artificial immune system algorithm
در نشریات گروه فنی و مهندسی-
بعلت تخمین دقیق زمان حفاری و برآورد هزینه های اجرایی، پیش بینی نرخ نفوذ در حفاری مکانیزه حایز اهمیت است. از طرفی به دلیل قیمت بالای ماشین حفاری تمام مقطع (TBM)، ارزیابی عملکرد در حفاری با استفاده از این ماشین بسیار اهمیت دارد. یکی از شاخص های ارزیابی عملکرد ماشین TBM، پیش بینی نرخ نفوذ این دستگاه می باشد. طی سالیان اخیر توسط محققین روش ها و روابط متنوعی برای پیش بینی نرخ نفوذ پیشنهاد شده که هر کدام ویژگی های خاص خود را داشته و براساس پارامترهای مربوط به توده سنگ و مشخصات ماشین ارایه شده اند. هدف از نگارش این مقاله توسعه مدل های دقیق پیش بینی برای تخمین نرخ نفوذ TBM با استفاده از الگوریتم های فراابتکاری نظیر الگوریتم ژنتیک، الگوریتم سیستم ایمنی مصنوعی، الگوریتم پژواک صدای دلفین و الگوریتم گرگ خاکستری است. برای ساخت مدل های پیش بینی از 153 داده که شامل: مقاومت فشاری تک محوره سنگ بکر (UCS)، تردی سنگ بکر(BI)، زاویه بین صفحات ناپیوستگی و جهت حفاری TBM (α) و فاصله بین صفحات ناپیوستگی (DPW) به عنوان پارامترهای ورودی استفاده شده است. همچنین برای ارزیابی مدل ها از شاخص های آماری نظیر میانگین خطای مربعات (MSE) و ضریب همبستگی مربع (R2) استفاده شده است. نتایج مدلسازی ها نشان می دهد الگوریتم ژنتیک با مقادیر012/0=MSETrain، 02/0=MSETest ، 9319/0=R2Train و 8473/0=R2Test از دقت قابل قبولی در پیش بینی نرخ نفوذ TBM (نسبت به سایر الگوریتم ها) برخوردار است.
کلید واژگان: نرخ نفوذ TBM، الگوریتم ژنتیک، الگوریتم سیستم ایمنی مصنوعی، الگوریتم پژواک صدای دلفین، الگوریتم گرگ خاکستریOne of the indicators for evaluating the performance of a tunnel drilling machine is predicting the penetration rate of this machine. There are various methods and relationships for predicting the penetration rate, each of which has its own characteristics and are presented based on the parameters related to the rock mass and the characteristics of the machine. In this study, genetic, artificial immune system, dolphin echolocation and grey wolf algorithms were used to predict the penetration rate of TBM. In this regard, the database consists of 153 data (122 data for train and 31 data for test) including parameters of intact rock such as strength and brittleness and rock mass characteristics such as distance between planes of weakness and orientation of discontinuities along with TBM machine performance in Queens tunnel has been collected. Mean square error (MSE) and square correlation coefficient (R2) have been used to estimate the error rate between the developed methods. Considering the key parameters of rock mass and intact rock and TBM, relationships to predict the penetration rate are presented and based on statistical analysis, the best relationship is selected. The results are compared with the real data and the results of other models show that the values penetration rate predicted by the genetic algorithm with MSETrain=0.012, MSETest=0.02, R2Train=0.9319 and R2Test=0.8473,has acceptable accuracy compared to other methods.
Keywords: Penetration rate of TBM, Genetic Algorithm, Artificial immune system algorithm, Dolphin echolocation algorithm, Grey Wolf Algorithm -
تداوم برق رسانی بارهای مهم یکی از مهم ترین رویکردهای توانایی خودترمیمی یک شبکه هوشمند است. استفاده از خودروهای برقی به این منظور می تواند چالش برانگیز باشد. از طرفی مطلوب است که باتری خودروهای برقی به محض دسترسی به شبکه شارژ شود تا در مواقع اضطراری شارژ بیشتری داشته باشند؛ اما این روش می تواند منحنی بار را خراب کند، و مشکلات دیگری را در پی داشته باشد. لذا یک تابع هدف تعریف شده است تا زمان شارژ خودروهای برقی در یک شبکه هوشمند را با دو هدف مشخص کند: حداکثر سازی انرژی ذخیره شده در باتری خودرو برقی، حداقل سازی انحراف معیار منحنی بار شبکه با احتساب بار شارژ خودروها. در این مقاله نامعینی در زمان عزیمت و زمان رسیدن و مقدار سطح شارژ در زمان رسیدن در رفتار خودروهای برقی در نظر گرفته شده است. برای کاهش تعداد متغیرهای تابع بهینه سازی در شرایط نفوذ بالای خودروهای الکتریکی، با کمک روش های آماری خودروها دسته بندی شده اند. روش بهینه سازی تابع هدف بر اساس الگوریتم سیستم ایمنی مصنوعی است. شبیه سازی بر روی شبکه استاندارد IEEE 37 باس توسط الگوریتم ذکر شده و الگوریتم ژنتیک اجرا شده و نتایج آن با یکدیگر مقایسه شده است و موفقیت الگوریتم پیشنهاد شده را تایید می کند.کلید واژگان: شبکه هوشمند، خودترمیمی، خودرو الکتریکی، شارژ هماهنگ، الگوریتم سیستم ایمنی مصنوعیPower continuation of vital loads is one of the most important feature of self-healing smart grid. It is desired to charge the batteries of Electric Vehicles (EVs) whenever they can be connected to the grid in order to have more energy reserved in the case of emergency. However, this method of charging can deteriorate the load curve, and has several other side effects. Therefore, using the vehicle-to-grid (V2G) for this purpose can be challenging. A multi-objective optimization is formulated that assigns the charging times of EVs in a smart grid by considering two goals; maximizing of energy stored in EVs and minimizing the standard deviation (SD) of the grid load curve counting the charging load. Uncertainty of arrival time, departure time and state of charge at arrival time of EVs are considered. In order to decrease the number of variables of optimization problem in case of high penetration of EVs, the EVs are clustered with statistical methods. The proposed optimization method is based on the artificial immune system algorithm (AISA). Simulation studies are performed on the IEEE 37-bus benchmark, showing that AISA provides better solutions compared to those of the genetic algorithm, as enough energy is stored in EVs while the SD of the load curve is better.Keywords: Smart grid, Self-healing, Electric vehicle, coordinated charging, Artificial immune system algorithm
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.