با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
1 |
High strain rate micro-compression for crystal plasticity constitutive law parameters identification
میزان فشار بالا فشرده سازی میکرو برای شناسایی پارامترهای قانون سازنده انعطاف پذیری کریستال-2020 Microcompression tests were performed on single crystal copper micropillars at 10−2 s−1 and 102 s−1 in
the [100], [110] and [111] orientations, to provide inputs for crystal plasticity strain rate sensitive parameters
inverse identification. The identification procedure used full pillar geometry finite element simulations.
An identifiability indicator based on the cost functions hessian matrix approximate close to the
minimum was used to assess the uniqueness and stability of the identified coefficients. Experimental
microcompression tests displayed a strain rate sensitive behaviour in the [100] crystal orientation. The
[110] and [111] orientations were less sensitive and were not used for identification. Stress-strain curve
sensitivity plots revealed that the higher the strain rate, the better the sensitivity. This was attributed to
high strain rates concentration in the shear bands as the strain rate increases. Identification on experimental
data well represented the single crystal strain rate sensitivity in the [100] orientations. A unique solution
was found using only a single orientation. Keywords: Micropillar compression | Crystal plasticity finite element | Inverse identification | Identifiability analysis |
مقاله انگلیسی |
2 |
Comparative analysis of surface water quality prediction performance and identification of key water parameters using different machine learning models based on big data
تجزیه و تحلیل مقایسه ای عملکرد پیش بینی کیفیت آب سطحی و شناسایی پارامترهای کلیدی آب با استفاده از مدل های مختلف یادگیری ماشین بر اساس داده های بزرگ-2020 The water quality prediction performance of machine learning models may be not only dependent on the
models, but also dependent on the parameters in data set chosen for training the learning models.
Moreover, the key water parameters should also be identified by the learning models, in order to further
reduce prediction costs and improve prediction efficiency. Here we endeavored for the first time to
compare the water quality prediction performance of 10 learning models (7 traditional and 3 ensemble
models) using big data (33,612 observations) from the major rivers and lakes in China from 2012 to 2018,
based on the precision, recall, F1-score, weighted F1-score, and explore the potential key water parameters
for future model prediction. Our results showed that the bigger data could improve the performance
of learning models in prediction of water quality. Compared to other 7 models, decision tree
(DT), random forest (RF) and deep cascade forest (DCF) trained by data sets of pH, DO, CODMn, and NH3
eN had significantly better performance in prediction of all 6 Levels of water quality recommended by
Chinese government. Moreover, two key water parameter sets (DO, CODMn, and NH3eN; CODMn, and
NH3eN) were identified and validated by DT, RF and DCF to be high specificities for perdition water
quality. Therefore, DT, RF and DCF with selected key water parameters could be prioritized for future
water quality monitoring and providing timely water quality warning. Keywords: Water quality prediction | Machine learning models | Ensemble methods | Deep cascade forest | The key water parameters |
مقاله انگلیسی |
3 |
روش تشخیص فیدر خطادار با یک قطب زمین شده بر اساس شناسایی پارامتر در شبکههای توزیع MVDC
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 21 تشخیص فیدر خطادار با تک قطب زمین شده در سیستمهای توزیع MVDC زمین نشده یا زمین شده با امپدانس بالا یک کار چالشبرانگیز است، زیرا این خطا نمیتواند جریان خطای ماندگار و قابلتوجهی را فراهم کند. برای حل این مشکل، شبکه خطای حالت صفر سیستم MVDC شعاعی تحلیل میشود و یک الگوریتم مبتنی بر تعیین کاپاسیتانس تا زمین شبکه خطای حالت صفر فیدر ارائه میشود. سپس بر اساس خطای خارجی، مدل ریاضی شبکه حالت صفر برای هر فیدر ساخته میشود. ولتاژها و جریانهای گذرای حالت صفر هر یک از فیدرها برای محاسبه کاپاسیتانس تا زمین شبکه خطای حالت صفر استفاده میشوند. برای فیدر سالم، شبکه خطای حالت صفر، خود شبکه حالت صفر است و کاپاسیتانس محاسبهشده تا زمین مثبت است. اما شبکه خطای حالت صفر فیدر خطادار یک شبکه حالت صفر معادل سیستم سالم آن است و کاپاسیتانس محاسبهشده آن تا زمین منفی است. این مشخصه¬ی نظریه بنیادین الگوریتم پیشنهادی است. با توجه به خطای محاسبه، پلاریته مقدار میانگین و انحراف کاپاسیتانس¬های محاسبهشده و تعداد کاپاسیتانس¬های محاسبهشدهی مثبت برای تشخیص فیدر خطادار استفاده میشوند. نتایج شبیهسازی نشان میدهد که الگوریتم پیشنهادی برای تشخیص خطای زمین امپدانس بالا دقیق، معتبر و حساستر است. |
مقاله ترجمه شده |
4 |
Blade resonance parameter identification based on tip-timing method without the once-per revolution sensor
شناسایی پارامتر رزونانس تیغه مبتنی بر روش راس زمان گیری بدون سنسور یک بار در هر تغییر-2016 Blade tip-timing is the most effective method for blade vibration online measurement of turbomachinery. In this article a synchronous resonance vibration measurement method of blade based on tip-timing is presented. This method requires no once-per revolution sensor which makes it more generally applicable in the condition where this sensor is difficult to install, especially for the high-pressure rotors of dual-rotor engines. Only three casing mounted probes are required to identify the engine order, amplitude, natural frequency and the damping coefficient of the blade. A method is developed to identify the blade which a tip-timing data belongs to without once-per revolution sensor. Theoretical analyses of resonance parameter measurement are presented. Theoretic error of the method is investigated and corrected. Experiments are conducted and the results indicate that blade resonance parameter identification is achieved without once-per revolution sensor.& 2015 Elsevier Ltd. All rights reserved.
Keywords: Blade tip-timing | Blade vibration | Parameter identification |
مقاله انگلیسی |
5 |
ارزیابی روش های تجزیه و تحلیل میزان حساسیت جهانی برای زمانبندی پروژه
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 36 توسعه محصول , نیاز به برنامه ریزی دارد که بر وابستگی متقابل میان فعالیت ها , تمرکز داشته باشد. تعریف وابستگی ومدت زمان فعالیت، زمان ارتباط و سطح همپوشانی بین فعالیت ها , برای برنامه ریزی پروژه مورد نیاز است. با این حال، این پارامترها دارای عدم قطعیت شناختی هستند , که می تواند بر برنامه ریزی پروژه تاثیر بگذارد. در این کار، روش های تجزیه و تحلیل حساسیت های جهانی متفاوتی , برای شناسایی پارامترهایی که بیشترین تاثیر را بر برنامه ریزی پروژه دارند , استفاده شد. اینگونه نتیجه گیری شد که ضرایب رگرسیون استاندارد شده و همچنین به عنوان روش Morris و Sobol’–Jansen مناسب ترین روش ها هستند . همچنین مشخص شد که تجزیه و تحلیل میزان حساسیت جهانی می تواند به تمرکز بر منابع بر اساس تعاریف و کنترل عدم قطعیت فعالیت های کلیدی , کمک کند . علاوه بر این، اینگونه نتیجه گرفته شد که کنترل عدم اطمینان از فعالیت های کلیدی , باعث کاهش میزان عدم قطعیت و مدت زمان پروژه میشود .
کلمات کلیدی: ماتریس ساختار وابستگی | مدت زمان پروژه | تجزیه و تحلیل حساسیت | همپوشانی | زمانبندی |
مقاله ترجمه شده |