مقاله بهینه سازی پارامترهای شبکه عصبی مصنوعی جهت شبیه سازی عملکرد یک توربوکمپرسور به کمک الگوریتم ژنتیک

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

  مقاله بهینه سازی پارامترهای شبکه عصبی مصنوعی جهت شبیه سازی عملکرد یک توربوکمپرسور به کمک الگوریتم ژنتیک دارای ۱۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله بهینه سازی پارامترهای شبکه عصبی مصنوعی جهت شبیه سازی عملکرد یک توربوکمپرسور به کمک 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 بهینه سازی پارامترهای شبکه عصبی مصنوعی جهت شبیه سازی عملکرد یک توربوکمپرسور به کمک الگوریتم ژنتیک،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله بهینه سازی پارامترهای شبکه عصبی مصنوعی جهت شبیه سازی عملکرد یک توربوکمپرسور به کمک الگوریتم ژنتیک :

تعداد صفحات:۱۱

چکیده:

در این مقاله از روش شبکه های عصبی مصنوعی بهینه شده با الگوریتم ژنتیک برای شبیه سازی یک توربوکمپرسور آلستوم-زیمنس استفاده شده و این مدل مبنای بهینه سازی توربوکمپرسور به روش الگوریتم ژنتیک قرار گرفت. این تحقیق شامل سه گام اصلی تعیین ساختار شبکه عصبی مصنوعی مناسب، یافتن پارامترهای بهینه شبکه عصبی (وزنها و بایاسهای مناسب) به کمک الگوریتم ژنتیک و در پایان یافتن نقطه بهینه کارکرد توربوکمپرسور به روش الگوریتم ژنتیک می باشد. پس از تعیین پارامترهای ورودی و خروجی، ۲۰۵ دسته داده ای که در طول یک سال جمع آوری گردید برای مدلسازی استفاده شد. این داده ها به سه دسته آموزش، تعیین اعتبار و آزمایش تقسیم شدند و ساختارهای مختلف از لحاظ تعداد لایه های و تعداد نرونها در هر لایه مخفی با روش لونبرگ مارکوارت آموزش دیده و بر اساس MSE با هم مقایسه گردیدند و ساختار با چهار نرون در لایه مخفی اول و شش نرون در لایه دوم به عنوان ساختار مناسب انتخاب گردید. در مرحله بعد با استفاده از الگوریتم ژنتیک مقادیر وزن ها و بایاس های ساختار شبکه عصبی مصنوعی بهینه گردید. در این قسمت داده ها به سه دسته آموزش دیده، کمتر آموزش دیده و آزمایش تقسیم گردیدند. برای الگوریتم ژنتیک تابع هدف بصورت ترکیبی از خطاهای پارامترهای خروجی و جریمه تعریف گردید. در نهایت پس از ۱۵۰ نسل تابع هدف از مقدار ۱۳۵۱۲۸ به ۵۲۲۵ کاهش یافت، پس از مراحل فوق نقطه بهینه عملکرد توربوکمپرسور توسط الگوریتم ژنتیک با تابع هدف بر اساس مقدار معکوس راندمان بدست آمد، بدین صورت که پس از ۳۰۰۰ نسل مقدار تابع هدف از مقدار ۱۲۵۸۳۲۵ به مقدار ۱۳۲/۸ کاهش یافت، که این مقدار مبین مقدار بیشینه راندمان برابر ۱۹/۶ است، سپس اثر هریک از پارامترها بر راندمان حول نقطه بهینه بررسی شد.