شناسایی و طبقه بندی اشیاء داخل آب به خصوص مین های دریایی نیاز اساسی برای دستگاه های نظامی و غیرنظامی است.یکی از مهمترین وسایلی که بدین منظور طراحی و ساخته شده،سونار است.سونار به عنوان یک حسگر صوتی زیر سطحی، به منظور شناسایی اجسام داخل آببه کار می رود. از جمله قابلیت های سونار، آشکارسازی،تشخیص وطبقه بندی اهداف داخل آب،از جمله تشخیص مین-های دریایی در برابر صخره های سنگی است.تصمیم گیری در مورد نوع اجسام داخل آب و طبقه بندی آن ها بر اساس سیگنال های بازگشتی از اهداف صورت می گیرد. مسئله تشخیص و طبقه بندی اهداف آکوستیکی بر اساس سیگنال های رسیده به سونار همواره با چالش هاییروبرو بوده است.بعضی از این عوامل عبارتند از: وجود صداهای مبهم و اغتشاشات داخل محیط آب، انعکاسات سطح و کف دریا، وجود نویز محیطی دریا و پدیده چندمسیری. چنانچه تعداد اشکال هندسی اهداف داخل آب زیاد شود، کلاس های دسته بند زیاد می شود و این مسئله هم باعث کاهش نرخ طبقه بندی می شود. علاوه بر این مسائل،چرخش زاویه ی هدف به عنوان یک عامل غیرخطی هم باعث کاهش صحت طبقه بندی می شود. بنابراین به منظور غلبه بر این مسائل، به دنبال روش هایی هستیم که نه تنها از کاهش عملکرد طبقه-بندی کننده جلوگیری کند، بلکه نرخ طبقه بندی را تا حد مطلوبی بهبود دهد. آزمایشات انجام شده در این پایان نامه شامل دو مرحله ی کلی است. درفاز اول آزمایشات،کارایی متداول ترین الگوریتم های خطی استخراج ویژگی pca، cca و ldaو الگوریتم غیرخطی استخراج ویژگی kpcaرا بر روی سیگنال های بازگشتی از اهداف سونار مورد مطالعه قرار داده ایم. هر الگوریتم استخراج ویژگی با توجه به ساختار و فرمول بندی که دارد برخی از ویژگی های داده های سونار را بیشتر مورد توجه قرار می دهد و برخی را کمتر،بنابراین طبقه بندی کننده هایی که از الگوریتم های مختلف استخراج ویژگی استفاده می کنند کارایی متفاوت دارند. در فاز دوم آزمایشات،به منظور انتخاب بهینه طبقه بندی کننده ها، ترکیبی از نتایج حاصل از طبقه بندی کننده های مبتنی بر فضای استخراج ویژگی را برای تصمیم گیری استفاده کرده ایم.این روش شاملدو مرحله، یکی انتخاب بهترین طبقه بندو دیگری ادغام اطلاعات حاصل از هر طبقه بنداست. با این روش از کلیه قابلیت های طبقه بندی کننده های مختلف استفاده کردهو نقاط ضعف یک طبقه بندی توسط نقاط قوت طبقه بندی کننده دیگر پوشانده می شود. بر اساس این پایان نامه، ساختار جدیدی برای ادغام اطلاعاتبمنظور شناسایی اهداف سونار، به دست آمده است، که نتایج آزمایشات بر مبنای این ساختار، نشان دهنده بهبود صحت طبقه بندی اهداف سونار می باشد.

برای توسعه و ارزیابی میادین نفت و گاز، داشتن اطلاعات کافی در مورد مخازن هیدروکربوری امری ضروری و اجتناب ناپذیر است، به عبارت دیگر تعیین پارامتر های مختلف سنگ و سیال مخزن در ارزیابی مخازن هیدروکربوری از اهمیت زیادی برخوردار است. از مهم ترین پارامتر های تعیین کننده ی ارزش اقتصادی یک مخزن می توان از تراوایی و تخلخل نام برد. تراوایی و تخلخل به همراه برخی پارامتر های مخزنی دیگر نقش بسیار مهمی در ارزیابی میزان ذخایر نفت و گاز دارد. در صنعت نفت روش استاندارد برای تعیین اکثر پارامترهای نام برده شده، آنالیز مغزه، روش های آزمایشگاهی، آزمایش چاه و روابط تجربی است. به دلیل این که روش های آزمایشگاهی (و روش های چاه آزمایی) زمان بر بوده و پر هزینه هستند همچنین معمولاً در همه ی چاه های یک مخزن مغزه گیری انجام نمی شود، از طرفی در مدل های تجربی برخی فرض ها و محدودیت ها در آن ها اعمال شده یعنی در موارد خاصی به کار می روند و در جاهای دیگر دقت و کارایی لازم را ندارند. در نتیجه روشی که بتواند با استفاده از اعمال ورودی (ورودی ها) خواص اشاره شده (تراوایی، تخلخل و...) را به دست دهد، اهمیت زیادی خواهد داشت؛ لذا یک روش جایگزین برای تعیین خواص اشاره شده استفاده از ابزار های هوش مصنوعی و یادگیری ماشینی است. در این مطالعه هدف اصلی بهره گیری از روش بهینه سازی غیر خطی به نام شبکه های عصبی مصنوعی برای پیش بینی پارامتر های مخزنی است. داده ها برای مراحل مختلف یادگیری و ارزیابی شبکه به سه دسته، آموزش، اعتبارسنجی و آزمون تقسیم بندی می شود، بعد از پردازش داده ها 70 درصد آن ها برای آموزش شبکه، 15 درصد برای اعتبار سنجی و 15 درصد برای آزمایش (در mlp) و 30 درصد یرای آزمایش در rbf و svm قرار داده شده اند. نتایج نشان می دهد شبکه های عصبی دارای دو لایه مخفی بهترین شبیه سازی را انجام می دهند.

در عملیات حفاری، با انتخاب درست ابزار مورد استفاده و همچنین پیش بینی دقیق و به موقع پارامترها و مشکلات احتمالی می توان این عملیات را در زمان و هزینه کمتر انجام داد. مقاومت فشاری تک محوره سنگ سازند، یکی از ویژگی های اصلی سنگ به شمار می آید که نقش به سزایی در انتخاب مته حفاری دارد. در صورت پیش بینی صحیح این ویژگی می توان مته مناسب برای حفاری سنگ مورد نظر را انتخاب کرد. از طرفی مته حفاری خود یکی از ابزارهای اصلی در عملیات حفاری به شمار می رود که تأثیر مستقیم بر نرخ نفوذ حفاری دارد. نرخ نفوذ مناسب زمان و هزینه های عملیات حفاری را کاهش می دهد. در عملیات حفاری گاهی اوقات با مشکلاتی مواجه می شویم که باعث کند شدن حفاری و افزایش هزینه ها می شود. از جمله این مشکلات می توان به هرزروی گل و گیر رشته حفاری اشاره کرد. در صورتی که بتوان این مشکلات را به درستی پیش بینی کرد می توان از توقف حفاری جلوگیری و خطرات ناشی از آن را نیز رفع کرد. لذا اطلاع دقیق از موارد مذکور حیاتی است. تحلیل اطلاعات میدانی، عنصر اصلی کاهش هزینه و بهبود عملیات حفاری و توسعه ابزارهای تحلیل اطلاعات میدان، یکی از راههای توسعه و بهبود عملیات حفاری به شمار می رود. در صنعت حفاری برای شناسایی مشکل و یا بهبود عملیات عموماً از تست های آزمایشگاهی و فرمول های تجربی استفاده می شود؛ یا برای رفع مشکل از تجربیات گذشته استفاده می شود. در این پروژه سعی شده، از مدل سازی هوشمند برای پیش بینی، عیب یابی، رفع عیب و بهبود پارامترهای عملیات حفاری استفاده کنیم. هوش مصنوعی حوزه ای ترکیبی از علوم کامپیوتر و آمار است. در حالت عمومی این روش زمانی ارزش خود را نشان می دهد که روی مجموعه ی بزرگی از داده ها پیاده سازی شده و الگوها و قوانین موجود در آن ها را نمایان سازد. این پروژه در چهار بخش با استفاده از داده های ثبت روزانه دکل حفاری و عملیات نمودارگیری و به کمک شبکه های عصبی و الگوریتم های بهینه سازی انجام شد. نتایج حاصله در موضوعات مورد بحث همگی گویای دقت و کارایی بالای استفاده از روش های هوشمند است.

در دنیای ماشینی امروز تخمین سن با استفاده از عکس چهره کاربرد¬های فراوانی دارد، به همین دلیل در سال¬های اخیر تحقیقات در این زمینه رشد چشم¬گیری داشته است. روش¬هایی که برای تخمین سن از روی عکس چهره ارائه شده¬اند در شرایطی که بخشی از چهره پوشیده باشد، عملکرد خوبی را ارائه نمی¬دهند. در این پایان¬نامه سعی شده است که روشی را برای بازسازی ویژگی¬های پنهان شده در زیر پوششی که بر روی چهره قرار دارد، ارائه دهیم. از آنجایی که مجموعه داده¬ی مناسبی که بتوان بدین منظور از آن استفاده کرد وجود ندارد، در این راستا مجموعه داده¬ای با نام pg را جمع آوری کرده ایم. برای سنجیدن چگونگی ویژگی¬های بازسازی شده باید از یک سیستم تخمین سن استفاده شود. یک سیستم تخمین سن بر دو پایه استوار است؛ 1- استخراج ویژگی 2- کلاس-بندی ویژگی¬ها. در گام استخراج ویژگی، ویژگی-های سراسری را با استفاده از active appearance modelو ویژگی¬های محلی را با استفاده از فیلتر گابور و اپراتور lbp استخراج نموده و با یکدیگر ترکیب می¬نماییم. برای کلاس¬بندی ویژگی¬ها از طبقه¬بند سلسله¬مراتبی که از دو بخش کلاس¬بندی گروه¬های سنی و تخمین سن تشکیل شده است، استفاده می¬شود. در قسمت نتایج برای نخستین بار عملکرد سیستم تخمین سن را بر روی مجموعه داده¬ی ifdb مشاهده می¬کنیم و سیستم تخمین سن پیاده¬سازی شده را بهبود می¬بخشیم . سپس عملکرد سیستم را با استفاده از مجموعه داده¬ی pg ارزیابی می کنیم و در نهایت چگونگی بازسازی ویژگی¬های پنهان در زیر پوشش چهره را شرح داده و خواهیم دیدکه سیستم تخمین سن با استفاده از ویژگی¬های بازسازی شده، عملکرد قابل قبولی را ارائه می¬دهد.

شناخت صحیح از خصوصیات سیال مخزن گازی یا نفتی عامل اساسی در تولید بهینه با بیش ترین بازدهی به شمار می آید. در مورد مخازن ارزشمند گاز میعانی فشار نقطه شبنم به عنوان کلیدی ترین عامل در بحث تولید اقتصادی و طولانی مدت از این نوع مخازن مطرح می گردد چرا که کاهش فشار مخزن زیر نقطه شبنم منجر به ایجاد میعانات در مخزن می شود و علاوه بر کاهش تولید، ادامه پروژه از لحاظ اقتصادی شدیداً به خطر می افتد. در ارتباط با مخازن نفتی نیز با رسیدن به مرحله سوم تولید و کاهش شدید فشار مخزن، بحث ازدیاد برداشت از این مخازن بیش از پیش مطرح شده است. یکی از رایج ترین روش های ازدیاد برداشت تزریق امتزاجی سیال به داخل مخزن است. دو نکته مهم در بحث تزریق سیال امتزاجی، حداقل فشار امتزاجی و احتمال رسوب هیدروکربورهای سنگین واکس و آسفالتین است. حداقل فشار امتزاجی به عنوان فشار مورد نیاز جهت انحلال گاز تزریقی در نفت و سبک کردن آن جهت ازدیاد برداشت شناخته میشود. از طرفی تزریق سیال می تواند باعث مشکلاتی مانند رسوب ذرات پارافینی جامد و سنگین شده و کاهش شدید تولید به واسطه مسدود کردن خلل و فرج ها را به دنبال خواهد داشت. لذا اطلاع دقیق از موارد ذکرشده حیاتی است. در این راستا، امروزه علاوه بر مدل های ریاضی و تجربی متعددی که تاکنون ارائه شده اند استفاده از تکنیک های هوشمند به عنوان روشی جایگزین روزبه روز در حال افزایش است. شبکه های عصبی یکی از روش های رایج و پرکاربرد در مجموعه تکنیک های هوشمند است که به خاطر قابلیت بالا در طراحی ارتباط خطی و غیرخطی میان ورودی ها و خروجی های مختلف مورد توجه است. در این تحقیق نیز ما از این ابزار ها کمک گرفتیم تا بتوانیم پیش بینی دقیق و قابل قبولی در هر یک از موضوعات مورد بحث داشته باشیم. نتایج حاصله در موضوعات مورد بحث همگی گویای دقت و کارایی بالای این گونه روش ها و شبکه های هوشمند است.

در این رساله ساختار الکترونیکی و ترابردی الکترونی سیستم های دو بعدی جدید را در حضور ناکاملی هایی همچون کرنش و بی نظمی بررسی نموده ایم. این رساله شامل نه فصل می باشد. فصل اول مقدمه ای ست که ساختار کلی رساله را نشان می دهد. فصل دوم مقدمه ای بر خواص عمومی گرافین و دی کلکوجناید فلزات واسطه را شامل می شود. در فصل سوم پس از ارائه یک بازنگری کلی بر نظریه الاستیسیته و اثر کرنش بر خواص الکترونیکی گرافین، نتایج محاسبه شده مربوط خواص الکترونی یک دیسک گرافین در معرض نیروی ثابت عمودی ارائه شده است. در فصل چهارم اثر کرنش بر خواص فیزیکی الکترنهای برهمکشی در تک لایه گرافین مطالعه شده است. به طور خاص تراکم پذیری الکترونها و سرعت فرمی بهنجار شده مورد بررسی قرار گرفته است. برهمکنش الکترونها در تقریب هارتری-فاخ لحاظ شده است و همچنین رابطه کامل انرژی شبه ذرات در منطقه بریلوئن در نظر گرفته شده است. در فصل پنجم اثر کرنش بر ساختار الکترونی، حالت های لبه ای و ترابرد حامل های بار در دمای صفر کلوین در گرافین دولایه به روش تابع گرین بازگشتی مورد بررسی قرار گرفته است. در فصل ششم، یکی از دست آورد های اصلی ما در این رساله که یک مدل تنگ-بست برای مطالعه ساختار الکترونی دی سولفید مولیبدن تک لایه است، با جزئیات شرح داده شده است. در فصل هفتم یکی دیگر از نتایج جالب توجه ما که اثر زیمن وادی در تک لایه دی سولفید مولیبدن است، بررسی شده است. این اثر به دلیل عدم وجود تقارون وارونی در ساختار این سیستم رخ می دهد. در واقع زمانی که یک میدان مغناطیسی به این سیستم اعمال کنیم درجه آزادی وادی به صورت خطی به مولفه عمودی میدان مغناطیسی جفت می شود و این جفت شدگی بسیار مشابه اثر زیمن برای اسپین است. در فصل هشتم با استفاده از هامیلتونی کم انرژی، رسانندگی دینامیکی هال و طولی برای تک لایه دی سولفید مولیبدن و لایه فرانازک عایق توپولوژیکی به صورت تحلیلی محاسبه شده است. در ادامه در فصل نهم اثر کرنش بر خواص الکترونیکی و ساختار نواری تک لایه دی سولفید مولیبدن مورد مطالعه قرار گرفته است. این بررسی بر پایه مدل تنگ-بست ارائه شده توسط کاپلوتی و همکاران انجام شده است. به طور ویژه هامیلتونی کم انرژی تصحیح شده و مدل کم انرژی حاصل کرنش غیر یکنواخت را در مرتبه دوم توان از تانسور کرنش و دوران در بردارد. سه شبه پتانسیل برداری که راستای یکسان دارند و بزرگی آنها متفاوت است در تک لایه دی سولفید مولیبدن در حضور کرنش به دست آورده ایم.

تشخیص و طبقه بندی شناور های دریایی بر اساس نویز تشعشعی صوتی از آن ها از جمله ضرورت های سیستم های سوناری است. سال ها این کار در نیروهای نظامی جهان به توانایی ها و دقت اپراتور سونار وابسته بود. افزایش پیچیدگی های محیط زیر آب، ضرورت استفاده از فناوری های نوین و ایجاد سامانه هوشمندی سونار، بیش از پیش احساس می شود. غیرایستان بودن ماهیت نویز تشعشعی شناور های دریایی و وابستگی آن به کانال انتشار، متغیر بودن برخی پارامترهای آن و دشواری شبیه سازی این نویز، موجب می گردد الگوریتم های دسته بندی کننده که با استفاده از داده های واقعی با تنوع کم و تعداد محدود، یا داده های شبیه سازی شده، آموزش داده شده اند از اعتبار کافی برخوردار نباشند. در این پایان نامه، دو روش جدید جهت ارتقاء راندمان طبقه بندی سیگنال های صوتی تشعشع یافته از شناورهای دریایی ارائه می شود. در روش اول (stftlda-timb) با تحلیل کمبودهای روش پردازش سیگنال stft، ویژگی های متمایز کننده جدیدی را در حوزه سونار با استفاده از اطلاعات ادراکی صوت (timbre)، جهت رفع این نواقص ارائه شده است. بردار ویژگی استخراج شده از این روش، از ترکیب ویژگی های حاصل از دو پردازش سیگنال موازی بر روی داده های بهینه شده از روش stft، بدست می آید. ویژگی های استخراج شده در مسیر اول (stftlda) مبتنی بر بکارگیری تکنیک استخراج ویژگی lda بر روی داده های خروجی روش stft است و ویژگی های استخراج شده در مسیر دوم (timbre) مبتنی بر استفاده از ویژگی های ادراکی صوت در دو حوزه زمان و فرکانس است. نتایج حاصل از طبقه بندی با استفاده از بردار ویژگی متمایز کننده ترکیبی جدید، معرفی شده در این قسمت، بیانگر موفقیت چشم گیر این روش در تفکیک شناورهای دریایی از یکدیگر نسبت به روش stft است. در روش ارائه شده دوم، با استفاده از تبدیل فوریه کسری زمان-کوتاه (stfrft)، سیگنال صوتی به یک صفحه زمان-فرکانس جدید با رزولوشن بالاتر منتقل می شود و سپس از تکنیک های استخراج ویژگی جدید جهت کاهش ابعاد و استخراج ویژگی های متمایز کننده جدید بهره گرفته می شود. نتایج طبقه بندی حاصل از این روش (stfrftlda) نشان می دهد ویژگی های استخراج شده از این حوزه، توانایی تفکیک پذیری شناورهای دریایی را نسبت به ویژگی های استخراج شده از روش stft بسیار بالاتر برده است. در این روش، جهت رفع محدودیت در انتخاب مرتبه تبدیل فوریه کسری بهینه، دو روش بهینه شده با ساختار موازی پیشنهاد شده است. به جرأت می توان گفت که اکثر روش ها و ویژگی های متمایز کننده جدید معرفی شده در این پایان نامه قبلا در هیچ منبعی ارائه نشده اند.

هدف مخابرات زیر آب است چون امواج الکترو مغناطیس زیر آب میرا هستند و برد بسیار کمی دارند . ناگزیر باید برای مخابرات زیر آب از امواج صوتی استفاده نمود