی سیستم های غیرخطی پویای پیچیده، برای پیش بینی قیمت بنزین با دو روش قیاسی و قواعد تحلیل تکنیکی، استفاده کرده ایم. متغیرهای ورودی در روش قیاسی شامل تمام عوامل مؤثر(درون و برون سیستمی) ب

  • بررسی و مدل سازی اثر آلودگی هوا بر سلامت، با استفاده از شبکه عصبی مصنوعی

    Articleمجله اپیدمیولوژی ایرانعلی فلاحتی، a falahati associate professor, razi universityکرمانشاه، بلوار شهید بهشتی، مقابل بیمارستان طالقانی،دانشکده علوم اجتماعی دانشگاه رازی کیومرث سهیلی، k soheili associate professor, razi universityدانشیار و عضو هیئت علمی گروه اقتصاد دانشگاه رازی، کرمانشاه مینو نظیفی، m nazifi ma in economicsکارشناسی ارشد اقتصاد توسعه و برنامه ریزی، کرمانشاه، سحر عباسپور

    مقدمه و اهداف: امروزه، بحران ناشی از مصرف بی رویه مواد و انرژی و افزایش آلودگی های محیط زیست، از جمله چالش های که پیش روی بشر است. توجه به توسعه پایدار، به گونه ای که کمترین آسیب به محیط زیست و سلامت افراد جامعه را به همراه داشته باشد، راهکاری اجتناب ناپذیر برای پشت سر گذاشتن این

  • مدل سازی و پیش بینی ضایعات نان با استفاده از مدل های سری زمانی و شبکه های عصبی مصنوعی

    Article2012تحقیقات اقتصاد و توسعه کشاورزی ایرانمیترا ژاله رجبی، ناصر شاهنوشی، محمود دانشور، علی فیروز زارع

    دراین مطالعه به منظور بررسی عوامل مؤثر بر ضایعات نان و تعیین روابط کوتاه مدت، بلندمدت و ضریب تصحیح خطا بین ضایعات نان و متغیرهای مستقل مؤثر برآن طی سال های 1385-1357 و پیش بینی ضایعات نان از الگوی سری زمانی چند متغیره ardl استفاده شده است. بر اساس الگوی ardl ضایعات نان در بلندمدت