پیش بینی انقباض خشک بتن به کمک شبکه عصبی مصنوعی

پروژه مطالعاتی راجع به "پیش بینی انقباض خشک بتن با کمک شبکه عصبی مصنوعی " است. شامل فایلهای اصل مقاله انگلیسی و ترجمه و همچنین پاورپینت مربوط به آن.

برق 43. کاهش فلیکر ولتاژ مبتنی بر ANN (شبکه‌های عصبی مصنوعی) با UPFC و با استفاده از الگوریتم SRF

کاهش فلیکر ولتاژ مبتنی بر ANN (شبکه‌های عصبی مصنوعی) باUPFC و با استفاده از الگوریتم SRF
چکیدهفلیکر ولتاژ، پدیدۀ آزاردهنده نوسان شدت نور، که حاصل تغییر سریع در بارهای صنعتی و خانگی مثل عملکرد دوره‌ای کوره قوسی است، باعث یک نگرانی برای بهره برداران و مشتریان حومه شده است. جریان کوره قوسی شبه پریودیک و دارای فرکانسی حدود 10 Hz است که باعث فلیکر قابل لمس (قابل درک) می‌شود. ادوات FACTS مثل SVCها، STATCOM، UPFC و تجهیزات خاص برقی مثل DSTATCOM با کنترل سریع توان راکتیو قادر به حل مسائل فلیکر ولتاژ بوده‌اند. اما؛ کنترل توان اکتیو در کنار کنترل توان راکتیو باعث حل بهتر و موثرتر مساله فلیکر ولتاژ می‌شود. در این مقاله، کاهش فلیکر ولتاژ به کمک UPFC توسط نرم افزار MATLAB تحلیل می‌شود. الگوریتم کنترلی مبتنی بر ANN، فلیکر را به خوبی کنترل می‌کند. این الگوریتم کنترلی مبتنی است بر روش قاب مرجع سنکرون (SRF). این الگوریتم توان‌های اکتیو و راکتیو را به‌طور همزمان کنترل می‌کند. وقتی مبدل سری UPFC فلیکر ولتاژ را اصلاح می‌کند، مبدل شنت ذخیره انرژی لینک dc را تدارک می‌بیند. برای حفظ ولتاژ لینک dc از یک مدار خودشارژکننده استفاده شده است. عملکرد دینامیکی به کمک این الگوریتم بررسی می‌شود. 

کامپیوتر 125. توسعه مدل های رشد قابلیت اطمینان نرم افزاری برای کاربردهای صنعتی با استفاده از منطق فازی

توسعه مدل های رشد قابلیت اطمینان نرم افزاری برای کاربردهای صنعتی با استفاده از منطق فازی
چکیده صورت مسأله : استفاده از مدل های رشد قابلیت اطمینان نرم افزار (SRGM) نقش مهمی در نظارت بر پیشرفت، پیش بینی دقیق تعداد خطاها در نرم افزار در طول هر دو فرایند توسعه و آزمایش بازی می کند. تاریخ انتشار محصولات نرم افزار را تعریف  میکند، و به تخصیص منابع و برآورد هزینه تعمیر و نگهداری نرم افزار کمک میکند. این امر منجر به دستیابی به سطح اطمینان مورد نیاز یک محصول نرم افزار میشود.رویکرد: ما استفاده از منطق فازی در ساخت SRGM  را به منظور برآورد خطاهای نرم افزاری مورد انتظار در طول فرآیند آزمایش مورد بررسی قرار میدهیم. نتایج : مدل فازی پیشنهادی شامل مجموعه ای از زیر مدل های خطی، .....نتیجه گیری: مدل های توسعه یافته قابلیت های مدل سازی با کارایی بالا را فراهم میکنند.
واژه های کلیدی:  مدل های رشد قابلیت اطمینان نرم افزار (SRGM)،تکنیک Takagi-Sugeno ، منطق فازی (FL) ، شبکه های عصبی مصنوعی (ANN) ، برنامه نویسی ژنتیک (GP)، ساختار مدل، مدل رگرسیون خطی، فضایی ناسا

برق 100. توسعه یک آنالیز و کنترل زمان-واقعی مبنی بر FPGA برای واسط های تولید توزیع شده

توسعه یک آنالیز و کنترل زمان-واقعی مبنی بر FPGA برای واسط های تولید توزیع شده
    چکیده__ انرژِ بدست آمده از منابع تجدید پذیر این روزها بسیار مهم شده اند، و این اساسا بدلیل سهم ناچیزشان در تولید گازهای گلخانه ای است. مساله ای که مطرح می شود این است که چطور می توان این منابع جدید را به شبکه های سنتی برق اضافه کرد، بطوری که بازده و قابلیت اطمینان این سیستم های تولید توزیع شده (DG) بیشینه شود. سخت افزار مورد نیاز برای این کار بطور کلی یک اینورتر منبع ولتاژی (VSI) است که یک بار معمولی _مانند کاربردهای تک-فاز مسکونی و تجاری_ را تامین کند. همچنین، فرآیند بهینه سازی نایزمند تجزیه تحلیل های معمولی توان می باشد. این مقاله توسعه و ارزیابی های آزمایشی یک سیستم کنترل توان برای یک VSI متصل به شبکه تک-فاز، شامل تحلیل توان را، با استفاده از یک پردازشگر برای پیاده سازی کنترل _یک مدار "آرایه کیت قابل برنامه ریزی میدان" (FPGA)_ ارایه می دهد. ساختار جدید سخت افزار شبکه عصبی خطی تطبیقی (ADALINE)، پیاده سازی الگوریتم های سیستم قدرت را ممکن ساخته، و همچنین اجازه تحلیل زمان-واقعی هارمونیک های مرتبه-بالا را بدون افزایش دادن ناحیه پیاده سازی مدار FPGA، خواهد داد. این ویژگی ها برای واسط های الکترونیک قدرتی DG جدید ایده آل می باشد، که می توان از آن نه تنها برای فرستادن توان اکتیو، بلکه برای جبران سازی هارمونیک ها و توان راکتیو نیز، استفاده کرد. شبیه سازی و نتایج تجربی طرح های پیشنهادی با فرکانس های ثابت و متغیر نیز، پیوست شده اند تا اعتبار انها مورد تاکید قرار گیرد.
    اصطلاحات مربوط__ شبکه عصبی مصنوعی (ANN)، تولید توان توزیع شده، تجزیه و تحلیل توان، آرایه های منطقی قابل برنامه ریزی، اندازه گیری توان، اعوجاج هارمونیکی کل.

برق 77. کنترل برداری بدون-سنسورسرعت یک موتور القایی بدون یاتاقان با استفاده از ناظر (Obderver) سرعت معکوس شبکه عصبی مصنوعی

کنترل برداری بدون-سنسورسرعت یک موتور القایی بدون یاتاقان با استفاده از ناظر (Obderver) سرعت معکوس شبکه عصبی مصنوعی
   چکیده__ به منظور جلوگیری از اثر تشخیص سرعت بر پایین آمدن پایداری و دقت سیستم موتور القایی بدون یاتاقان، این مقاله تکنیکی تازه برای مشاهده سرعت با استفاده از روش معکوس شبکه عصبی مصنوعی (ANN)، ارایه می دهد. زیرسیستم درونی تشکیل شده از جریان های سیم پیچی سرعت و گشتاور، مدل شده اند و سپس معکوس سازی آن با استفاده از ANN صورت گرفته است. سرعت موتور، بطور موفقیت بخشی با سری کردن زیرسیستم اصلی با معکوسش، مشاهده شده است. سرعت مشاهده شده به حلقه کنترل سرعت پیشخور (فیربک) شده، و ازینرو درایو برداری بدون سنسور-سرعت محقق می شود. سودمندی این روش، با استفاده از نتایج آزمایشی نشان داده شده است.    اصطلاحات مرتبط__ معکوس شبکه عصبی مصنوعی (ANN)، موتور القایی بدون یاتاقان (BIM)، بدون سنسور سرعت، کنترل برداری.