به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

ant colony algorithm

در نشریات گروه مکانیک
تکرار جستجوی کلیدواژه ant colony algorithm در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه ant colony algorithm در مقالات مجلات علمی
  • مهدی نصیری نکارستان، مصطفی خزائی*، سید حسین ساداتی
    بروز عدم ترازمندی در روتور بالگرد، باعث افت کیفیت پروازی و کاهش قابل توجه عمر قطعات متاثر از ناترازی می گردد. با توجه به وابستگی اساسی ایمنی و کنترل بالگرد به روتورها، گسترش این مشکل می تواند به رویدادهای نامطلوب و خرابی های فاجعه بار منجر شود. بنابراین، تشخیص زودهنگام نامیزانی جرمی و ناهمراستایی به منظور کاهش رویدادها و هزینه ها، اهمیت بسزایی پیدا کرده است. تشخیص عیوب منوط به انتخاب و بهره گیری از ویژگی های سیگنالی است که حاوی داده های بیشتر باشند، این موضوع در پژوهش های پیشین به طور مناسب مورد توجه قرار نگرفته است. این مقاله به مطالعات تجربی بر روی یک بالگرد مدل با روتور هم محور برای تشخیص وجود نامیزانی جرمی و ناهمراستایی و ترکیب این دو نوع عیب، پرداخته است. تعداد 320 تست برای هشت حالت مختلف سالم، ناهمراستایی در پره ها، نامیزانی های جرمی با مقادیر مختلف در نوک و وسط پره، در بازه سرعت دورانی 880 تا 1050 دور بر دقیقه انجام شده است. بر مبنای پاسخ زمانی و فرکانسی سیستم، ویژگی های سیگنالی در قالب گراف های حوزه های سه گانه زمان، فرکانس و حوزه زمان-فرکانس (با تبدیل موجک)، استخراج شده است. در مرحله بعد با استفاده از تکنیک تحلیل مولفه اساسی (PCA) همراه با الگوریتم مورچگان، 15 ویژگی که حاوی اطلاعات بیشتری هستند، انتخاب و به عنوان ورودی جهت طبقه بندی به شبکه عصبی داده شده است. بر اساس ارزیابی تجربی صورت گرفته، الگوریتم پیشنهادی موفق به طبقه بندی و شناسایی عیوب با نسبت کارایی بالا شده است و می تواند در روند نگهداری و تعمیرات مبتنی بر وضعیت بالگرد، مورد استفاده قرار گیرد.
    کلید واژگان: شبکه عصبی، الگوریتم مورچگان، تبدیل موجک، بالگرد هم محور، انتخاب ویژگی
    Mahdi Nasiri Negarestan, Mostafa Khazaee *, Seyed Hosein Sadati
    Rotor imbalance in helicopters can lead to a flight quality degradation and a significant reduction in the lifespan of affected components. Considering the fundamental importance of safety and helicopter control being dependent on rotors, the propagation of this issue can result in undesirable events and catastrophic failures. Therefore, early detection of mass imbalance and misalignment plays a crucial role in reducing events and costs, and researchers in this field have recognized its significance. This paper focuses on experimental studies conducted on a coaxial rotor model helicopter to detect the presence of mass imbalance, misalignment, and a combination of them. A total of 320 tests were performed for eight conditions, including healthy, misalignment in the blades, and mass imbalances at various points on the blade's tip and center, within a rotational speed range of 880 to 1050 rotations per minute. Based on the time and frequency response of the system, signal features were extracted in the form of time-domain, frequency-domain, and time-frequency (using wavelet transform) graphs. In the next step, using Principal Component Analysis (PCA) in conjunction with the Ant Colony Optimization algorithm, 15 features containing more information were selected and inputted for classification into a neural network. According to the empirical evaluation, the proposed algorithm classifies and identifies the faults with a high-efficiency ratio. Thus, it can be utilized in condition-based maintenance of the rotorcrafts.
    Keywords: Neural Network, Ant Colony Algorithm, Wavelet Transform, Coaxial Helicopter, Feature Selection
  • Masoud Afrousheh, Javad Marzbanrad*, Sanaz Abdollahzadeh

    Thin-walled structures play an important role in absorbing the energy in a low impact crash of vehicles up to saving lives from high impact Injury. In this paper, the thin-walled columns by using a hybrid Design of Experiments (DOE) and Ant Colony Algorithm (ACO) has been optimized. The analysis of the behavior of the nonlinear models under bending load is done using finite-element software Abaqus. The objective is to study the performance geometrically parameters of the columns using DOE-ACO approach. DOE method is being applied to determine the effects of cross-sections, material, and thickness on the energy absorption; and the ACO method is used for finding more accurate thickness on energy absorption. Four types of thin-walled cross-sections, i.e., circle, ellipse, hexagon, and square are used in this study. The optimized results of DOE method show that aluminum alloy (Al-6061) and high strength low alloy steel (HSLA) square columns have a higher energy absorption in comparison with the other cross-sections. However, the amount of absorbed energy in two types of columns is equal but, 50 percent weight reduction may be seen in Al-6061 columns. The columns are re-optimized by ACO to find the best thickness in the last step. In the following, by topology optimization participation, a new plan is proposed by the same thickness and 50% less weight, that has a higher crashworthiness efficiency by increasing SAE more than 70%. As a result of this plan is bridging the gap between standard topological design and multi-criteria optimization.

    Keywords: Ant colony algorithm, Design of experiments, Energy absorption. Thin-walled column, Topology optimization
  • عباس زارع نژاد اشکذری، علیرضا حسین نژاد، سعید فراهت
    در این مقاله با استفاده از نتایج آزمایشگاهی و شبیه سازی عددی صورت گرفته توسط نرم افزار فایر، مدل سازی آلاینده ها و همچنین میزان مصرف سوخت در یک موتور دیزل پاشش مستقیم با استفاده از شبکه عصبی انجام گرفته که ورودی مدل سازی، دمای هوای ورودی، جرم سوخت تزریق شده، تایمینگ تزریق سوخت، طول مدت تزریق، دور موتور و تایمینگ بسته شدن سوپاپ ورودی می باشد. سپس بر اساس مدل های بدست آمده برای خروجی های فوق، با استفاده از الگوریتم بهینه سازی مورچگان به بهینه سازی کمترین مقدار آلاینده ها و همچنین کمترین میزان مصرف سوخت پرداخته شده است. برای این منظور، با استفاده از آزمایشات تجربی و همچنین شبیه سازی صورت گرفته، مقدمات لازم برای مدلسازی پارامترهای عملکردی و خروجی توسط شبکه عصبی فراهم شده است. شبکه عصبی مصنوعی با الگوریتم آموزشی لونبرگ- مارگوارت برای مدلسازی و آموزش ارتباط موجود بین پارامترهای مذکور با بهره گیری از داده های موجود، استفاده شده و به عنوان یک روش پیشگو در الگوریتم مورچگان برای یافتن مقادیر بهینه به صورت یک زیرروال بکار رفته و متغیر های طراحی که باعث بهینه سازی توابع هدف می شوند، بدست آمده است. نتایج بررسی ها، حاکی از همگرایی سریع و زمان پاسخگویی کوتاه الگوریتم مورچگان و بهینه سازی خوب پارامترهای کنترلی در مقایسه با دیگر الگوریتم های فراابتکاری است. همچنین روش ترکیبی شبکه عصبی-الگوریتم مورچگان به دلیل همگرایی سریع و بهینه سازی قابل توجه پارامترهای خروجی، می تواند به عنوان یک روش موثر در سیستم های کنترل هوشمند موتورهای دیزل برای کاهش آلاینده ها و مصرف سوخت مورد استفاده قرار گیرد.
    کلید واژگان: بهینه سازی، شبکه عصبی مصنوعی، الگوریتم مورچگان، NOx، soot
    Abbas Zarenejad Ashkezari, Alireza Hossein Nezhad, Said Farahat
    In this paper, by using of the experimental results and numerical simulation with AVL FIRE software and using of artificial neural network, NOx and soot emissions and fuel consumption of a diesel engine was modeled, that input variables of modeling are, air intake temperature, mass fuel injected, fuel injection timing, injection duration, engine speed and IVC timing. Then by using of ant colony optimization algorithm and based on the obtained models for outputs, values of NOx and soot emissions and fuel consumption has been optimized. For this purpose, by using of experimental data and numerical simulation, the arranging for modeling of performance and output was provided by the ANN.
    Artificial neural network with Levenberg-Marquardt training algorithm and using of the experimental and numerical data was applied for modeling and training of relationship between these parameters and this method was applied as a predictive method of ant colony algorithm to find the optimal values and used as a subroutine. Then the design variables that optimized the objective functions were obtained. The results show a fast convergence and good response times and optimizing the control parameters of the ant colony algorithm compared with other metaheuristic algorithms. Due to the rapid and significant convergence of output parameters, combination of artificial neural network (ANN) and ant colony optimization (ACO) can be used as an effective method in intelligent control systems for diesel engines to reduce emissions and fuel consumption.
    Keywords: Optimization, ANN, Ant colony algorithm, NOx, Soot
  • مریم داعی، ولی الله جانقربانی
    بسیاری از مسائل مکانیک سازه ها را می توان با استفاده از روش های بهینه یابی بصورت موثر مورد تجزیه و تحلیل قرار داد. در تحلیل سازه ها از مدل ریاضی یک سازه ایده آل سازی شده استفاده می شود که متشکل از مجموعه ای از معادلات ریاضی می باشد. روابط و فرمول بندی های این معادلات عمدتا حاوی متغیرها و ماتریس هایی با ابعاد متنوع می باشد. تحلیل بهینه، بر تشکیل بهترین ماتریس برای حل مساله استوار است، زیرا گزینش ماتریس های سازه ای و روش های محاسبه آنها برای یک مدل سازه ای، منحصر بفرد و یکتا نیست. در این مقاله، الگوریتمی برای تشکیل بردارهای پایه پوچی بهینه برای مدل اجزا محدود چهار وجهی پیشنهاد شده است. در مدلسازی مساله بهینه یابی ویژگی های هندسی مدل اجزا محدود چهار وجهی با گراف مرزی شبیه سازی شده است و برای برقراری شرط استقلال بردارها، برای هر سیستم یک مولد در نظر گرفته شده است. ترتیب انتخاب مولدها به عنوان یک تور برای الگوریتم سیستم کلونی مورچگان تعریف شده است و بدین ترتیب با استفاده از الگوریتم فراابتکاری سیستم کلونی مورچگان، جواب بهینه محاسبه شده است. شکل بهینه بردارهای پایه پوچی، منجر به تشکیل ماتریس نرمی بهینه شده و هدف تحلیل موثر سازه به روش نرمی را تامین می نماید. یکی از ویژگی های اصلی روش تحلیل بهینه نرمی آن است که محاسبات را به دو بخش کم و بیش مستقل تقسیم می کند. اهمیت این جداسازی هنگام حل یک سری از مسائل که دارای طرح ثابت ولی مصالح با ویژگی های گوناگون هستند، مانند مسائل طراحی مجدد آشکار می شود.
    کلید واژگان: روش نرمی، بردارهای پایه پوچی، مدل اجزا محدود چهار وجهی، الگوریتم کلونی مورچگان
    Maryam Daei, Vali Allah Janghorbani Ghaheh
    Most of structural mechanics problems can be solved efficiently by applying the optimization methods. In the structural analysis، a mathematical model is created from idealized structure، which consists of a set of equations with many variables and different matrices. Since the forms of these matrices are not unique، the optimal solution seeks for the most efficient format of the matrices. In this paper، an algorithm is developed for formation of optimal null bases in tetrahedron finite element models. In the proposed optimization model، the interface graph is defined to transfer the topological property of a tetrahedron element into the connectivity of a graph، and a generator is considered for each basis in order to satisfy the independency of statical bases vectors. Each sequence of generators is defined as a tour for an ant travel in ant colony optimization algorithm; therefore an efficient algorithm based on the ant colony system is presented. The optimal null bases result in highly sparse flexibility matrices and efficient force method. One significant feature of the optimal force method analysis is that the calculation is divided in to two independent part. The importance of this feature appears when solving a series of problems with fixed geometry but variable mechanical characteristics of members، such as redesign problems.
    Keywords: Force Method Analysis, Null Bases Vectors, Tetrahedron Finite Element Model, Ant Colony Algorithm
نکته
  • 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.
درخواست پشتیبانی - گزارش اشکال