ژنراتور الکتریکی خودرو به خصوص در خودروهای واجد شبکه انتقال داده، دارای نقش حیاتی و بسیار مهمی می باشد. به طوری که بروز عیب الکتریکی در ژنراتور، می تواند موجب بروز خسارات سنگینی بر سایر بخش های سامانه های الکتریکی و الکترونیکی خودرو شود لذا عیب یابی و پایش وضعیت ژنراتور به منظور جلوگیری از بروز عیب در سایر بخش ها از اهمیت خاصی برخوردار می باشد. هدف از این مقاله پایش وضعیت و عیب یابی ژنراتور الکتریکی خودرو با استفاده از سیگنال های ارتعاشی و سامانه استنتاج تطبیقی عصبی فازی می باشد. ابتدا عیوب عمدی شامل قطع یک فاز، قطع مثبت رگولاتور ولتاژ، سوختن یک دیود و دو دیود مثبت مجموعه یک سو کننده ایجاد شد. سپس سیگنال های ارتعاشی حالت سالم و حالت های معیوب مذکور با استفاده از دو سنسور ارتعاش سنج نصب شده بر روی بدنه ژنراتور و دستگاه تحلیل سیگنال های ارتعاشی به مدت 30 ثانیه در دورهای 1000، 1500 و 2000 دور بر دقیقه موتور خودرو استخراج شد. پس از آن، برای تجزیه سیگنال با ویولت بسته ای سطح یک، موجک پایه ای که دارای بیشترین میانگین انرژی به آنتروپی شانون میباشد، به عنوان مناسب ترین موجک پایه انتخاب شد و انرژی باندهای فرکانسی اول و دوم محاسبه و به عنوان بردار ورودی به شبکه (انفیس) اعمال شد. نتایج به دست آمده در این پژوهش نشان می دهد که مدل (انفیس) پیشنهادی روش موثر و هوشمندی برای تشخیص و طبقه بندی عیوب ژنراتور الکتریکی خودرو با دقت خوب می باشد.

در این پژوهش با توجه به عدم انجام مطالعه ای در مورد مدل سازی شرایط نگهداری میوه های انگور پوشش داده شده با مالتودکسترین حاوی نانوکربنات پتاسیم و عصاره پیراکانتا با استفاده از سامانه استنتاج فازی-عصبی تطبیقی ((انفیس))، زمان های مختلف نگهداری (صفر تا 60 روز)، غلظت نانوکربنات پتاسیم (صفر تا 2 درصد) و غلظت عصاره پیراکانتا (صفر تا 5/1 درصد) مورد استفاده در پوشش خوراکی به عنوان ورودی و میزان بریکس، درصد ریزش حبه، میزان مالون دی آلدهید، قهوه ای شدن خوشه انگور ها و عطر و طعم نمونه ها به عنوان خروجی در نظر گرفته شدند. سه تابع عضویت گوسی، مثلثی و ذوزنقه ای با 2-2-2 و 3-3-3 تابع عضویت مورد بررسی قرار گرفت. نتایج نشان داد که تابع ذوزنقه ای با 3 - 3 تابع عضویت و تابع گوسی با 3- 3 تابع عضویت به ترتیب برای متغیر خروجی بریکس و درصد ریزش حبه به عنوان بهترین مدل انتخاب شدند. در نهایت برای متغیرهای قهوه ای شدن خوشه، میزان مالون دی آلدهید و عطر و طعم نمونه ها مدل مثلثی با 3-3 تابع عضویت انتخاب گردیدند. از طرفی نتایج حاکی از آن بود که با افزایش زمان انبارداری، میزان بریکس، درصد ریزش حبه، مالون دی آلدهید و قهوه ای شدن خوشه در تمامی نمونه ها افزایش ولی میزان عطر و طعم نمونه ها کاهش پیدا کرد و استفاده از پوشش حاوی نانو کربنات پتاسیم و عصاره پیراکانتا سبب کاهش سرعت این تغییرات گردید. در پایان می توان بیان داشت که میزان ضرایب همبستگی بالا بین نتایج آزمایشگاهی و خروجی های مدل بیانگر دقت قابل قبول و قابلیت استفاده از این مدل ها در کنترل شرایط نگهداری میوه های انگور پوشش داده شده با مالتودکسترین حاوی نانوکربنات پتاسیم و عصاره پیراکانتا است.

مقدمه: متاستاز سرطان پستان، گسترش سرطان پستان به سایر اندام های بدن، یکی از مهم ترین علل مرگ ناشی از سرطان پستان در زنان محسوب می شود. پیش بینی متاستاز در مراحل اولیه به انتخاب بهترین روش درمانی و بهبود کیفیت زندگی بیماران کمک می کند. روش: در این مطالعه بنیادی از مجموعه داده های موجود بیماران ایرانی از مرکز تحقیقات سرطان پستان پژوهشکده سرطان معتمد تهران، استفاده شد. مطالعه حاضر سیستم استنتاج فازی ممدانی، تاکاگی سوگنو و سیستم استنتاج تطبیقی عصبی-فازی ((انفیس)) برای پیش بینی متاستاز سرطان پستان در مراحل اولیه را مورد استفاده قرار داد. نتایج: بهترین خطای پیش بینی با استفاده از سیستم استنتاج تطبیقی عصبی-فازی ((انفیس)) مبتنی بر الگوریتم خوشه بندی میانگین مراکز فازی به دست آمد. نظرات متخصصان در مرکز تحقیقات سرطان پستان در پژوهشکده سرطان معتمد و خطای پیش بینی مدل ارزیابی شده نشان داد که این سیستم پیش بینی به خوبی شکل گرفته است. نتیجه گیری: بهترین سیستم پیش بینی پیشنهادی می تواند به عنوان یک سیستم تصمیم یار بالینی برای کمک به پزشکان در فرآیند درمان مورد استفاده قرار گیرد.

اخیرا استفاده از مدل های ریاضی برای شبیه سازی کیفیت آب رودخانه ها توسعه زیادی یافته که به دلیل پیچیدگی و تعدد فرآیندهای کیفی منابع آب سطحی و وجود ضرایب و ثابت های شیمیایی و بیولوژیکی متعدد، استفاده از سیستم استنباط فازی - عصبی تطبیقی، روشی نو جهت پیش بینی کیفی رودخانه هاست. در این مقاله ضمن بیان مبانی این سیستم به منظور پیش بینی کیفی آبهای سطحی، کاربرد آن با مجموعه ای از داده های 16 ساله از اکسیژن محلول(DO)  و اکسیژن موردنیاز بیوشیمیایی(BOD)  از رودخانه زاینده رود نشان داده شده است. فرآیند توسعه و ارزیابی سه نوع مدل سیستم استنتاج فازی - عصبی تطبیقی در پیش بینی  (BOD)بر اساس مجموعه عوامل موثر در یک و دو ایستگاه قبل نشان داد که دبی، درجه حرارت و مقدار اکسیژن موردنیاز بیوشیمیایی در یک و دو ایستگاه قبل با مقدار ضریب تبیین 953/0 در مرحله واسنجی و 931/0 در مرحله اعتبارسنجی مناسب ترین مدل و برای پیش بینی اکسیژن محلول عوامل سرعت، عمق، درجه حرارت، عرض در سطح آب و اکسیژن محلول در یک ایستگاه قبل با مقدار ضریب تبیین 921/0 در مرحله واسنجی و 904/0 در مرحله اعتبارسنجی، مناسب ترین مدل است. در نهایت مقادیر پیش بینی شده بهنگام توسط مدل ها با مقادیر اندازه گیری شده مقایسه شد و نشان داده شد که سیستم استنباط فازی عصبی - تطبیقی عملکرد مناسبی دارد. استفاده از سیستم استنتاج فازی - عصبی تطبیقی می تواند به عنوان رهیافت کاربردی جدیدی در پیش بینی وضعیت کیفی رودخانه هایی که داده های کافی برای مراحل آموزش، واسنجی و اعتبارسنجی دارند، مطرح باشد. هرچند ساخت مدل های پیش بینی کیفی رودخانه ها با این سیستم نیاز به متخصص خبره و حجم داده پردازی زیاد دارد، ولی دقت پیش بینی آنها بسیار مناسب است.

نقش منابع انسانی در کاهش ریسک های منابع انسانی و به تبع آن ریسک های سازمانی و سودآوری سازمان، نقشی غیر قابل انکار و بسیار مهم است و نقش منابع انسانی چیزی فراتر از نقش های اداری و دفتری می باشد که متأسفانه این دیدگاه راجع به نقش مدیریت منابع انسانی در اکثر سازمان های پروژه محور وجود دارد و تاکنون ریسک اقدامات استراتژیک منابع انسانی، به خصوص در پروژه های صنعت ساخت کشور به صورت نظام مند ارزیابی نشده است. تحقیق حاضر با هدف شناسایی ریسک های موثر بر مدیریت منابع انسانی در پروژه های عمرانی و ارائه الگویی یکپارچه مبتنی بر سیستم استنتاج فازی-شبکه عصبی تطبیقی (ANFIS) جهت ارزیابی ریسک ها به نگارش درآمده است. با تعیین میزان احتمال، شدت اثر و نرخ وقوع ریسک ها، در مجموع 9 عامل ریسک شامل (1) کمبود و فقدان بلوغ و دانش کارکنان متخصص، (2) تنش های شغلی، (3) بی انگیزگی کارکنان، (4) عدم توجه به فرآیند مدیریت عملکرد و ارائه بازخورد، (5) کمبود منابع مالی برای تخصیص پاداش به فعالیت های نوآورانه، (6) اتخاذ سیاست های پرداخت نامناسب، (7) عملکرد تبعیض آمیز بین منابع انسانی، (8) عدم برخورداری از دانش و مهارت های فنی و (9) عدم برخورداری از مهارت اعتمادسازی بین کارکنان به عنوان ریسک های بحرانی (غیرمجاز) شناسایی شد. نتایج معیارهای ضریب همبستگی جهت تعیین مقدار خطای دو روش ارائه شده نشان داد که داده های تصادفی نسبت به داده های واقعی خبرگان، ضریب همبستگی بیشتری داشته و نتایج حاصل از آنها با دقت بالایی رضایت بخش است. همچنین تحلیل کیفی و کمی ریسک ها با روش (انفیس) و براساس نظرات خبرگان و داده های تصادفی نشان داد که اگر ریسک ها در پروژه هایی که برای اولین بار اجرا می شوند یا دسترسی به خبرگان به تعداد مورد نیاز موجود نباشد، با اتخاذ و انتخاب داده های ورودی تصادفی مناسب از بین بازه های فازی به جای نظر خبرگان و تحلیل آنها با روش (انفیس)، نتایج قابل قبولی حاصل می گردد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

تخمین ضریب اصطکاک در لوله ها در بسیاری از مسائل مهندسی آب و فاضلاب، مانند توزیع سرعت و تنش برشی، فرسایش، انتقال رسوب و افت هد، اهمیت ویژه ای دارد. در تحلیل این گونه مسائل با دانستن ضریب اصطکاک، می توان تخمین دقیق تری از آنها به دست آورد. در این تحقیق به منظور تخمین ضریب اصطکاک در لوله ها با استفاده از سیستم تطبیقی استنتاج فازی- عصبی، روش افراز شبکه ای مورد استفاده قرار گرفت. برای آموزش و تست مدل فازی- عصبی از داده های به دست آمده از معادله کلبروک استفاده گردید. در روش فازی- عصبی، زبری نسبی لوله و عدد رینولدز، متغیرهای ورودی و ضریب اصطکاک متغیر خروجی در نظر گرفته می شود. عملکرد مدل ارائه شده با استفاده از داده های برداشت شده از معادله کلبروک و بر مبنای شاخصهای آماری ضریب تعیین، جذر میانگین مجذورات خطا و میانگین خطای مطلق ارزیابی گردیدند. مقایسه نتایج نشان داد که مدل سیستم تطبیقی استنتاج فازی-عصبی با روش گسسته سازی شبکه ای و تابع عضویت ورودی گوسین و خروجی خطی، ضریب اصطکاک را با دقت بیشتری نسبت به دیگر حالات برآورد می نماید. رهیافت جدید ارائه شده در این تحقیق قابلیت کاربرد در مسائل طراحی کاربردی و نیز قابلیت اتصال و ترکیب با مدل های ریاضی و عددی انتقال رسوب و به هنگام سازی نتایج آنها را در شرایط واقعی دارد.

ابهام و عدم قطعیت موجود در ماهیت و محدودیت شناختی ذهن انسان، همواره پیش بینی رفتار و مشخصات ناشناخته سیستم هایی را که با انسان سروکار دارند، دشوار می سازد. درنتیجه، پیش بینی در این حوزه، نیازمند ساخت مدل هایی است که ابهام را به عنوان بخشی از سیستم در نظر گرفته و مدلسازی کند. هدف از این مقاله بهره گیری از هوش مصنوعی و الگوریتم های بهینه سازی پیشرفته برای مدلسازی کارایی کارکنان است که در این بررسی از متغیرهای هوش هیجانی و ویژگی های فردی به عنوان ورودی و از سه بعد وظیفه شناسی، دقت در کار و سرعت در کار به عنوان خروجی مدل پیش بینی کارایی امدادگران و گازبانان شرکت گاز استفاده شده است.در نهایت، به منظور مدلسازی کارایی، با ترکیب الگوریتم ژنتیک و روش تجزیه مقادیر منفرد با سیستم استنتاج فازی عصبی، سیستم بهینه استنتاج عصبی- فازی تطبیقی بر اساس داده های واقعی به کار گرفته شد. این سیستم قادر است با وجود پیچیدگی و ناشناخته بودن رفتار در حوزه منابع انسانی، کارایی کارکنان را با حداقل خطای آموزش، حداقل خطای پیش بینی و حداکثر انطباق پذیری با کارایی واقعی پیش بینی کند به طوری که بر اساس الگوریتم معرفی شده، در مورد 84 تا 96 درصد از رکوردهای مورد بررسی، ابعاد کارایی به طور دقیق برابر با مقدار واقعی پیش بینی می شوند.