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.

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.

زمینه و هدف: از مشکلات مهم زیست محیطی، تولید انبوه پسماندهای شهری است که با رشد روزافزون جمعیت، سرانه تولید پسماند خانگی افزایش یافته است؛ ازاین رو امروزه استفاده از سامانه های هوشمند به عنوان راهکاری نوین در تحلیل مسایل محیط زیستی گسترش یافته است. تخمین پسماند خانگی از طریق مدلسازی، از جمله استفاده از شبکه فازی-عصبی، موجب مدیریت بهتر آن می شود. بنابراین تحقیق حاضر با هدف بررسی عوامل اجتماعی-اقتصادی بر روی تولید پسماند خانگی با استفاده از سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) ارایه یک روش مناسب و قابل اطمینان برای مدلسازی تولید پسماند خانگی در شهر تبریز انجام گرفت. روش بررسی: در این پژوهش با بهره گیری از سیستم استنتاج فازی-عصبی تطبیقی (AFNIS) با روش خوشه بندی فازی (FCM) اقدام به پیش بینی تولید پسماند خانگی شهر تبریز شده است. با توجه به ماهیت موضوع و شاخص های مورد بررسی، اطلاعات گردآوری شده در این پژوهش توصیفی بوده و با استفاده از فرم جمع آوری داده از دانش آموزان مدارس شهر تبریز جمع آوری گردید. همچنین عوامل اقتصادی-اجتماعی با استفاده از نرم افزار SPSS نسخه 26 مورد آنالیز آماری قرار گرفت و پارامترهای موثر بر تولید پسماند خانگی شهر تبریز برای مدلسازی در نرم افزار متلب مورد استفاده قرار گرفت. یافته ها: نتایج مطالعه نشان داد که سیستم استنتاج فازی-عصبی تطبیقی با روش خوشه بندی فازی دارای عملکرد قابل قبولی R (0/75)، برای تولید پسماند خانگی شهر تبریز است. نتیجه گیری: طبق نتایج بدست آمده براساس شاخص آماری، مدل پیش بینی شده در تولید پسماند خانگی در روش خوشه بندی فازی با بیشترین R (0/75) و کمترین خطا، مدل عملکرد قابل قبولی در پیش بینی تولید پسماند خشک خانگی منطقه مطالعه شده را 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.

نمودارهای کنترل سنتی مبتنی بر این فرض اساسی هستند که دادههای فرآیند بطور متوالی مستقل از یکدیگر بوده و دارایتوزیع نرمال میباشند. این در حالی است که در بسیاری از موارد در دنیای واقعی از جمله در فرآیندهای شیمیایی و پیوسته این فرضاساسی وجود ندارد و بین دادههای جمع آوری شده از فرآیند نوعی خودهمبستگی وجود دارد. استفاده از نمودارهای کنترل سنتی درفرآیندهای خود همبسته غیرقابل اطمینان بوده و باعث افزایش اخطارهای اشتباه میشود. یکی از روشهای توسعه داده شده به منظورکنترل فرآیندهای خودهمبسته، شناسایی ساختار سریهای زمانی فرآیند و استفاده از مقادیر باقیماندهها به منظور کنترل فرآیند میباشد. در این مقاله از یک مدل مبتنی بر سیستمهای تطبیقی عصبی-فازی به منظور شناسایی ساختار سریهای زمانی و پیش بینی استفادهطراحی میشود. در AR(2) شده است. همچنین نمودارهای کنترل باقیمانده مبتنی بر این سیستم برای دادههای خود برگشتی درجه 2و برای )EWMA( نهایت با استفاده از دادههای شبیه سازی شده، کارایی روش پیشنهادی در نمودار میانگین متحرک موزون نمائیدرجههای مختلفی از همبستگی مورد ارزیابی قرار میگیرد.

در این مطالعه، از سامانه استنتاج فازی-عصبی تطبیقی برای مدل سازی فرایند تصفیه فاضلاب لجن فعال پتروشیمی مبین استفاده شد. این مدل برای پیش بینی غلظت اکسیژن مورد نیاز شیمیایی خروجی مورد استفاده قرار گرفت و ضریب همبستگی بین پارامترهای ورودی و کیفیت جریان خروجی محاسبه شد. پارامتر ورودی با بیشترین تاثیر بر کیفیت جریان خروجی تعیین شد و بر اساس آن، سه ساختار فازی- عصبی تطبیقی مستقل با تعداد پارامترهای گوناگون بررسی شد. پیش بینی های مدل های فازی- عصبی تطبیقی با پیش بینی های مدل شبکه عصبی مصنوعی چندلایه با ساختاری مشابه مقایسه شدند. بررسی نتایج به دست آمده نشان می دهد که هر دو روش هوش مصنوعی، روش های مدل سازی منعطف، با دوام و موثری را برای سیستم لجن فعال ارائه می دهند. همچنین، پس از مقایسه خطای پیش بینی هر یک از این دو روش، مشاهده می شود که با استفاده از سیستم استنتاج فازی-عصبی تطبیقی (با مجذور میانگین مربعات خطای 5.14 برای داده های آزمایش) می توان به نتایج بهتر و بازدهی بالاتری نسبت به شبکه عصبی مصنوعی (با مجذور میانگین مربعات خطای 6.59 برای داده های آزمایش) دست یافت.

در این مقاله، مراحل طراحی یک کنترل کننده تطبیقی افق پیش رونده چند مدلی برای یک سیستم دینامیکی غیرخطی مورد بررسی قرار گرفته است. برای پیاده سازی این ساختار کنترلی از سیستم استنتاج فازی تاکاگی-سوگنو-کنگ (TSK) برای پیش بینی کردن رفتار سیستم دینامیکی روی یک افق پیش رونده استفاده شده است. در کنترل کننده پیشنهادی، بخش خطی مدل فازی TSK به عنوان یک مدل خطی برای پیاده سازی کنترل کننده افق پیش رونده چند مرحله ای برای محاسبه دنباله ورودی کنترلی بهینه مورد استفاده قرار می گیرد. تخمین پارامترهای این بخش از TSK برعهده یک قانون تطبیق بازگشتی برخط بوده و پارامترهای بخش تالی مدل TSK به صورت برون خط تعیین می گردند. برای تولید مدل فازی، فضای ورودی-خروجی به کمک خوشه بندی فازی تقسیم بندی می شود. هر خوشه یک ناحیه عملکردی از سیستم دینامیکی پیچیده را در فضای ورودی-خروجی نمایش می دهد. در استراتژی کنترلی پیشنهادی، فرض بر این است که متغیرهای استفاده شده در بخش تالی قواعد همان متغیرهای مورد استفاده در بخش پیرو قواعد هستند. برای کنترل مناسب سیستم غیرخطی از یک مدل چندگانه روی افق پیش رونده استفاده می شود. به منظور ارزیابی استراتژی کنترلی پیشنهادی، ساختار کنترلی پیشنهادی برای کنترل توان یک راکتور هسته ای در مسئله تعقیب بار مورد استفاده قرار گرفته است. نتایج شبیه سازی نشان دهنده عملکرد خوب ساختار کنترلی پیشنهادی است.