تشخیص نشتی در خط لوله نفت با استفاده از تبدیل موجک و ویژگی های آماری همراه با کاربرد شبکه عصبی مصنوعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 تشخیص نشتی در خط لوله نفت با استفاده از تبدیل موجک و ویژگی های آماری همراه با کاربرد شبکه عصبی مصنوعی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد تشخیص نشتی در خط لوله نفت با استفاده از تبدیل موجک و ویژگی های آماری همراه با کاربرد شبکه عصبی مصنوعی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی تشخیص نشتی در خط لوله نفت با استفاده از تبدیل موجک و ویژگی های آماری همراه با کاربرد شبکه عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن تشخیص نشتی در خط لوله نفت با استفاده از تبدیل موجک و ویژگی های آماری همراه با کاربرد شبکه عصبی مصنوعی :

نام کنفرانس، همایش یا نشریه : مهندسی مکانیک مدرس (فنی و مهندسی مدرس)

تعداد صفحات :۸

نشتی های خط لوله نفت اگر مورد توجه واقع نشود می تواند منجر به خسارت های بزرگی گردد. اولین گام برای مقابله موثر با این نشتی ها، تشخیص محل وقوع آن ها است. در مقاله ی حاضر یک روش جدید آشکارسازی و جداسازی عیوب (FDI) مبتنی بر داده پیشنهاد می شود که نه تنها قادر است وقوع عیب نشتی و محل آن را آشکار سازد بلکه می تواند وخامت (اندازه نشتی را نیز با دقت زیاد تخمین بزند. در مطالعه ی حاضر، خط لوله ی گلخاری- بینک که در جنوب ایران واقع شده، در نرم افزار الگا مدل سازی گردیده است که داده های مورد نیاز برای آموزش سیستم FDI را فراهم می نماید. سناریوهای مختلف نشتی بر مدل اعمال می گردد و نرخ دبی خروجی و فشار ورودی متناظر به عنوان داده های آموزش ثبت می شود. داده های بدست آمده در حوزه ی زمان به حوزه ی موجک انتقال داده می شوند. سپس ویژگی های آماری داده ها از دو حوزه ی موجک و زمان استخراج می گردد. ویژگی های بدست آمده به یک شبکه ی عصبی چندلایه ی پرسپترون (MLPNN) به عنوان سیستم FDI اعمال می گردد. نتایج نشان می دهد که سیستم مبتنی بر ویژگی های آماری موجک عملکرد بهتری نسبت به سیستم مبتنی بر ویژگی های آماری حوزه ی زمان دارد. همچنین سیستم پیشنهادی می تواند محل و وخامت نشتی را با نرخ هشدار غلط (FAR) اندک و نرخ طبقه بندی صحیح (CCR) بسیار زیاد تشخیص دهد.

کلید واژه: تشخیص نشتی، ویژگی آماری، تبدیل موجک، شبکه عصبی مصنوعی