پیش بینی تلفات سیستم توزیع با استفاده از شبکه عصبی مصنوعی

پیش بینی رسوب آسفالتین با استفاده از شبکه عصبی مصنوعی بر مبنای الگوریتم ازدحام ذرات

پیش بینی درصد متان موجود در گاز مراکز دفن زباله با استفاده از شبکه عصبی مصنوعی

Backgrounds and Objectives:A number of different technologies have recently been studied todetermine the best use of biogas, however, to choose optimize technologies of using biogas for energy recovery it is necessary to monitor and predict the methane percentage of biogas. In this study, a method is proposed for predicting the methane fraction in landfill gas originating from Labscalelandfill ...

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...

شبیه سازی الگوی توزیع نیترات در سیستم آبیاری قطره ای با استفاده از شبکه عصبی مصنوعی

استفاده بیش از حد نیترات می­تواند منجر به آلودگی منابع آب زیرزمینی شود. بنابراین دانش دقیق از توزیع نیترات در ناحیه توسعه ریشه به­منظور طراحی و مدیریت سیستم­های آبیاری قطره­ای ضروری است. در این تحقیق به­منظور مدل­سازی الگوی توزیع نیترات از شبکه عصبی مصنوعی استفاده گردید. زیرا این تکنیک به­دلیل الگوی تشخیص قوی، روابط منطقی بین پارامترهای ورودی و خروجی برقرار می­کند. در این تحقیق، به­منظور شبیه­س...

پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA

تبدیل موجک یکی از روش­های نوین و بسیار موثر در زمینه تحلیل سیگنال­ها و سری­های زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، داده­های حاصل به­عنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیش­بینی خشکسالی ارائه می­گردد. در این تحقیق، از شبکه­های عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...

پیش بینی رفتار تغییر شکل داغ آلیاژ آلومینیوم 2030 با استفاده از شبکه عصبی مصنوعی

رفتار تغییر شکل داغ مواد بدلیل وابستگی آن به تغییرات کرنش، نرخ کرنش و دما دارای پیچیدگی های قابل ملاحظه ای است و لذا پیش بینی  رفتار ماده در این شرایط مشکل می باشد. هدف از این بررسی پیش بینی رفتار تغییر شکل داغ  آلیاژ آلومینیوم 2030 با استفاده از یک شبکه عصبی مصنوعی توسعه یافته مناسب می باشد. برای این منظور از آزمایش­های فشار داغ در محدوده دمایی بین 350 تا 500 درجه سلسیوس و در نرخ کرنش­های بین ...