neural network algorithm
در نشریات گروه فنی و مهندسی-
شناخت دقیق متغیرهای مجهول برای انواع سلول های خورشیدی با استفاده از داده های آزمایشگاهی اهمیت حیاتی در طراحی، کنترل، کیفیت، برآورد هزینه، و پیش-بینی عملکرد سلول های خورشیدی دارد. گسترش مشخصه های یک سلول خورشیدی واحد به مجموعه ای از سلول ها (پنل خورشیدی) معمولا براساس یک نقطه عملیاتی واحد بر روی منحنی مشخصه جریان- ولتاژ یکی از این سلول ها انجام می شود. در سال های اخیر، یک روش جدید برای پیش بینی عملکرد سلول و غربالگری سلولی با مدل سازی سلول با استفاده از یک مدار الکتریکی معادل ارائه شده است که در آن، هر متغیر، مربوط به یک پدیده فیزیکی در سلول خورشیدی است. این مدل های تحلیلی می توانند با یک مدل پنج، هفت، و اخیرا نه متغیری نشان داده شوند. به واسطه غیرخطی بودن و ناتوانی روش های بهینه سازی سنتی در شناسایی دقیق متغیر های ناشناخته سیستم، اخیرا الگوریتم های بهینه سازی هوشمند، توجهات چشمگیری را در حل این نوع مسایل مهندسی به خود جلب کرده اند. الگوریتم شبکه عصبی یک الگوریتم فراابتکاری است که از عملکرد شبکه عصبی مغز انسان الهام گرفته است. در این مقاله، تکنیک شناسایی پارامتر بهینه یک سلول خورشیدی تجاری برای مدل تک دیودی، دو دیودی، و سه دیودی توسط الگوریتم شبکه عصبی انجام گرفته است. نتایج بدست آمده از روش پیشنهادی دارای دقت پاسخ بهتری نسبت به الگوریتم های بهینه سازی اخیر در منابع است. این بهبود عملکرد به ترتیب برای مدل های تک دیودی، دو دیودی، و سه دیودی به میزان 0.44، 0.085، و 17.97 درصد نسبت به بهترین روش مطالعه شده در منابع حاصل شده است.
کلید واژگان: سلول خورشیدی، بهینه سازی، الگوریتم های فراابتکاری، شناسایی پارامتر، الگوریتم شبکه عصبیPrecise recognition of unknown variables for different types of solar cells is important in design, control, quality, cost estimation, and prediction of solar cell performance. Development of a single solar cell to a set of cells (solar panels) is usually based on a single operating point on the current-voltage characteristic curve. In recent years, a new method to predict cell performance and cell screening by modeling the cell is presented using an equivalent electrical circuit in which each variable corresponds to a physical phenomenon in the solar cell. These analytical models can be represented by a five-variable, seven-variable models, and recently nine-variable model. Due to the nonlinearities and inability of traditional methods in identifying the unknown variables of the system, recently intelligent algorithms have attracted considerable attentions in solving engineering problems. Neural network algorithm (NNA) is a metaheuristic optimization algorithm that is inspired by the function of the neural network of human brain. In this article, the optimum parameter identification technique of a silicon commercial solar cell is used for single diode, two diode, and three diode models. The obtained optimization results of this research are compared with other optimizers in the literature and the surrounding discussions are done. The improvement level reported by the NNA in comparison with the best reported results in the literature for one, two, and three diode models are 0.44, 0.085, and 17.97 percent, respectively. The obtained results of the proposed NNA method have the highest accuracy among the other optimizers in the literature.
Keywords: Solar Cell, Optimization, Metaheuristics, Parameter identification, Neural network algorithm -
نشریه یافته های نوین کاربردی و محاسباتی در سیستم های مکانیکی، سال دوم شماره 1 (بهار 1401)، صص 23 -31
چرخدنده ها یکی از پرکاربردترین اجزای انتقال و یا تغییر قدرت محسوب میشوند که به وفور در صنعت به چشم میخورند. در طراحی چرخدنده ها، متغیرهای وزن، اندازه و راندمان از عوامل مهم و تاثیرگذار در یک طراحی بهینه محسوب میشوند، هرچند این عوامل گاهی در تضاد با یکدیگر هستند. از اینرو اهمیت بهینه سازی در چرخدنده ها امری ضروری قلمداد میشود. امروزه با توسعه رایانه ها و گسترش نرم افزارهای مهندسی در علم مکانیک می توان در هزینه و در ساخت این چرخدنده ها پیشرفت قابل توجه ای کرد. چرخدنده مورد نظر در این تحقیق از نوع چرخدنده ساده است که البته این تحقیق قابلیت بسط به انواع دیگر چرخدنده ها را داراست. در این مقاله از نرم افزار انسیس و زبان برنامه نویسی متلب جهت مدلسازی و بهینه سازی چرخدنده ساده استفاده شده است. در این مطالعه، هدف افزایش بیشترین توان با کمترین وزن ممکن است. متغیرهای طراحی در این مقاله، توان، تعداد دندانه، مدول، و ضخامت چرخدنده هستند که به بهینه ترین شکل ممکن با نرم افزار متلب بهینه سازی شده اند و سپس با نرم افزار انسیس مدل سازی و تحلیل مهندسی میشوند. در این میان، قیودی مانند قیود مربوط به تنش های موجود، مدول، فاصله دو محور چرخدنده، راندمان، و ضرایب اطمینان نیز در نظر گرفته می شوند. نتایج حاصله از برنامه نویسی با خطای بسیار کمی نتایج حاصله از نرم افزار مهندسی را تایید میکند که این مهم مبین قابل قبول بودن مدل ریاضی ارایه شده در این مقاله است.
کلید واژگان: چرخدنده ساده، بهینه سازی، الگوریتم های فراابتکاری، الگوریتم چرخه آب، الگوریتم شبکه عصبیJournal of New Applied and Computational Findings in Mechanical Systems, Volume:2 Issue: 1, 2022, PP 23 -31Gearing is one of the most efficient methods of transmitting power from a source to its application with or without change of speed or direction. In this paper, a spur gear model is optimized aiming to maximize its transmission power and minimize its weight. Several design variables named as transmitted power, number of pinion teeth, modules, and thickness of gears have been considered during optimization process. For the sake of optimization, two developed metaheuristics named as water cycle and neural net-work algorithms have been examined using MATLAB programming language platform. Besides, obtained optimization results have been validated and analyzed using well-known commercial computer aided engineering software ANSYS. Based on the ob-tained optimization results, optimum design has been found using optimizers and in terms of engineering analysis good agreement has been observed between the applied finite element approach.
Keywords: Spur gear, Optimization, Metaheuristic Algorithms, Water Cycle Algorithm, Neural network algorithm -
هدف
عدم توانایی بانک ها در اعتبارسنجی و ارزیابی مالی مشتریان و پیش بینی دقیق ریسک اعتباری تسهیلات گیرندگان، تاثیرات مخربی بر سیستم مالی جهانی و فعالیت های اقتصادی داشته و از اصلی ترین دلایل بحران های مالی جهانی در سال های اخیر بوده اند. هدف این تحقیق، تدوین مدل پیش بینی اعتباری مشتریان حقوقی بانک های خصوصی با بهره گیری از الگوریتم های فراابتکاری در شعبه های بانک پاسارگاد شمال غرب کشور بوده است.
روش شناسی پژوهشاین تحقیق براساس هدف پژوهش، توسعه ای و براساس روش انجام کار توصیفی می باشد. جامعه آماری این تحقیق را دو بخش خبرگان و مدیران بانکی استان آذربایجان شرقی و مشتریان حقوقی بانک پاسارگاد در شمال غرب کشور تشکیل می دهند. حجم نمونه آماری برای جامعه اول، 58 خبره بانکی استان اعم از مدیران، مسیولین اعتباری و روسای شعب با سابقه کار اعتباری بانک های خصوصی تعیین شده و برای جامعه دوم، براساس نمونه گیری هدفمند 427 مشتری حقوقی بانک پاسارگاد انتخاب شده است. به منظور جمع آوری داده ها از پرسشنامه و اسناد و مدارک بانک پاسارگاد بهره گرفته شده و روایی پرسشنامه به صورت روایی محتوا و براساس شاخص های نسبت روایی محتوا و شاخص روایی محتوا و پایایی پرسشنامه با استفاده از ضریب آلفای کرونباخ مورد بررسی و تایید قرار گرفته است. به منظور تجزیه و تحلیل داده ها از آزمون t، تحلیل عاملی تاییدی، شبکه عصبی مصنوعی چند لایه، شبکه عصبی آموزش دیده با الگوریتم ژنتیک، شبکه عصبی آموزش دیده با الگوریتم ازدحام ذرات و شبکه عصبی آموزش دیده با الگوریتم تکامل تفاضلی استفاده شده است.
یافته هایافته های پژوهش نشان می دهد که هر چهار مدل فوق قادر به پیش بینی اعتباری مشتریان حقوقی بانک های خصوصی هستند و بهترین روش برای پیش بینی اعتباری مشتریان حقوقی بانک های خصوصی، شبکه عصبی آموزش دیده با الگوریتم تکامل تفاضلی با کمترین مقدار خطا نسبت به سه روش دیگر است.
کلید واژگان: پیش بینی اعتباری، الگوریتم شبکه عصبی مصنوعی، الگوریتم ژنتیک، الگوریتم تکامل تفاضلی، الگوریتم ازدحام ذراتPurposeBanks' inability to credit assessment and financial evaluation of customers and forecasting accurately the credit risk of borrowers has devastating effects on the global financial system and economic activity and have been the main causes of global financial crises in recent years.The purpose of this paper is to compile a credit forecasting model for legal customers of private banks by using meta-heuristic algorithms in the branches of Pasargad Bank in the northwest of Iran.
MethodologyThis research is base on the purpose of developmental research and based on the method of performing descriptive work. The statistical population of this study is in two sections of banking experts and legal customers of Pasargad Bank in the northwest of the Iran. The statistical sample size for the first community of 58 banking experts including managers, credit officials and heads of branches in with credit work experience in private banks and for the second community, 427 legal clients were selected based on targeted sampling. In order to collect data in this research, a questionnaire and documents of Pasargad Bank have been used. The validity of the questionnaire was investigated as content validity and based on the indicators of content validity ratio and content validity index. The reliability of the questionnaire was assessed using Cronbach's alpha coefficient. In order to analyze the research data, t-test, confirmatory factor analysis, multilayer neural network, genetically trained neural network, trained neural network with particle swarm optimization and trained neural network with differential evolution will be used.
FindingsThe research findings show that all four models are able to predict the credit predictions of the legal customers of private banks and the best way to predict the credit predictions of the legal customers of private banks is the neural network trained with differential evolution algorithm with the least amount of error compared to the other three methods.Originality/Value: In this research by using meta-heuristic algorithms, a new credit forecasting model produce for legal customers of private banks with the least amount of error.
Keywords: Credit Forecasting, Neural Network Algorithm, Genetic Algorithm, Differential evolution algorithm, Particle Swarm Optimization Algorithm -
در این مطالعه، عملکرد آیرودینامیک یک قطار تندرو در برابر یک جریان هوای آشفته به صورت عددی از دو منظر تحلیل شده است. نخست با استفاده از دینامیک سیالات محاسباتی تحلیل مولفه های جریان و آیرودینامیک سیال انجام شده است و سپس با به کارگیری الگوریتم شبکه عصبی پیش روی چندلایه، یک پیش بینی و مقایسه با مقادیر به دست آمده از نتایج دینامیک سیالات محاسباتی ارایه شده است. بدین منظور، با استفاده از روش میان گیری رینولدز معادلات ناویر-استوکس و روش آشفتگی k-ω (SST)، یک جریان هوای غیرقابل تراکم و آشفته اطراف یک نمونه قطار تندروی عمومی با به کارگیری نرم افزار OpenFOAM شبیه سازی شده است. در این پژوهش، برخی از مهم ترین و کلیدی ترین مولفه های جریان و آیرودینامیک اعم از سرعت، فشار، خطوط جریان، ساختار جریان، ضرایب فشار و نیروهای پسا ، برآ و جانبی برای تغییرات زوایای حمله مختلف و تغییرات سرعت جریان هوا بررسی و مقایسه شده است. در ادامه، الگوریتم شبکه عصبی پیش روی چندلایه که توسط داده های مختلف اصلاح شده است، برای پیش بینی مقادیر خروجی مسئله به کارگیری شده است. بر این اساس، نیروهای آیرودینامیک پسا، برآ و جانبی برای زوایای حمله و سرعت های مختلف توسط این روش الگوریتمی به دست آمده و با نتایج حاصل از شبیه سازی عددی دینامیک سیالات محاسباتی مقایسه شده است. مقایسه انجام شده نشان دهنده تناسب خوب میان داده های آیرودینامیک و شبکه عصبی به کارگرفته شده است.
کلید واژگان: دینامیک سیالات محاسباتی، آیرودینامیک، قطار تندرو، روش های آشفتگی، الگوریتم شبکه عصبی، OpenFOAMIn this study, the aerodynamic performance of a high-speed train against a turbulent air flow is examined numerically from two approaches. First, using computational fluid dynamics, the parameters of aerodynamics and fluid flow are analyzed and then, using Multi-Layer Feed-Forward Neural Network (MLFFNN) Algorithm, a prediction and comparison with the obtained values from the CFD analysis are presented. To achieve this, using Reynolds-Averaged Navier-Stokes (RANS) method with 𝑘-𝜔 (SST) turbulence model, an incompressible turbulent air flow around a high-speed train model by OpenFOAM CFD Software is simulated. In this research, some of the significant and key parameters of fluid flow and aerodynamics as velocity, pressure, streamlines, flow structure, pressure coefficients, drag, lift and side forces for some yaw angles of wind movement and velocity changes are analyzed and compared. In the following, the Multi-Layer Feed-Forward Neural Network which is modified with various data is applied for prediction of the output of the problem. Accordingly, the aerodynamic drag, lift and side forces for the yaw angles of wind movement and velocity changes by this algorithm method are obtained and compared with the obtained results from CFD analysis. The comparisons indicate an appropriate similarity between the CFD data and the used MLFFNN one.
Keywords: CFD, Aerodynamics, High-speed train, k-ω (SST) Turbulence Model, Neural Network 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.