مقاله مدلسازی محفظه احتراق توربین گاز به کمک شبکه عصبی مصنوعی

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

  مقاله مدلسازی محفظه احتراق توربین گاز به کمک شبکه عصبی مصنوعی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله مدلسازی محفظه احتراق توربین گاز به کمک 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 مقاله مدلسازی محفظه احتراق توربین گاز به کمک شبکه عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله مدلسازی محفظه احتراق توربین گاز به کمک شبکه عصبی مصنوعی :

تعداد صفحات:۸

چکیده:

در این تحقیق، روش شبکه های عصبی مصنوعی برای مدلسازی محفظه احتراق توربین گاز با شعله مغ شوش پس مخلوط متان – هوا به کار گرفته شده و توانایی این شبکه ها در تخمین کمیات شیمیایی و مقادیر مختلف میدان جریان نشان داده شده است. هدف، به دست آوردن مدلی برای توزیع شعاعی مشخصات مختلف شعله مغشوش، مانند دما و کسر جرمی گونه های شیمیایی در مقاطع مختلف محفظه احتراق توربین گاز می باشد . شبکه عصبی مصنوعی، یک سیستم با ساختار دینامیکی موازی می باشد و مدلسازی بوسیله شبکه عصبی مصنوعی، آموزش دادن سیستم محاسباتی برای درک قوانین حاکم بر فیزیک مسئله و تولید یک مدل می باشد. در واقع هدف مدل، تولید یک نسخه تخمینی از سیستم وا قعی می باشد که خصوصیات اصلی سیستم در آن حفظ شده باشد. از آنجا که شبکه عصبی در مرحله آموزش برای سازگار نمودن ضرایب وزنی خود نیازمند الگوهای آموزشی ورودی- خروجی می باشد، روش تابع احتمال دانسیته برای محاسبه مشخصات شعله و در نتیجه به دست آوردن الگوهای آموزشی به کار گرفته شده است. در رهیافت تابع احتمال دانسیته، فرض شیمی تعادلی برای احتراق در نظر گرفته شده است که به معنی وجود واکنشها و گونه های شیمیایی میانی در واکنش سوخت و اکسیدکننده می باشد. الگوریتم مورد استفاده برای آموزش شبکه از نوع خطای پس انتشار با سرپرست می باشد. شبکه عصبی مورد استفاده از نوع پیشخور با دو لایه پنهان می باشد که برای استحصال شبکه بهینه، شبکه های مختلفی با تعداد لایه های پنهان متفاوت مورد استفاده واقع گردیده و شبکه با بهترین عملکرد، چه به لحاظ ساختار و چه به لحاظ میزان دقت خطا مورد استفاده قرار گرفته است.