شبکه های عصبی مصنوعی
در نشریات گروه برق-
در این مقاله، رفتار دینامیکی دو لوله صلب مستقیم مفصلی حامل سیال مطالعه شده است. سرعت سیال در لوله ها هارمونیک می باشد. با استفاده از الگوریتم شبکه های عصبی مدلی طراحی می شود که توسط آن تاثیر تغییر پارامترهای موثر از قبیل سرعت اولیه سیال، نسبت جرم سیال بر مجموع جرم سیال و جرم لوله و فرکانس سیال، در پاسخ زمانی مورد بررسی قرار گرفته است. در این مقاله از روش Back propagation برای طراحی الگوریتم شبکه عصبی استفاده شده است و با استفاده از نرم افزار متلب، بر اساس پارامترهای تاثیرگذار در لوله ها، به مدلسازی پاسخ زمانی سیستم برای حالت های مختلف، پرداخته شده است. با استفاده از الگوی طراحی شده توسط شبکه عصبی، نشان داده شده است که خطای پاسخ زمانی تخمین زده شده، کمتر از 0.004 می باشد.
کلید واژگان: رفتار دینامیکی، لوله های مفصلی، شبکه های عصبی مصنوعی، سرعت هارمونیک، پاسخ زمانیJournal of New Achievements in Electrical, Computer and Technology, Volume:4 Issue: 3, 2024, PP 43 -52Present research work aims to the dynamic behavior of two rigid articulated pipes conveying fluid is considered. The velocity of fluid motion is harmonic. By training neural networks intend to determine the effects of initial velocity, ratio fluid mass per total fluid mass and pipes mass and flow frequency are studied. In this article, the back propagation method is applied to design the neural network algorithm and using matlab software, modeling and estimation of the time response for different modes have been done. Using the model designed by the neural network, it has been shown that the time response error is less than 0.004.
Keywords: Dynamic Behavior, Articulated Pipes, Artificial Neural Network, Harmonic Velocity, Time Response -
نشریه فناوری های نوین مهندسی برق در سیستم انرژی سبز، سال چهارم شماره 3 (پیاپی 15، پاییز 1404)، صص 58 -75
تقاضای انرژی الکتریکی با توسعه صنعت به شدت افزایش یافته است، اما تامین آن از سوخت های فسیلی مشکلاتی مانند گرمایش زمین و آلودگی محیط زیست را به دنبال دارد. با توجه به محدودیت و کاهش منابع فسیلی، یافتن جایگزین های پایدار ضروری است. در این میان، انرژی باد به دلیل هزینه کم و عدم تولید آلودگی، به عنوان یک منبع تجدیدپذیر مناسب برای تامین انرژی الکتریکی مطرح می شود. با این حال، برای دستیابی به توان پایدار از نیروگاه های بادی، لازم است اطلاعات دقیقی از سرعت باد در آینده در دسترس باشد. پیش بینی سرعت باد به دلیل ماهیت تصادفی و متناوب آن بسیار دشوار است، در این مقاله، برای مقابله با این چالش و دستیابی به پیش بینی دقیق، از مدل ترکیبی شامل شبکه عصبی کانولوشنال موقتی و بازگشتی دوطرفه (TCN-BiLSTM) استفاده شده است. ابتدا، هایپرپارامترهای الگوریتم تجزیه حالت متغیر ، با استفاده از روش قدرتمند Optuna بهینه سازی شده اند. در مرحله بعد، داده های اصلی سرعت باد برای بهبود عملکرد مدل ترکیبی (TCN_BiLSTM) نرمالیزه شده و به الگوریتم تجزیه حالت متغیر داده شده اند تا به توابع مد ذاتی(IMF) تجزیه شوند. سپس هر IMFبه صورت جداگانه به مدل ترکیبی برای پیش بینی داده می شود. درآخر در نهایت، خروجی ها از حالت نرمال سازی خارج و ترکیب شده اند تا نتیجه نهایی به دست آید. با توجه به ارزیابی مدل ترکیبی با معیارهای آماری، نتایج نشان می دهد که مدل پیشنهادی دقت بالایی دارد. در این ارزیابی، ضریب تعیین برابر با 99.1٪، میانگین خطای مطلق برابر با 0.36 و ریشه میانگین مربعات خطا برابر با 0.48 به دست آمده است.
کلید واژگان: پیش بینی سرعت باد، تجزیه حالت متغیر، شبکه های عصبی مصنوعیJournal of Technovations of Electrical Engineering in Green Energy System, Volume:4 Issue: 3, 2024, PP 58 -75The demand for electrical energy has sharply increased with the development of industry. However, supplying this demand through fossil fuels leads to problems such as global warming and environmental pollution. Considering the limitations and depletion of fossil fuel resources, finding sustainable alternatives has become essential. Among these alternatives, wind energy stands out as a viable renewable source for electricity generation due to its low cost and lack of pollution. However, to achieve stable power generation from wind farms, accurate information about future wind speed is essential. Predicting wind speed is highly challenging due to its random and intermittent nature. In this paper, a hybrid model combining a Temporal Convolutional Network and Bidirectional Long Short-Term Memory (TCN-BiLSTM) is employed to address this challenge and achieve accurate predictions. First, the hyperparameters of the Variational Mode Decomposition (VMD) algorithm were optimized using the powerful Optuna method. Next, the original wind speed data were normalized to enhance the performance of the hybrid model (TCN-BiLSTM) and then fed into the VMD algorithm to be decomposed into Intrinsic Mode Functions (IMFs). Each IMF is then individually fed into the hybrid model for prediction. Finally, the outputs are denormalized and combined to obtain the final result. Based on the evaluation of the hybrid model using statistical metrics, the results indicate that the proposed model achieves high accuracy. In this evaluation, the coefficient of determination (R²), mean absolute error (MAE), and root mean square error (RMSE) were found to be 99.1%, 0.36, and 0.48, respectively.
Keywords: Wind Speed Prediction, Variational Mode Decomposition, Artificial Neural Networks -
نشریه فناوری های نوین مهندسی برق در سیستم انرژی سبز، سال چهارم شماره 1 (پیاپی 13، بهار 1404)، صص 52 -66
اتصال ریزشبکه های مبتنی بر انرژی های تجدید در خطوط انتقال بیش از پیش افزایش یافته است. حضور این ریزشبکه ها در کنار مزایای که دارند اما معضلاتی را از مناظر مختلف بهره برداری، کنترل و حفاظت پیش می آورند. اتصال مستقیم این ریزشبکه ها به صورت T-off در خطوط انتقال و بدون احداث پست، باعث اختلال شدید در عملکرد الگوریتم های حفاظتی خط می شود. در این مقاله یک روش تشخیص خطا در خطوط انتقال متصل به ریزشبکه های مبتنی بر انرژی های تجدید پذیر جهت تشخیص زود هنگام خطای قطع فاز مبتنی بر اطلاعات یک سمت خط (ترمینال ابتدای خط) و با استفاده از روش آموزش یادگیری شبکه های عصبی مصنوعی ارائه شده است. شبکه عصبی در نظر گرفته شده در این مقاله ترکیبی از نوع کانولوشنی و بازگشتی با دروازه های فراموشی (CNN_LSTM) می باشد. مدل ترکیبی شامل یک لایه Conv1D با 64 فیلتر و سایز کرنل 3، یک لایه MaxPooling1D، دو لایه LSTM با 32 واحد، یک لایه Dropout و یک لایه Dense با یک واحد و فعال سازی سیگموئید است. دیتاهای لازم جهت آموزش شبکه عصبی مورد نظر از شبیه سازی شبکه اصلی و پیاده سازی سناریوهای مختلف خطا در سیمولینک نرم افزار متلب استخراج شده اند و در نهایت مدل شبکه عصبی مورد نظر در محیط نرم افزار پایتون برنامه نویسی و مدلسازی شده است. طبق نتایج شبیه سازی، دقت نهایی مدل استخراج شده در تشخیص خطای قطع فاز در این توپولوژی پیشنهادی حدود 73/99٪ ارزیابی شده است. نتایج موفقیت آمیز ارائه شده در قسمت نتایج تست و ارزیابی، موید عملکرد مطلوب الگوریتم پیشنهادی در این مقاله می باشد.
کلید واژگان: خطای قطع فاز، ریزشبکه، انرژی های تجدید پذیر، شبکه های عصبی مصنوعیJournal of Technovations of Electrical Engineering in Green Energy System, Volume:4 Issue: 1, 2024, PP 52 -66The connection of renewable energy-based microgrids in transmission lines has significantly increased recently. The presence of REMs, along with the advantages they provide, also leads to problems from different aspects of operation, control, and protection in transmission lines. The direct connection of REMs in the form of T-off in the transmission lines and without the construction of a substation, causes a severe disturbance in the performance of the protection algorithms of the line protection relays. This paper presents a fault detection method in transmission lines connected to REMs for early detection of Broken Conductor Fault (BCF) based on the information of one side of the line (the sending terminal) and using the teaching-learning artificial neural networks (ANNs). The neural network considered in this study is a combination of convolutional neural network and long short-term memory (CNN-LSTM). The hybrid model includes a Conv1D layer with 64 filters and a kernel size of 3, a MaxPooling1D layer, two LSTM layers with 32 units, a Dropout layer and a Dense layer with one unit and sigmoid activation. The necessary data for training the desired ANN have been extracted from the simulation of the main network and the implementation of various fault scenarios in MATLAB/Simulink software, and finally the considered ANN model has been programmed and modeled in the Python software environment. According to the simulation results, the accuracy of the extracted model in detecting the BCF in this proposed topology is estimated to be about 99.73%. The successful results presented in the test and evaluation results section confirm the optimal performance of the proposed algorithm.
Keywords: Broken Conductor Fault, Microgrid, Renewable Energies, Artificial Neural Networks -
در این مقاله ارتعاشات آزاد ورق های مستطیل شکل از جنس FGM مورد تحلیل قرار گرفته است. برای این کار، یک ورق چهار گوش FGM با شرایط مرزی تکیه گاه ثابت غیر ایده آل استفاده شده است. منظوراز شرایط مرزی غیر ایده آل این است که فرض می شود یکی از لبه ها اجازه جابجایی دارد و گشتاور کوچکی نیز بر آن اعمال می شود. برای حل مساله در ابتدا با استفاده از تیوری کلاسیک صفحات، معادلات حاکم بر ورقها بدست می آید. از تیوری اغتشاش، معادله خیز صفحه و همچنین فرکانس بحرانی بدست می آید. با استفاده از الگوریتم شبکه های عصبی مدلی طراحی می شود که توسط آن میتوان به ازای تغییر پارامتر های موثر در مساله که شامل ابعاد ورق شامل طول، عرض، ضرایب صحیح نیم موج می باشد، فرکانس بحرانی هر صفحه را بدست آورد. در این مقاله از روش Back propagation برای طراحی الگوریتم شبکه عصبی استفاده شده است و با استفاده از نرم افزار متلب، بر اساس پارامتر های تاثیرگذار در ورق ها، به مدلسازی و تخمین فرکانس ارتعاشی بحرانی برای حالت های مختلف، پرداخته شده است. با استفاده از الگوی طراحی شده توسط شبکه عصبی، نشان داده شده است که خطای فرکانس طبیعی تخمین زده شده کمتر از 0.005 می باشد.
کلید واژگان: ارتعاشات آزاد، ورق FGM، شبکه های عصبی مصنوعی، تئوری اغتشاش، فرکانس بحرانیJournal of New Achievements in Electrical, Computer and Technology, Volume:3 Issue: 8, 2024, PP 24 -36Present research work aims to analyze free vibration of rectangular Functionally Graded Material Plates with Non-ideal simply supported boundary conditions which one of its edges has small non-zero deflection and moment. Using the classical theory of plates, the governing equations of the plates are obtained, using perturbation theory, the equation of the plane and the critical frequency are calculated. By Training neural networks intend to determine the critical frquancy functionally graded plates by various input parameters length, width and Integer half-wave coefficients. In this article, the back propagation method is used to design the neural network algorithm and Using Matlab software, modeling and estimation of the critical vibration frequency for different modes have been done based on the parameters affecting the plates. Using the model designed by the neural network, it has been shown that the estimated natural frequency error is less than 0.005.
Keywords: Free Vibration, Functionally Graded Material Plate, Artificial Neural Network, Perturbation Theory, Critical Frequency -
در سالهای اخیر، شبکه‌های عصبی مصنوعی تحول شگرفی در هوش مصنوعی به وجود آورده‌اند. با این وجود، همچنان چالش‌هایی اساسی در روند فعلی پیشرفت این شبکه‌ها وجود دارد. کلید حل این مسایل در شناخت بیشتر مغز موجودات زنده و به ویژه پستانداران نهفته است. از آنجایی که نوقشر به عنوان مرکز اصلی عملکرد هوشمندانه در پستانداران شناخته می‌شود، مطالعه و مدلسازی محاسباتی ساختار و سازوکار آن می تواند نقش موثری در مسیر توسعه سیستم‌های هوشمند و شبکه‌های عصبی مصنوعی ایفا کند. در این مطالعه، سعی داریم با مرور یافته‌ها و فرضیات موجود از ساختار و سازوکار نوقشر، به بررسی یکی از نظریه‌های محاسباتی ارایه شده به منظور طراحی شبکه‌های عصبی مصنوعی بپردازیم. همچنین، مطالعات کاربردی حول این نظریه را مرور کرده و حل چالش‌های حال حاضر هوش مصنوعی برپایه این نظریه را بررسی می‌کنیم.
کلید واژگان: شبکه های عصبی مصنوعی، نوقشر، ستون های قشری، کدگذاری پیشگویانه -
از رله های دیفرانسیل امپدانس پایین به طور گسترده برای حفاظت از ترانسفورماتورهای قدرت استفاده می شود. رله های دیفرانسیل با وجود قابلیت اطمینان بسیار بالا ممکن است در هنگام کلیدزنی ترانسفورماتور قدرت و ایجاد جریان هجومی دچار اشتباه شده و جریان هجومی ایجاد شده را به عنوان خطا تشخیص داده و فرمان قطع کلید قدرت را صادر نمایند. به همین دلیل نیاز به توسعه روش هایی است تا در رله دیفرانسیل بین جریان هجومی و خطای دایم تمایز گذاشته و از عملکرد بی مورد رله دیفرانسیل جلوگیری کنند. براین اساس در این مقاله روشی جدید بر پایه شبکه عصبی GMDH برای تمایز گذاشتن بین جریان هجومی و خطای دایم پیشنهاد شده است. روش پیشنهادی قابلیت تشخیص سریع انواع خطای همزمان با جریان هجومی را دارا می باشد. همچنین این روش نسبت به نویز ایمن بوده و نویزی شدن سیگنال تاثیری بر عملکرد آن ندارد. روش پیشنهاد شده با روش های متداول مورد استفاده در صنعت (روش هارمونیک دوم و روش عبور از صفر سیگنال) مقایسه شده و نتایج نشان می دهند که روش پیشنهادی در این مقاله عملکرد بهتری در مقایسه با روش های معمول صنعتی دارد.
کلید واژگان: جریان هجومی، رله دیفرانسیل، شبکه های عصبی مصنوعی، حفاظت سیستم های قدرت، GMDHLow impedance differential relays are widely used in the protection systems of power transformers. While being highly reliable, differential relays can misidentify the inrush currents generated during the switching of power transformers as faults and issue a tripping command when one is not needed. Therefore, these protection systems need a mechanism to differentiate between inrush currents and faults in order to prevent unnecessary activation. Accordingly, this paper presents a new method based on a group method of data handling (GMDH) neural network for differentiating faults from inrush currents. The proposed method can quickly detect a wide variety of faults that may occur simultaneously with inrush currents and is perfectly noise-resistant. The proposed method is compared with the conventional methods used in the industry, namely second harmonic and zero-crossing methods. The results demonstrate the ability of the proposed method to outperform conventional methods under a wide variety of operating conditions.
Keywords: Inrush current, Differential relay, Power system protection, Group method of data handling (GMDH) -
با افزایش نفوذ منابع انرژی تجدید پذیر در سیستم های قدرت و بدنبال آن شکل گیری بازارهای برق، بهره برداری و کنترل سیستم های قدرت با چالش های مختلفی همراه خواهد بود. یکی از چالش های اصلی مواجهه با عدم قطعیت انرژی باد بوده که تاثیر مستقیم بر هزینه کل بهره برداری خواهد داشت. در این مقاله، رویکردهای مختلفی مبتنی بر منطق فازی پیشنهاد شده است تا اثربخشی آنها جهت کاهش عدم قطعیت ذکر شده از طریق پیش بینی دقیق توان تولید شده در توربین های بادی، نشان داده شود. برای دستیابی به این هدف، عملکرد سه روش فازی برای حل این مسئله مورد تحلیل و بررسی قرار گرفته است. ابتدا با استفاده از داده های تاریخی باد، الگوریتم های حداقل مربعات (BLS) و حداقل مربعات مجاز (RLS) اجرا می شوند. در ادامه، الگوریتم RLS با استفاده از تکنیک یادگیری اصلاح شده (MLFE) ، تلفیق شده تا دقت پیش بینی را افزایش دهد. همچنین، شبکه های عصبی مصنوعی (ANN) به دلیل توانایی بالا در حل چنین مسایلی به منظور مقایسه و تایید نتایج بدست آمده، مورد استفاده قرار گرفته است. در نهایت آنالیز حساسیت برخی از پارامترها بر روی پیش بینی توان مزارع بادی مورد بررسی قرار گرفته است. نتایج نشان می دهد گرچه اکثر روش های فازی و ANN توانایی خوبی برای حل مسئله پیش بینی دارند، اما الگوریتم پیشنهادی (RLS-MLFE) به مراتب از دقت بهتری نسبت به دیگر روش ها برخوردار می باشد.
کلید واژگان: آنالیز فازی، عدم قطعیت توان باد، الگوریتم MLFE، شبکه های عصبی مصنوعیDue to incremental use of renewable energies, some challenges have been arised in control of wind power systems. One of the important ones is the uncertainty of wind power that affects directly on the cost of utilization. In this paper some algorithms based on the fuzzy logic and neural networks have been implemented to analyze the uncertainty of the wind power using historical data collected from a sample wind field. The algoriths are BLS, RLS, MLFE and ANN. Simulation results show that all of the methods results in acceptable outputs but the accuracy of the cobined RLS-MLFE is much better than the others.
Keywords: Fuzzy Analysis, Wind Power Uncertainty, MLFE Algorithm, Artificial Neural Networks -
ترانسفورماتورهای چند سیم پیچه به طورعمده ای در صنایع ریلی و کارخانه های فولادسازی مورد استفاده قرار می گیرند. ترانسفورماتورهای مورداستفاده در این سیستم ها دارای ساختار ویژه ای (دوطبقه) بوده و از لحاظ حرارتی و مغناطیسی مشکلات و پیچیدگی هایی را به همراه دارند. با توجه به ساختار ویژه ترانسفورماتور چند سیم پیچه دوطبقه، تحلیل حالت گذرای حرارتی سیم پیچی های این ترانسفورماتور از درجه اهمیت بسیار بالایی برخوردار است. در این مقاله ابتدا یک مدل مبتنی بر روش تفاضلات محدود جهت مدل سازی ریاضی رفتار حرارتی سیم پیچی ها در شرایط گذرا معرفی شده است. با تایید صحت مدل سازی با کمک نتایج تجربی، یک بارگیری نمونه به ترانسفورماتور دوطبقه نوعی اعمال و درجه حرات سیم پیچی های آن در زمان های مختلف نمونه برداری می شود. در ادامه با ارائه مدل هایی مبتنی بر شبکه های عصبی مصنوعی و آموزش آن ها با کمک داده های حرارتی به دست آمده در قسمت اول مقاله، مدل هایی دینامیک جهت مطالعه رفتار حرارتی سیم پیچی های ترانسفورماتور چندسیم پیچه دوطبقه پیشنهاد می شود. چنانچه نشان داده شده است، مدل های ارائه شده بر مبنای شبکه های عصبی، از دقت بالایی جهت مدل سازی حالت گذرای حرارتی در ترانسفورماتور دوطبقه برخوردارند.کلید واژگان: ترانسفورماتور چند سیم پیچه، ساختار دوطبقه (سیم پیچی های مجزا)، مدل سازی حرارتی گذرا، روش تفاضلات محدود، شبکه های عصبی مصنوعیJournal of Iranian Association of Electrical and Electronics Engineers, Volume:15 Issue: 3, 2018, PP 23 -32Nowadays, multi-winding transformers are widely used in traction systems and steel manufacturer. Multi-winding transformer that is used in these systems has especial geometry (that is usually called as split-winding transformer) and encounters with serious magnetic and thermal difficulties. According to the special geometry of split-winding transformer, studding the transient thermal behavior of their windings is very important. In this paper, a finite difference based method is introduced for mathematical modeling of windings' thermal behavior in transient state. After validating the mathematical model with experimental results, a typical loading is applied to the split-winding transformer and windings' temperatures are sampled in different time periods.Afterwards, by introducing artificial neural networks and training their parameters with thermal data gathered in the first section of the paper, two novel dynamic models have been proposed for windings thermal analysis in the split-winding transformer. As it has been shown, the introduced neural network based thermal models have good precision in transient thermal modeling of split-winding transformer.Keywords: Multi-Winding Transformer, Split-Winding, Transient Thermal Modeling, Finite Difference Method
-
تخمین مناسب میزان تولید پرنوسان واحدهای بادی برای استفاده بهینه در سیستم های قدرت، امری دشوار و تابع پیچیدگی های بسیار است. در این مقاله روشی موفق برای پیش بینی توان تولیدی واحدهای بادی با استفاده از شبکه عصبی خودسازمانده موسوم به GMDH ارائه شده است. در شبکه عصبی GMDH، متغیرهایی که بر سری زمانی تاثیر می گذارند، به عنوان ورودی شبکه استفاده می شوند. این شبکه با بررسی و کشف روابط بین ورودی ها، به طور هوشمند مدل بهینه ای را ارائه و متغیر خروجی را پیش بینی می کند. الگوسازی های به کاررفته در این مطالعه مبتنی بر دو روش هوش مصنوعی و نظریه اطلاعات است. در ابتدا متغیرهای موثر براساس اطلاعات متقابل (MI) و با الگوریتم ترکیبی انبوه ذرات و ژنتیک، انتخاب و سپس در موتور پیش بینی به کار گرفته می شوند. برخلاف روش همبستگی متقابل، در رویکرد مبتنی بر آنتروپی متقابل استفاده شده در این مقاله، روابط غیرخطی میان متغیرها در نظر گرفته می شوند و انتخاب متغیرهای موثر در پیش بینی انرژی بادی که در آن، نوسانات و روند غیرخطی شدیدی مشاهده می شود، با دقت و اعتبار بیشتری انتخاب می شود. برای ارزیابی توانایی، سرعت و دقت چارچوب پیشنهادی، از داده های واقعی مزرعه بادی سوتاونتو کشور اسپانیا استفاده شده است. نتایج مطالعه نشان می دهند تکنیک پیشنهادی سرعت و دقت بیشتری در مقایسه با سایر روش ها دارد.کلید واژگان: پیش بینی توان تولیدی واحدهای بادی، شبکه های عصبی مصنوعی، شبکه عصبی GMDH، آنتروپی متقابل، سیستم های هوشمندa really tough and complicated issue. In this paper, a successful method is proposed for predicting the wind power productions which is based on the self-organized neural networks called Group Method of Data Handling (GMDH). By analyzing and discovering the hidden relationships between the inputs, the GMDH-based neural network intelligently presents the optimal model and predicts the output variable. Patterns used in this study are based on the two methods of artificial intelligence and information theory. At first, the effective variables are selected based on Mutual Information (MI) technique and the mixed particle swarm and genetic algorithm and after that the proposed forecast engine is used. In contrast to the mutual correlation method, in the proposed cross-entropy-based approach of this paper, non-linear relations between the variables are considered and the selection of effective variables in the forecasting of wind power in which nonlinear fluctuations and trends are observed are chosen more precisely and more accurately. In order to evaluate the ability, speed and accuracy of the proposed framework, real-world data of Sotavento wind farm in the Spain were used. The results of the study indicate that the proposed technique has a higher speed and accuracy than other methods.Keywords: Wind Power Forecasting, Artificial Neural Networks, GMDH, Mutual Information, Intelligent Systems
-
خستگی یکی از عوامل اصلی در واماندگی اتصالات مکانیکی و صفحات در صنایع هوافضا و صنایع اتومبیل سازی می باشد پدیده ی خستگی در اثر بارگذاری متغیر به زمان رخ می دهد. در این پژوهش نتایج تجربی عمر خستگی اتصالات دو لبه برشی آلومینیم 3T -2024 Al در بارهای مختلف از تست خستگی به دست آمده و نتایج حاصل برای مدل سازی با شبکه عصبی مصنوعی استفاده شده است. شبکه های عصبی مصنوعی با پردازش داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند و بر خلاف مدل های ریاضی نیازی به تعیین رابطه ریاضی بین ورودی ها و خروجی ها ندارند. به منظور مدل سازی شبکه عصبی مصنوعی ابتدا بطور کاملا تصادفی یکی از داده های تجربی مربوط به عمر خستگی برای اعتبارسنجی و دو داده دیگر برای تست انتخاب شدند و از بقیه داده ها برای یافتن مقادیر بهینه وزن ها و بایاس ها استفاده شده است. پس از اطمینان از دقت مدل بدست آمده از آن در فاز کاری برای پیش بینی عمر خستگی در بارهای مختلف که قبلا تست نشده اند به کار گرفته شده است. از مقایسه نتایج تجربی و نتایج حاصل از مدل ایجاد شده مشاهده می شود که می توان از شبکه عصبی مصنوعی 3 لایه با خطای کمتر از 10 درصد برای یافتن عمر خستگی نمونه تحت بارهای مختلف استفاده کرد.کلید واژگان: عمر خستگی، واماندگی، اتصالات دو لبه برشی، شبکه های عصبی مصنوعیFatigue is one of the most important failure sources of material that is caused by repeatedly applied loads. It is a progressive and localized structural damage that occurs when a material is subjected to cyclic loading. The experimental results of fatigue tests on Al-alloy 2024-T3 in double shear lap joints were used to estimate (model) fatigue life with artificial neural networks (ANN). Artificial neural networks with experimental data processing can find the knowledge or law lies behind the data, and unlike mathematical models, itâs not necessary to determine the mathematical relation between inputs and outputs. To model by artificial neural network, one of the experimental data of fatigue life randomly selected for validation and two other were selected for testing, the rest of the data were used to find the optimal values of weights and bias. After being ensured of the model accuracy, it was used to predict the fatigue life at different loads in the working phase that had not been tested. Comparison of experimental results and the results of the model shows that a 3-layer artificial neural network with less than 10% error could be used to predict the fatigue life at different loads.Keywords: Fatigue, Damage, Double shear lap joint, Artificial neural networks
-
هدف مطالعه حاضر توسعه یک مدل شبکه عصبی مصنوعی (ANN) بر اساس روش رگرسیون غیرخطی چندگانه (MNLR) برای تخمین میانگین ماهانه مجموع روزانه تابش کلی خورشید در هر محل از استان کرمانشاه است. برای این منظور، داده های هواشناسی 23 ایستگاه در استان کرمانشاه در طول سالهای 1392- 1387 جمع آوری شد که از این بین، داده های 17 ایستگاه برای آموزش و 6 ایستگاه برای تست شبکه استفاده شد. در مرحله اول، همه متغیرهای مستقل (عرض جغرافیایی، طول جغرافیایی، ارتفاع، ماه، حداقل درجه حرارت ماهانه در جو، حداکثر درجه حرارت در جو، متوسط درجه حرارت در جو، دمای خاک، رطوبت نسبی، سرعت باد، بارش، فشار اتمسفریک، فشار بخار، کدورت و مدت زمان تابش آفتاب) جمع آوری و به مدل رگرسیون وارد شدند. سپس، از روش گام به گام MNLR برای تعیین مناسب ترین متغیرهای ورودی استفاده شد. با استفاده از این متغیرهای ورودی، نتایج به دست آمده توسط مدل ANN با داده های واقعی مقایسه شد، و میانگین درصد خطا مطلق (MAPE) در حدود 98/3 درصد و ضریب همبستگی (R) در حدود 9961/0 برای مجموعه داده های تست به دست آمد که نشان دهنده معتبر بودن مدل است.کلید واژگان: شبکه های عصبی مصنوعی، رگرسیون غیرخطی چندگانه، تابش کلی خورشید، استان کرمانشاهThe main objective of the present study is to develop an artificial neural network (ANN) model based on multi-nonlinear regression (MNLR) method for estimating the monthly mean daily sum global solar radiation at any place of Kermanshah province. For this purpose, the meteorological data of 23 stations spread in Kermanshah province along the years 20082013 were used as training (17 stations) and testing (6 stations) data. Firstly, all independent variables (latitude, longitude, altitude, month, monthly minimum atmospheric temperature, maximum atmospheric temperature, mean atmospheric temperature, soil temperature, relative humidity, wind speed, rainfall, atmospheric pressure, vapor pressure, cloudiness and sunshine duration) were added to the Enter regression model. Then, the Stepwise MNLR method was applied to determine the most suitable independent (input) variables. With the use of these input variables, the results obtained by the ANN model were compared with the actual data, and error values were found within acceptable limits. The mean absolute percentage error (MAPE) was found to be 3.98% and correlation coefficient (R) value was obtained to be about 0.9961 for the testing data set.Keywords: Artificial Neural Network, Multi, Nonlinear Regression, Global Solar Radiation, Kermanshah Province
-
کاربرد شبکه های عصبی مصنوعی در حوزه هایی از قبیل دسته بندی تصاویر و سیگنال های صوتی موید توانایی این ابزار قدرتمند هوش مصنوعی در حل مسائل دنیای امروز است. طراحی و آموزش شبکه های عصبی همواره یک فرآیند زمان بر و مشکل بوده است. یک مدل عصبی مناسب باید بتواند الگوی داده های آموزشی را فراگرفته و نیز قابلیت تعمیم داشته باشد. در این مقاله، از جمعیت های موازی برای طراحی معماری شبکه عصبی و همچنین از استراتژی تکاملی برای آموزش آن استفاده شده است، به طوریکه در هر جمعیت شبکه ای با معماری خاصی تکامل می یابد. با کمک یک روش انتخاب دومعیاره مبتنی بر میزان خطا و پیچیدگی شبکه ها، الگوریتم ارائه شده قادر است شبکه های ساده با قابلیت تعمیم بالا تولید کند. برای ارزیابی کارایی الگوریتم پیشنهادی از 7 مساله استاندارد دسته بندی استفاده شده است. روش ارائه شده با روش های تکامل اوزان، تکامل معماری و نیز الگوریتم های تکامل همزمان معماری و اوزان مورد مقایسه قرار گرفته است. نتایج آزمایش ها کارایی و پایداری این روش را نسبت به روش های مورد مقایسه نشان می دهد. در این مقاله، همچنین تاثیر وجود جمعیت های موازی، روش انتخاب دومعیاره و نیز عملگر ادغام در الگوریتم ارائه شده مورد بررسی قرار گرفته است. از مزایای اصلی این روش بهره گیری از پردازش موازی به وسیله جمعیت های مستقل است.کلید واژگان: شبکه های عصبی مصنوعی، استراتژی تکاملی، جمعیت های موازیApplication of artificial neural networks (ANN) in areas such as classification of images and audio signals shows the ability of this artificial intelligence technique for solving practical problems. Construction and training of ANNs is usually a time-consuming and hard process. A suitable neural model must be able to learn the training data and also have the generalization ability. In this paper, multiple parallel populations are used for construction of ANN and evolution strategy for its training, so that in each population a particular ANN architecture is evolved. By using a bi-criteria selection method based on error and complexity of ANNs, the proposed algorithm can produce simple ANNs that have high generalization ability. To assess the performance of the algorithm, 7 benchmark classification problems have been used. It has then been compared against the existing evolutionary algorithms that train and/or construct ANNs. Experimental results show the efficiency and robustness of the proposed algorithm compared to the other methods. In this paper, the impact of parallel populations, the bi-criteria selection method, and the crossover operator on the algorithm performance has been analyzed. A key advantage of the proposed algorithm is the use of parallel computing by means of multiple populations.Keywords: Artificial Neural Networks, Evolution Strategy, Parallel Populations
-
the purpose of this paper is to compare two artificial intelligence algorithms for forecasting supply chain demand. In first step data are prepared for entering into forecasting models. In next step, the modeling step, an artificial neural network and support vector machine is presented. The structure of artificial neural network is selected based on previous researcher's results. For measuring errors we use Mean squared error and we use another index for time which is used running the algorithms. The results show that artificial neural network can forecast more accurate meanwhile support vector machine is faster.Keywords: Artificial Neural Networks (ANN), bullwhip effect, demand forecasting, Support Vector Machine (SVM)
-
در این مقاله، از کنترل پیش بین غیرخطی برای کنترل ربات دوپا با پنچ درجه آزادی در بالا و پایین رفتن از پله ها استفاده شده است. در این روش، طراحی الگوی حرکت به طور بی درنگ در کنترل کننده پیش بین انجام شده است. بدین صورت که هیچ مسیر از قبل تعیین شده ای برای حرکت ربات تعیین و مشخص نشده و حرکت ربات تنها در قالب قیود بیان شده است. از ویژگی های اصلی این روش می توان به طراحی مسیر به صورت وصل خط اشاره کرد که این کار می تواند مقاوم بودن کنترل کننده در مواجه با عدم قطعیت در محیط را بهبود دهد. هم چنین، کنترل پیش بین به نحوی طراحی شده که ربات قادر باشد از پله هایی با طول و ارتفاع متفاوت نیز بالا و پایین برود و طول گام را نیز تعیین کند. اما مشکل جدی که در استفاده از کنترل پیش بین مطرح می شود، مدل گرا بودن این کنترل کننده است. به همین دلیل از شبکه عصبی RBF برای شناسایی وصل خط مدل ربات استفاده شده است. در این صورت، کنترل پیش-بین، به یک کنترل کننده تطبیقی تبدیل شده و خود را با تغییر پارامترهای سیستم تطبیق می دهد. نتایج شبیه سازی ها نشان از عملکرد مناسب روش پیشنهادی در مقایسه با روش های موجود در مقالات اخیر دارد.
کلید واژگان: کنترل پیش بین غیرخطی، شبکه های عصبی مصنوعی، ربات های دوپا، مدل پیش بینIn this paper, the Nonlinear Model Predictive Control (NMPC) approach is employed to control the five-DOF biped robot in moving up and down the stairs. In the proposed method, the path planning is performed in real time. That is, there are no predefined trajectories to track by the robot and the motion of the robot is expressed in terms of some constraints. The main feature of the proposed method is the online path planning, which leads to more robustness of the controller against the uncertainties in the environment. Moreover, the NMPC is designed in such a way the robot is able to climb the stairs with different heights and depths; hence, the gaits are defined adaptively. One major issue in using the MPC is its dependency to an accurate model. In this paper, the robot is modeled online using the Radial Basis Function (RBF) neural networks. In this way, the NMPC is turned into an adaptive controller that can adapt itself to changes in the system parameters. Simulation results show good performance of the proposed method as compared to the recently proposed methods in literature.Keywords: Nonlinear predictive control, Biped robots, Artificial neural networks, Predictive model -
سیستم کنترل خودفرمان بینایی، به سیستمی اتلاق می شود که از اطلاعات بازخوردی دوربین برای کنترل ربات استفاده می کند؛ تا ربات، از نقاط شروع دلخواه به نقطه هدف برسد. راه های متنوعی از جمله کنترل با استفاده از مدل ربات، طراحی کنترلگر بصورت مستقیم، و استفاده از ماتریس ژاکوبین در این زمینه مطرح شده است. اما، از آنجا که در بسیاری از مواقع، مدلی از ربات دردسترس نیست و یا بدست آوردن آن کاری دشوار و زمانبر خواهد بود، فرمان کنترل با استفاده از ماتریس ژاکوبین تولید می شود. در اینجا، با استفاده از شبکه های عصبی مصنوعی و آموزش برون خط آن ها با داده های آموزشی، معکوس ماتریس ژاکوبین تقریب زده می شود؛ تا مستقیما در قانون کنترل موردنظر استفاده شود. به ازای هر کدام از درجات آزادی بازوی ربات، یک شبکه عصبی دو لایه با ساختار پیشرو درنظر گرفته شده است. فاصله مجری نهایی با هدف (در دو بعد x و y) و مختصات مفصل شانه در دو بعد x و y، ورودی های این شبکه ها، و خروجی آن ها، بیان کننده میزان تغییرات ویژگی ها به تغییر در مقادیر متغیرهای مفصل ربات (المانهای معکوس ماتریس ژاکوبین) می باشد. روش ارائه شده بر روی بازوی ربات واقعی پیاده سازی شده است و نتایج آزمایشات حاکی از موفقیت روش پیشنهادی در رساندن مجری نهایی به نقاط هدف مختلف در محیط کاری با دقت مناسب است.
کلید واژگان: کنترل خودفرمان بینایی، ماتریس ژاکوبین، بازوی ربات، شبکه های عصبی مصنوعیVisual servoing system is a system to control a robot by visual feedback so that robot drives from any arbitrary start position to the target positions. Various ways، including control by using model of the robot، designing controller directly، and using Jacobian matrix have been studied. Since there is not access to model of robot and obtaining a model of robot would be difficult and time consuming، in many cases، the control law is obtained using Jacobian matrix. In this paper، inverse of Jacobian matrix is approximated using artificial neural networks. The approximated neural models are used in control law directly. For each degree of freedom of the robot manipulator، a two-layer feedforward neural network is considered. The distance between end-effector and target along the x-axis and y-axis، and the shoulder joint coordinates along the x-axis and y-axis are the inputs of each of the networks and the outputs are the fraction of the related robot joint changes to the image features changes (the elements of the inverse of Jacobian matrix). The proposed method has been implemented on a real robot manipulator. The experimental results show that the proposed control system can move the end-effector to different target positions in workspace with good accuracy.
Keywords: Visual servoing, Jacobian matrix, robot manipulator, artificial neural network -
افزایش نیاز به انرژی الکتریکی، کمبود سوخت های فسیلی و نگرانی ها در رابطه با مسایل زیست محیطی، سبب ورود هرچه بیشتر منابع جدید از جمله منابع تولید پراکنده و تجدیدپذیر انرژی در سیستم های قدرت مدرن شده است. ریزشبکه ها به عنوان یکی از جدیدترین مفاهیم در سیستم های قدرت از چندین منبع تولید کوچک و بارهای الکتریکی محلی تشکیل شده اند. با افزایش تعداد ریزشبکه ها بر میزان پیچیدگی و غیر خطی بودن سیستم های قدرت افزوده شده و سبب می شود که کنترل کننده های مرسوم و غیر منعطف، کارایی مناسبی را در بازه وسیعی از نقاط کار نشان ندهند. از این رو احتیاج به روش های کنترلی هوشمندتر و مناسب تر بیش از پیش احساس می شود. در این مقاله، شبکه های عصبی مصنوعی به عنوان یکی از قوی ترین ابزارها در فرایندهای بهینه سازی و هوشمندسازی سیستم ها به کار گرفته شده است تا ضرایب یک کنترل کننده کلاسیک تناسبی- انتگرالی (PI) را به صورت خودکار تنظیم و بهینه نماید. کنترل کننده PI، در حلقه ثانویه کنترل فرکانس یک ریزشبکه جزیره ایی گمارده شده است. عملکرد مناسب و بهینه روش پیشنهادی در مقایسه با روش های کلاسیک در طی شبیه سازی های مختلف نشان داده می شود.
کلید واژگان: تنظیم آنلاین، شبکه های عصبی مصنوعی، ریز شبکه، کنترل ثانویه فرکانسIncreasing electrical energy demand, as well as fossil fuel shortages and environmental concerns have caused to use uncommon sources such as distributed generations (DGs) and renewable energy sources (RESs) into modern power systems. A microgrid (MG) system consists of several DGs and RESs which is responsible to provide both electrical and heat powers for local loads. Due to the MGs nonlinearity/complexity which is imposed to the conventional power systems, classical and nonflexible control structures may not represent desirable performance over a wide range of operating conditions. Therefore, more flexible/intelligent control methods are needed most of the past. Hence, in this paper addresses to design an online/self-tuning PI-controller based on artificial neural networks (ANNs) for optimal regulating the MG systems frequency. -
در بسیاری از سامانه ها و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل و شناسایی آنها از طریق روش های کلاسیک و تحلیلی امری دشوار و زمان بر می باشد،می توان از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردار می باشند، استفاده نمود. شبکه های عصبی یکی از این روش های بدیع و در حال تحول است که در موضوعات متنوعی از قبیل الگوسازی، شناخت الگو، خوشه بندی (دسته بندی) و پیش بینی بکار رفته و نتایج مفیدی داشته است. در این مقاله، از شبکه های عصبی برای تشخیص الگوی سیگنال های فراصوتی که با استفاده ازروش Pulse-Echo در منطقه جوش خورده بدست آمده اند جهت ارزیابی استفاده شده است. شبکه مورد نظر از نوع سپترون چند لایه (MLP) با روش یادگیری پس از انتشار است که در محیط MATLAB اجرا می شود. در این تحقیق نقص های گوناگون مانند:(Non-defect(ND(Slag Inclusion (SL(Excessive Penetration (Exp(Lack of Fusion (LOF(Lack of Penetration (LOPمورد بررسی قرار گرفته اند. سیگنالهای فراصوتی بدست آمده از Pulse-Echo برای عیوب را بدون پیش پردازش و با پیش پردازش توسط (Wavelet) به شبکه عصبی مصنوعی اعمال شده اند. نتایج بدست آمده نشان دهنده کارآمدی روش های فوق با بیش از 91 % موفقیت درحالت بدون پیش پردازش وبیش از 98 % موفقیت درحالت باپیش پردازش برای شناسایی و دسته بندی عیوب درمواد جوشکاری شده می باشد.
کلید واژگان: شبکه های عصبی مصنوعی، نرم افزار Matlab، آزمایش ها غیرمخرب، تکنیک فراصوتی، تشخیص الگوPresent work evaluates the application of artificial neural networks for weld beads pattern recognition using pulse-echo ultrasonic techniques. In this study pattern classifier is an MLP artificial neural network implemented in MATLAB. The ultrasonic signals, acquired from pulse-echo, are separately introduced to the neural network with and without preprocessing. The preprocessing objective is smoothing the signal that improves the classification. Five conditions of weld beads are evaluated: lack of fusion (LOF), lack of penetration (LOP), excess penetration (EX.P), slag inclusion (SL) and non-defect (ND). The defects are intentionally inserted in a weld bead of AISI 1020 steel plates of 20 mm thickness and confirmed using radiographic test. The results obtained show that it is possible to classify ultrasonic signals of weld joints by the pulse-echo techniques using artificial neural networks and the success rate of 78.82% can be achieved. The preprocessing role is significant in this respect.Keywords: Non, destructive Testing (NDT), Artificial Neural Network (ANN), Angle, Beam Probe, Ultrasonic Wave -
یکی از اصول اساسی در سیستم های قدرت پایداری ولتاژ و فرکانس می باشد. بارزدایی یکی از آخرین اقدامات کنترلی جهت حفظ پایداری سیستم قدرت می باشد. از آنجایی که روش های بارزدایی سنتی تا حدی زمانبر و غیردقیق هستند، در این مقاله یک روش بارزدایی تطبیقی سریع و بهینه به کمک شبکه های عصبی برای حل مشکل مزبور ارائه شده است. کل توان تولیدی و نرخ کاهش فرکانس به عنوان ورودی های شبکه عصبی انتخاب شده اند. این روش بر روی سیستم قدرت نیواینگلند تست شده است. نتایج شبیه سازی بیانگر قدرت این روش بارزدایی برای حل مشکلات موجود در روش های بارزدایی سنتی می باشد.
کلید واژگان: پایداری سیستم قدرت، بارزدایی تطبیقی، شبکه های عصبی مصنوعی -
This paper introduces a complete system for recognition of Farsi Nastaaligh handwritten words using Neural Networks. In preprocessing stage, after connected component specification, new algorithms are applied to find and eliminate ascenders, descenders, dots, and other secondary strokes from the original image. Then by using a segmentation algorithm based on analyzing upper and under contours, the word is segmented to a series of sub-words and their arrangement (Right to Left) is defined. Eight features, including three Fourier descriptors and five structural and discrete features, are applied to represent symbols in the feature space. Recognition is based on using a Feed Forward Back Propagation Network. The probable mistakes in recognition of sub-words will be corrected by using a search algorithm in dictionary of system. Experiments on a sample of 320 words show a suitable performance (%97 correct recognition) of the system.
-
تست یک سیستم یکی از مراحل مهم چرخه حیاتی توسعه آن سیستم می باشد. فاز تست، مرحله ای است که قسمت های زیادی از آن باید به صورت دستی توسط عامل انسانی انجام پذیرد. بدین علت که احتمال وجود خطا در پروسه های انسانی زیاد است، قابلیت اطمینان نرم افزار در معرض تهدید قرار خواهد گرفت و احتمال تست نشده ماندن جنبه هایی از سیستم همواره وجود خواهد داشت. لذا خودکار سازی و هوشمند سازی هرچه بیشتر این پروسه، منجر به تولید سیستمی با هزینه کمتر و مطمئن تر می شود. در این مقاله ما روشی برای خودکارسازی فرآیند تست نوع خاصی از سیستم های یعنی نرم افزارهای تحت وب توسط شبکه های عصبی مصنوعی را ارائه خواهیم کرد که در آن شبکه عصبی مصنوعی توسط زوج مرتب های ورودی و خروجی معادل در سیستم آموزش دیده و بدین وسیله یک ابزار تست نرم افزار را مدلسازی می کند، سپس از این مدل برای ارزیابی و تست سیستم استفاده خواهد شد. ما نتیجه کار را به کمک یک شبکه عصبی مصنوعی بر روی نسخه تغییر یافته ای از یک نرم افزار ثبت نام و انتخاب واحد تحت وب که در آن خطاهایی را تزریق کرده ایم، ارزیابی خواهیم کرد و مشخص خواهیم نمود که می توان توسط شبکه های عصبی مصنوعی صحت نرم افزار را بررسی کرد.
کلید واژگان: ارزیابی خودکار سیستم، نرم افزارهای تحت وب، تست جعبه سیاه، شبکه های عصبی مصنوعیSoftware testing is one of the most important phases in the software development procedure which ensures the accordance of the software and its description. Testing is mainly a manual task accomplished by the human operators. This results in increasing the cost and time of the software development process. Also, due to the uncertain nature of the human activities, software reliability will be under threat and the probability of having some aspects and parts of the software untested always would be high. Therefore, the more automatic, the more intelligent, and the more reliable testing procedure always would be of interest. In this paper we introduce a new approach to the software testing automation in web based applications, using Artificial Neural Network (ANN). The applied ANN will be trained by diverse pairs of input/output data provided according to the software functionality, then it attempts to model a testing tool for the software. Next we can use this ANN-based testing tool to evaluate and test the software. We apply the proposed testing scheme on a modified version of a web based university course registration software and show its performance on both error-free and faulty cases.
- 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.
©2000-2025 magiran.com All Rights Reserved.