مدل سازی موتور احتراق داخلی به روش شبکه های عصبی مصنوعی به منظور کنترل حالتهای آن
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه تبریز
- author توحید سردارمهنی
- adviser جعفر کیقبادی میر محمد اتفاق
- Number of pages: First 15 pages
- publication year 1390
abstract
در سال های اخیر با پیشرفت تکنولوژی موتور های احتراق داخلی و مجهز شدن آن ها به سیستم های کنترل حلقه بسته، توسعه ی روش های کنترل غیر خطی برای بهبود عملکرد موتور های احتراق داخلی را امکان پذیر کرده است. در این پروژه سیستم کنترل حالت های مورد نیاز در مسئله کنترل حلقه بسته موتور از طریق یاددهی شبکه های عصبی مصنوعی با استفاده از شبیه سازی مدل های مقادیر متوسط انجام می شود که این مدل ها برای مدل سازی و کنترل متغیر های حالت موتور ارائه شده اند. برای شناسایی سیستم از دو شبکه عصبی مصنوعی پایه شعاعی و پرسپترون دو لایه استفاده شده است و الگوریتم های یادگیری این شبکه های مصنوعی ارائه شده است. نتایج نشان می دهد که در مقایسه با مدل شبکه عصبی پایه شعاعی، شبکه ی عصبی پرسپترون دو لایه توانایی شناسایی دینامیک موتور را با دقت بیشتری دارد. در ادامه، روش کنترل پیشگو مبتنی بر شبکه های عصبی مصنوعی جهت کنترل حلقه بسته ی مقدار لامبدا در موتور استفاده شده است. در این سیستم کنترلی عملیات بهینه سازی مقید جهت کمینه کردن تابع هزینه ی معرفی شده با الگوریتم کاهش گرادیان انجام شده است. در پایان نتایج کنترل پیشگو با نتایج روش مود لغزشی مرتبه اول مقایسه شده است.
similar resources
بررسی عیب یابی موتور احتراق داخلی به کمک سنسور ضربه موتور و شبکه عصبی مصنوعی
امروزه ارتعاشات یکی از پارامترهای کلیدی در تعیین سلامت در صنعت خودرو است که در سال های اخیر به عنوان ابزار قوی در تشخیص عیوب بکار گرفته شده است. سنجش ارتعاشات دراین صنعت یک رشته تخصصی است و اصلی ترین روش بررسی وضعیت بکار میرود که بعنوان روشی غیر مخرب و قابل اجرا درحین کار موتور انجام می شود.تحلیل ارتعاشات شامل مراحل اندازه گیری، پردازش، تحلیل سیگنال های ارتعاشی و در نهایت نتیجه گیری است که در ب...
به کارگیری شبکه های عصبی مصنوعی در تحلیل عملکرد بالستیک داخلی موتور راکت های سوخت جامد (علمی-پژوهشی)
Neural Network in Analysis of Internal Ballistic of Solid Rocket Motors
full textمدلسازی لوله های انتقال گاز با شبکه های عصبی مصنوعی به منظور تشخیص عیوب آنها
این مقاله معرفی رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از شبکه عصبی مصنوعی به کمک امواج مکانیکی است که این روش بسیار ارزان تر و آسان تر از روش اولتراسوند است. که در حال حاضر مشغول به کارمی باشد. این خطوط معمولا در شرایط محیطی سخت و دور از دسترس و در مسافت های طولانی قرار دارند و استفاده از سیستم های که بصورت آنی و دقیق بتوانند عیب ها و نشتی های این لوله را گزارش دهند حیاتی ...
full textمدل سازی مواجهه صدا در رانندگان اتوبوس های شرکت واحد تهران به روش شبکه عصبی
Abstract: Background: Many parameters effect on the noise exposure of bus drivers, which can be noted the bus type, where the engine, fuel type, age of buses and speed. The object of this study is the neural network modeling of noise exposure in Tehran bus transportation drivers. Material and Methods: Noise levels in 90 buses were sampled in three separate sub-sample including (1)30...
full textشبیه‌سازی فرآیند احتراق موتور دیزلی MTI4.244 به منظور بررسی امکان ارتقاء توان و کاهش آلاینده‌های آن
از آنجا که افزایش توان و کاهش آلاینده‌های یک موتور نیازمند طراحی مجدد است، در کار حاضر، موتور دیزلی MTI4.244 ساخت شرکت موتورسازان تبریز، به عنوان موتور پایه مدنظر قرار گرفته تا با شبیه‌سازی فرآیند احتراق آن در نرم‌افزار GT-Suite و اتصال آن به مدل پرخوران و تبادل گازجهت شبیه‌سازی یکپارچه، امکان بهبود عملکردی و کاهش آلاینده‌های NOx و دوده این موتور بررسی شود. صحه‌گذاری نتایج این شبیه‌سازی در سرع...
full textمدل سازی فرآیند خشک کردن بادمجان توسط سامانه مادون قرمز به روش الگوریتم ژنتیک-شبکه عصبی مصنوعی
در این مطالعه رفتار خشک‌کردن لایه‌نازک ورقه‌های بادمجان در یک خشک‌کن مادون‌قرمز (IR) بررسی گردید. اثر توان لامپ مادون‌قرمز (150، 250 و 375 وات)، فاصله نمونه از لامپ (5، 10 و 15 سانتی‌متر)، ضخامت نمونه‌ها (5/0 و 1 سانتی‌متر) و زمان خشک‌کردن بر خشک شدن ورقه‌های بادمجان موردبررسی قرار گرفت. نتایج خشک‌کردن بادمجان به روش مادون‌قرمز نشان‌داد با افزایش توان لامپ و کاهش فاصله نمونه‌ها از منبع حرارتی، ...
full textMy Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه تبریز
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023