در دنیای پیشرفته امروز، به ویژه در حوزه های مهندسی مکانیک و صنایع هوافضا، کامپوزیت ها به دلیل ویژگی منحصربه فرد استحکام بالا در کنار وزن کم، جایگاه برجسته ای یافته اند. با این حال، رفتار پیچیده این مواد، تحلیل دقیق و ابزارهای پیشرفته ای را برای مدل سازی و پیش بینی آسیب های ساختاری آن ها می طلبد. پژوهش حاضر با بهره گیری از ترکیب مدل های چندمقیاسی مزو-ماکرو و مفاهیم مکانیک آسیب پیوسته، رویکردی نوین برای تحلیل و ارزیابی خرابی در ساختارهای کامپوزیتی ارائه می کند. این مطالعه از چارچوب مدل های چندمقیاسی شبه همزمان بهره می گیرد که با استفاده از روش های پیشرفته شبیه سازی المان محدود و ابزارهای پردازش تصویر، امکان تحلیل جامع ترک خوردگی زمینه و شکست الیاف را فراهم می سازد. افزون بر این، زیربرنامه ای مبتنی بر مفاهیم مکانیک خرابی پیوسته در نرم افزار المان محدود میتوان توسعه داد که قادر باشد تکامل آسیب ها، از جمله پیشرفت ترک ها، شکست الیاف و پیش بینی بار نهایی شکست سازه های کامپوزیت را به صورت پیش رونده تحلیل کند. از سوی دیگر، به کارگیری روش های هوش مصنوعی، به ویژه در پردازش تصویر، سبب کاهش زمان و هزینه های محاسباتی شده و دقت تحلیل های مکانیکی را به طرز چشمگیری افزایش داده است. این رویکردهای چندمقیاسی هوشمند نقشی کلیدی در بهینه سازی طراحی و پیش بینی دقیق مکانیزم های خرابی ایفا می کنند. این روش ها، به ویژه در کاربردهای پیچیده و حساس هوافضایی، ابزارهای مؤثری برای ارتقای عملکرد و قابلیت اطمینان ساختارهای کامپوزیت ها به شمار می روند.

1مقدمه: در امریکا، پرستاران متخصص فوق لیسانس و دکترا،  به دلیل کمبود پزشک در مناطق دورافتاده، مشکلات سلامتی گروه­های مختلف جامعه را مشابه پزشکان تشخیص داده و درمان می­کنند. هدف این مطالعه مرور جنبه های مختلف نسخه نویسی پرستاری در امریکا به عنوان یک الگو برای سیاستگذاری و توسعه این نقش در ایران است. روش کار: با مرور حیطه­ای به روش (Arksey & O'Malley, 2005)، در موتور جستجوی گوگل اسکولار و پایگاه داده PubMed ، با معیارهای ورود مقالات و مستندات به زبان انگلیسی، مرتبط با جنبه های مختلف نسخه نویسی پرستاری امریکا منتشر شده بین سال های 2010 و 2022 جستجو شد. همچنین با جستجو در موتور جستجوی گوگل، قوانین و مقررات، دستورالعمل ها و وب­سایت دانشگاه های امریکا جستجو شدند. از تحلیل محتوای کیفی به شیوه  (Elo & Kyngäs, 2008) برای تحلیل داده استفاده شد. از چک لیست PRISMA-ScR برای گزارش نتایج استفاده شد. یافته ها:  16 مقاله، چهار وب سایت، پنج گایدلاین و چهار انجمن پرستاری وارد مرور شد. شش طبقه اصلی شامل توسعه نقش پرستار متخصص، صلاحیت­ها و ویژگی­ها، نقش­ها و فعالیت ها، حیطه عملکرد، آموزش، مقررات مجوز نسخه نویسی و موانع توسعه نقش و همچنین 21 طبقه عمومی حاصل شد. نتیجه گیری:  در امریکا، پرستار متخصص دارای تحصیلات تکمیلی که آموزش ویژه نسخه نویسی را دریافت نموده است مجوز قانونی نسخه نویسی دریافت می­کند. افزایش رضایت بیمار و پرستار، ارائه مراقبت در دسترس و کم هزینه به خصوص در مناطق کم برخوردار از پیامدهای عملکرد این پرستاران است. مخالفت پزشکان با توسعه نقش پرستار نسخه نویس، ضرورت همکاری و نظارت پزشک و قوانین بازپرداخت بیمه از چالش­های عملکرد آنها است. از مرور نسخه نویسی پرستاری در کشورهای پیشرو در این زمینه می­توان الگو گرفته و نسخه نویسی  پرستاری در ایران را سیاستگذاری کرد.

این تحقیق به منظور تعیین مناسب ترین تاریخ کاشت و معرفی رقم پر محصول تر جو در منطقه بردسیر کرمان و در مزرعه بانک کشاورزی با خاک لوم شنی در دو سال زراعی 78-1377 و 80-1379 اجرا شد. چهار تاریخ کاشت (15 و 30 مهرماه و 15 و 30 آبان ماه) و چهار رقم و لاین جو (ماکویی،CB-74-2 ،  MB-73-6و والفجر) با استفاده از آزمایش کرت های خرد شده در قالب طرح بلوک های کامل تصادفی با سه تکرار مورد بررسی قرار گرفتند. تجزیه واریانس، مقایسه میانگین تیمارها به روش دانکن و همبستگی صفات انجام و مدل رگرسیونی چند متغیره تعیین گردید. اثر تاریخ کاشت بر روی عملکرد دانه، تعداد دانه در سنبله، تعداد سنبله در مترمربع و ارتفاع گیاه در سطح احتمال خطای 1% معنی دار بود. اولین (15 مهرماه) و آخرین (30 آبان ماه) تاریخ های کاشت باعث کاهش تعداد دانه در سنبله، تعداد سنبله در مترمربع و ارتفاع گیاه و در نتیجه کاهش عملکرد گردیدند. بیشترین عملکرد مربوط به لاین C-74-2 در تاریخ کاشت های دوم و سوم به ترتیب6.861 و 6.503 تن در هکتار بود. بین صفات تعداد دانه در سنبله از یک سو و تعداد سنبله در مترمربع از سوی دیگر با عملکرد، همبستگی مثبت و معنی دار در سطح احتمال خطای 0.001 و بین ارتفاع گیاه و عملکرد همبستگی مثبت و معنی دار در سطح احتمال خطای 0.01 وجود داشت. از بین این صفات دو صفت تعداد دانه در سنبله و تعداد سنبله در مترمربع در مدل رگرسیون گام به گام قرار گرفتند (0.698=R2).