مقاله مدلسازی و بهینه سازی ارتعاشات سیلندر ناشی از گردابه ها بوسیله شبکه عصبی و الگوریتم ژنتیک

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

  مقاله مدلسازی و بهینه سازی ارتعاشات سیلندر ناشی از گردابه ها بوسیله شبکه عصبی و الگوریتم ژنتیک دارای ۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله مدلسازی و بهینه سازی ارتعاشات سیلندر ناشی از گردابه ها بوسیله شبکه عصبی و الگوریتم ژنتیک  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 مقاله مدلسازی و بهینه سازی ارتعاشات سیلندر ناشی از گردابه ها بوسیله شبکه عصبی و الگوریتم ژنتیک،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله مدلسازی و بهینه سازی ارتعاشات سیلندر ناشی از گردابه ها بوسیله شبکه عصبی و الگوریتم ژنتیک :

تعداد صفحات:۶

چکیده:

هدف از این پژوهش بررسی ارتعاشات استوانه بر اثر جریان خارجی سیال پیرامون آن است. در این مقاله ضمن معرفی مکانیزم های مختلف تحریک ناشی از سیال، ارتعاشات بوجود آمده توسط گردابه ها به طور خاص بررسی می شود. ارتعاشات ناشی از گردابه ها ، به حرکتی اطلاق می شود که در آنها گردابه ها به واسط هی مولفه ی نیروی لیفت غیر هم فاز خود (حتی زمانیکه این مولفه ها نسبتاً کوچک هستند) جسم را به نوسان در می آورند. بنابراین این نوع حرکت را می توان با یک سیستم یک درجه آزادی با میرایی ویسکوز نسبتاً کوچک مدلسازی کرد. نیروی اعمالی از سیال به استوانه نیز به صورت نیروی خارجی در معادلات حاکم بر ارتعاشات اجباری سیلندر وارد می گردد. تغییر مکان و نیروی سیال بصورت نوسان های هارمونیک در نظر گرفته می شود که در آن نیرو نسبت به جابجایی دارای اختلاف فاز می باشد. در بررسی ارائه شده، هدف کنترل دامنه ارتعاشات در این نوع تحریک و بررسی پارامترهای موثر بر آن می باشد. بدین منظور رابطه دامنه بدون بعد با پارامتر های کنترلی، استخراج شده است و سپس حساسیت دامنه بدون بعد نسبت به این پارامتر ها مورد بررسی قرار گرفته است. در پایان بهینه سازی دامنه ارتعاشات با استفاده از الگوریتم ژنتیک صورت گرفته است. از مقادیر تجربی پارامتر های کنترلی(نظیر ضریب لیفت) موجود در منابع معتبر، جهت آموزش شبکه عصبی استفاده شده است. با ترکیب نتایج حاصل از شبکه عصبی و الگوریتم ژنتیک مقادیر بهینه پارامترهای هندسی و فیزیکی به دست آمده است.