لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 149
دانشگاه آزاد اسلامی
واحد سمنان
«مدل سازی رآکتور شیمیایی با شبکههای عصبی مصنوعی»
ارائه شده به گروه مهندسی مکانیک
جهت دریافت درجه کارشناسی
تحت نظر :
مهندس محمود براتی
مهندس مرتضی محمد ظاهری
توسط:
« فرهاد احدی کلو »
« آبان ماه سال یک هزار و سیصد و هشتاد و شش »
چکیده:
در این پروژه، ورودیها و خروجیهای یک سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یک مدل دینامیکیِ هوشمند، استفاده شده است. بنابراین انتخاب شبکههای عصبی مصنوعی از نوع پرسپترونهای چندلایه برای این منظور مناسب است. در کنار این نوع از مدلسازی، استفاده از یک شیوهی مناسب برای کنترل پیشگویانه (پیش بینانه)ی مدل یاد شده، ضروری است.
مدلهای برگشتی تصحیح شونده که از قوانین تعدیل ماتریسهای وزنی مسیرهای ارتباطی بین نرونهای مدل استفاده میکنند، در این پروژه به کار گرفته شدهاند.
این قوانین برای آموزش سیستم، جهت کنترل و دستیابی به خروجی مطلوب در زمانهای بعدی به کار میروند.
فراگیری در این سیستم نیز از نوع فراگیری با سرپرست میباشد؛ به این صورت که معادلهی دیفرانسیل دینامیکیِ سیستم در دسترس است و بنابراین مقادیر مطلوب برای متغیر هدف، که سیستم باید به آن برسد، برای زمانهای آینده مشخص میباشد و خروجی سیستم با استفاده از یک کنترلکنندهی پیشبین، همواره باید به این اهداف دست یابد. سیستم مورد مطالعه در این پروژه، یک رآکتور شیمیایی است که برای اختلاط پیوستهی مواد شیمیایی واکنش دهنده با غلظتها و مقادیر تعریف شده و تولید یک مادهی محصول با یک غلظت متغیر با زمان به کار میرود؛ که میزان مطلوب این غلظت در یک زمان خاص، بهعنوان هدف مطلوبی است که سیستم باید به آن دست یابد.
همچنین بهجای یک سیستم واقعی، از یک مدل نرمافزاری برای جمعآوری دادههای ورودی و خروجی استفاده می شود و در نهایت، نتایج این مدل سازی موفقیتآمیز، توانایی روشهای مدل سازی هوشمند را همانگونه که در این تحقیق آمده است، اثبات میکند.
کلمات کلیدی: هوش مصنوعی، شبکه های عصبی مصنوعی، رآکتور شیمیایی، کنترل پیشبین، نرون، پتانسیل فعالیت، پرسپترون چندلایه غیر خطی، تورش، سیستمهای غیر خطی، بازشناسی الگو، دستگاههای طبقهبندی خطی و غیر خطی، قاعدهی پس انتشار خطا، تعدیل ضرایب وزنی، شبیهسازی، مدل دینامیکی کامل / ناکامل شبکهی عصبی مصنوعی
KEY WORDS: Artificial Intelligence, Artificial Neural Networks, Chemical Reactor, Predictive Control, Neuron, Action potential, Nonlinear Multilayer perceptrons, Bias , Nonlinear systems, Pattern Recognition, linear and Nonlinear classifiers, Backpropagation Rule, Adjusting the Connection Weights, Simulation, complete / Incomplete Artificial Neural Network models.
فصل اوّل:
مقدمه
مدل سازی رآکتور شیمیایی با شبکههای عصبی مصنوعی 147 ص