محاسبه وزن مواد بار کوره های ذوب، اغلب از راه موازنه جرم ساده عناصر آلیاژی در مواد ورودی و مذاب خروجی انجام می شود. اما در فرایندهای ذوب، پیچیدگی ها و پدیده های گوناگونی هست که اغلب در محاسبات موازنه جرم نادیده گرفته می شود و سبب عدم اطمینان در محاسبه بار کوره می گردد. خطای محاسبه، باعث اصلاح چندباره ذوب، تأخیر در تخلیه، افزایش هزینه و کاهش کیفیت مذاب می شود. در پژوهش حاضر تلاش بر این بوده که پیچیدگی ها و جنبه های مهم مساله ذوب، که اغلب نادیده گرفته شده، در کوره شناسایی و در یک مدل ریاضی مناسب درنظر گرفته شود. هدف پژوهش حاضر توسعه مدلی است، که نه تنها وزن مواد اولیه برای ترکیب شیمیایی ذوب هدف را بهینه سازی کند، بلکه هدررفت ناهمگن عناصر آلیاژی، ناخالصی های غیرفلزی مواد بار، و اصلاح ذوب اولیه در کوره را نیز درنظر بگیرد. این مقاله، یک مدل بهینه سازی استاندارد و یک الگوریتم حلقه ی تکرار برای موازنه جرم غیرخطی مساله ذوب ارایه می کند. یک مساله ذوب آلیاژ برنج با 7 عنصر آلیاژی و 8 نوع مواد بار در مقیاس صنعتی طرح و بررسی گردید، تا کارکرد مدل را مورد آزمایش قرار دهد. نتایج عددی مدل کسر وزنی مواد اولیه، و وزن و ترکیب شیمیایی ذوب اصلاح شده را با کمترین هزینه مواد نشان می دهد. تحلیل بهینه بودن جواب، تایید کرد که کمترین مقدار هزینه به دست آمده است. مدل استاندارد غیرخطی، ابزاری قابل اعتماد و سریع برای بهینه سازی هزینه و محاسبه بار کوره است که پتانسیل های قابل توجهی برای کاهش هزینه و تسهیل اتوماسیون صنعتی فرایند ذوب ایجاد می کند.

شکست یک سد خاکی می تواند موجب بروز بحرآن های شدید در ناحیه سیلاب زده پایین دست گردد. لذا تعیین دقیق ویژگی های شکافت و جریان در ارزیابی خطرهای حاصل از خرابی سد از اهمیت به سزایی برخوردار است. در این تحقیق از مدل های آزمایشگاهی با مصالح دآنه ای در اندازه و خصوصیت های مکانیکی مختلف برای مطالعه فرسایش و نقش آن در گسترش هندسی شکافت استفاده شده است. از رگرسیون چندمتغیره در توسعه رابطه جدید برای تعیین دبی اوج (Qp) بهره گیری شده که در آن پراسنجه های بدنه سد در کنار پراسنجه های هیدرولیکی به کار رفته اند. نتیجه ها نشان می دهد مشارکت این ویژگی ها توانسته کارآیی را در تعیین Qp حاصل از شکست سد خاکی ارتقا دهد. از آنجائی که نرخ تکامل عرض متوسط شکافت (Bave) و عمق آن (Hb) نقش اثرگذاری بر آب نمود خروجی دارد، علاوه بر ارائه رابطه های جدید برای این دو پراسنجه، با مشارکت منابع مختلف داده ای و استفاده از برنامه ریزی بیان ژن (GEP) در تعیین آن، محدوده تغییرات جدیدی برای نسبت های بی بعد Hb بر ارتفاع سد (Hd) و نیز Bave بر عرض بالایی (Bt) و پایینی آن (Bb) معرفی و خروجی آن به سدهای لغزشی نیز بسط داده شده است. بر مبنای شاخص های عملکردی و آماری در رابطه ها، مقدارهای ضریب R2 برای Qp معادل با 91/0، برای Bave معادل با 99/0 و برای Hb برابر با 97/0 به دست آمده است.

با توجه به اهمیت قیمت نفت، پیش بینی صحیح قیمت سبد نفت خام کشورهای عضو اوپک می تواند نقش به سزایی در ایمن سازی اقتصاد این کشورها در مقابل اثرات ناشی از این نوسانات داشته باشد. این پژوهش تلاشی در جهت معرفی یک الگوی مطلوب، به منظور مدل سازی و پیش بینی نوسانات قیمت نفت خام اوپک خواهد داشت. در این راستا از داده های روزانه قیمت نفت خام، طی دوره زمانی 02/01/1986 الی 13/02/2017 استفاده شده است. بر این اساس، وجود ویژگی حافظة بلندمدت در معادلات میانگین و واریانس قیمت نفت خام، مورد ارزیابی و مدل سازی قرار گرفت و نتایج مدل «ﻣﻴﺎﻧﮕﻴﻦ ﻣﺘﺤﺮک اﻧﺒﺎﺷﺘﻪ ﺟﺰﺋﻲ خودهمبسته»، مؤید وجود ویژگی حافظه بلندمدت در هر دو معادله میانگین و واریانس سری مذکور است. اما آزمون‏های انجام شده، رفتاری غیرخطی و نمایی را در واریانس قیمت نفت خام تایید می‏نمایند. از این رو نتایج به ویژه براساس معیارهای اطلاعات و نیز معیار درصد میانگین مطلق خطا حاکی از انتخاب مدل ترکیبی از الگوی ﻣﻴﺎﻧﮕﻴﻦ ﻣﺘﺤﺮک اﻧﺒﺎﺷﺘﻪ ﺟﺰﺋﻲ ﺧﻮدهمبسته و الگوی واریانس ناهمسانی شرطی نمایی یعنی مدل (1,1)EGARCH - (3,09/0,4) ARFIMA، به عنوان بهترین مدل جهت مدل سازی و پیش بینی نوسانات قیمت نفت خام اوپک است و عدم توجه به رفتار غیرخطی نمایی واریانس در حافظه بلندمدت قیمت نفت خام می‏تواند تحلیل‏گران و به ویژه تصمیم‏سازان اقتصادی را دچار خطای محاسباتی نموده و از سیاست بهینه منحرف سازد.

در این پژوهش سعی بر این است تا با استفاده از روش جدیداً مطرح شده مبتنی بر ساختار نرم افزاری میپل[1]، تحت عنوان روش اصلاح شده ی خاترز[2] جواب هایی از انواع جواب های سالیتونی، نمایی، هایپربولیک و مثلثاتی برای یکی از معادلات شرودینگر تحت عنوان معادله ی غیرخطی شرودینگر با قانون دوگانه غیرخطی مطرح شود. با توجه به طیف گسترده استفاده از معادله ی شرودینگر در فیزیک و مهندسی حل این معادله با استفاده از روش مذکور که در برگیرنده ی تنوع زیادی از جواب ها است اهمیت زیادی دارد

این مقاله به مدلسازی دینامیکی و کنترل بهینه غیرخطی یک وسیله هوایی با در نظر گرفتن مدل غیرخطی موتور پیشران می پردازد. بدین منظور معادلات دینامیک پرواز غیرخطی وسیله هوایی با در نظر گرفتن روابط غیرخطی حاکم بر موتور پیشران آن استخراج می شود. رابطه نیروی پیشرانش و مصرف سوخت موتور هوازی بیان و با معادلات دینامیک غیرخطی وسیله پرنده ترکیب می شود. با بیان فرمولاسیون کنترل بهینه غیرخطی وابسته به حالت، دینامیک غیرخطی جسم هوایی به عنوان معادلات قیدی مسئله در نظر گرفته شده و تابع هزینه شامل متغیرهای حالت و ورودی های کنترلی در لحاظ می شود. سپس تابع همیلتونین مسئله کنترل بهینه تشکیل و معادلات بهینگی بدست می آید. با حل عددی معادلات بهینگی، پارامترهای متعددی نظیر زاویه مسیر پرواز، عدم قطعیت، زاویه حمله و ضرایب وزنی کنترل بهینه در نظر گرفته شده و شبیه سازی متنوعی ارایه می شود. نتایج نشان می دهد، با افزایش زاویه حمله، زمان و تلاش کنترلی سامانه افزایش می یابد. با تغییر ضرایب وزنی مسئله کنترل بهینه، مسیرهای بهینه کنترلی متعددی ایجاد و افزایش ضرایب وزنی ورودی باعث کاهش مصرف سوخت بهینه می شود. مشاهده می شود که با تغییر پارامتر عدم قطعیت در مدلسازی، پاسخ گذرا سیستم تغییر کرده اما در نهایت روش کنترل بهینه توانمند در ردیابی مسیر مطلوب بوده است. با تغییر شرایط اولیه مختلف و پارامترهای مختلف، کنترل بهینه غیرخطی سیستم به خوبی انجام می شود که نشان دهنده کارایی روش پیشنهادی در مدلسازی و کنترل غیرخطی سیستم است.

مقدمه وهدف: امروزه مدل های رشد در سامانه های زیستی از اهمیت ویژه ای برخوردار می باشند. برای نمونه از طریق تجزیه و تحلیل و مطالعه منحنی های رشد در نشخوارکنندگان و طیور، این امکان وجود دارد تا مراحل رشد آنها را با قوانین شناخته شده رشد انطباق داده و به کمک آنها برنامه های مدیریتی و تغذیه ای جهت انتخاب و تاثیر بر پرورش و بهره وری دام ها ارائه نمود. به علاوه از منحنی های رشد می توان جهت ارزیابی پتانسیل ژنتیکی موجود زنده نیز استفاده کرد. این مطالعه به منظور بررسی قابلیت ها و مزیت های مدل های غیرخطی و مختلط غیرخطی در توصیف و بررسی الگوی رشد بلدرچین ژاپنی انجام شده است. مواد و روش ها: در این تحقیق اطلاعات رشد لاین های مختلف بلدرچین اعم از لاین سنگین وزن (HW)، سبک وزن (LW) و شاهد استفاده شد. به منظور بررسی و توصیف الگوی رشد بلدرچین های سه گروه، از سه مدل رشد لجستیک، گمپرتز و ریچارد هم به صورت غیرخطی و هم به صورت مختلط غیرخطی استفاده شد و این مدل ها با سه معیار ضریب تعیین (R2)، میانگین مربعات خطا (MSE) و معیار اطلاعات آکایک (AIC) با یکدیگر مقایسه شدند. یافته ها: مقادیر معیارهای ضریب تعیین (R2)، میانگین مربعات خطا(MSE) و معیار اطلاعات آکایک(AIC) به ترتیب برای مدل لجستیک غیرخطی (0/954، 74/034، 65829) و برای مدل گمپرتز غیرخطی به ترتیب (0/957، 72/56، 65307) و همچنین برای مدل ریچارد غیرخطی به ترتیب (0/951، 72/730، 65349) بدست آمد. همچنین سه معیار ضریب تعیین(R2)، میانگین مربعات خطا(MSE) و معیار اطلاعات آکایک (AIC) برای مدل لجستیک مختلط غیرخطی به ترتیب (0/976، 33/400، 61449) و برای مدل گمپرتز مختلط غیرخطی به ترتیب (0/978، 31/658، 60641) و همچنین برای مدل ریچارد مختلط غیرخطی به ترتیب (0/978، 31/849، 60591) بدست آمد، که مدل های مختلط غیرخطی به دلیل بالاتر بودن دقت و کمتر بودن خطا نسبت به مدل های غیرخطی برتری داشتند. نتیجه گیری: مدل رشد ریچارد مختلط با داشتن بالاترین دقت و کمترین خطا بهتر از سایر مدل ها می تواند رشد را در بلدرچین ژاپنی پیش بینی کند و توابع گمپرتز و لجستیک در رده های بعدی قرار دارند. در میان مدل های غیرخطی به ترتیب مدل گمپرتز، ریچارد و لجستیک برازش بهتری داشتند و در میان مدل های مختلط غیرخطی به ترتیب برازش مدل های ریچارد، گمپرتز و لجستیک بهتر بود. در بین توابع مدل لجستیک غیرخطی به دلیل کمتر بودن دقت و بیشتر بودن خطا توصیف مناسبی از منحنی رشد بلدرچین ندارد.

در این مقاله یک شبکه عصبی فازی نوع-2 بازگشتی جدید جهت شناسایی سیستم­های دینامیکی غیرخطی ارائه می­گردد. ساختار شبکه عصبی فازی نوع-2 جدید با قسمت "آنگاه" غیرخطی، دارای 8 لایه می­باشد. در لایه­های 0، 1 و 2 عملیات فازی سازی انجام شده و حدود بالا و پایین درجه عضویت تعیین می­شود. در لایه­های 3 و 4 عملیات نرمال­سازی و وزن­دهی انجام می­گردد. در لایه 5، توابع غیرخطی مثلثاتی وجود دارند که در واقع قسمت "آنگاه" سیستم فازی را تشکیل داده و فیدبک بازگشتی از لایه خروجی به این لایه وارد می­شود. در انتها در لایه­های 6 و 7 عملیات فازی­زدایی و محاسبه خروجی انجام می­گیرد. جهت بررسی و ارزیابی عملکرد شبکه در شناسایی سیستم، اطلاعات ورودی-خروجی دو سیستم فیزیکی (یک موتور DC و یک بازوی ربات منعطف) به شبکه عصبی فازی نوع-2 بازگشتی اعمال شده است. این پژوهش کاملا آزمایشگاهی و عملی بوده و به عبارتی بهره­برداری از تکنیک­های هوش مصنوعی در کار عملیاتی است. از نوآوری­های این مقاله علاوه بر ارائه شبکه عصبی جدید، تولید سیگنال مناسب جهت تحریک سیستم، استخراج داده از سیستم­های عملی، پیش پردازش داده (حذف داده پرت، تخمین داده ناموجود و نرمال­سازی داده­ها) می­باشد. در شبیه­سازی، معیار مجذور میانگین مربعات خطا نشان می­دهد که روش پیشنهادی با اختلاف فراوانی از سایر روش­ها، عملکرد مناسب­تر دارد.