الگوریتم های کنترل سازه با استفاده از شبکه عصبی ( Neural networks )

الگوریتم های کنترلی که به طور گسترده در کنترل فعال گزارش شده اند عبارتند از :

1-کنترل بهینه کلاسیک                                                                      (  Classical optimal control)

2- تکنیک تخصیص قطب                                                               ( Pole assignment technique )

3- کنترل بهینه آنی                                                                        (Instantanoues optimal control)

4- کنترل فضای مودال مستقل                                              (Independent modal space control)

5- کنترل پالس                                                                                             (Pulse control)

6-کنترل فیدبک تعمیم یافته                                                        (Generelized feedback control)

بعضی از الگوریتم های کنترلی استفاده شده در مطالعات کنترل نیمه فعال عبارتند از :

1-   کنترل گر بنگ بنگ نامتمرکز ........................ (Decentralized bang-bang control )

2-   کنترل گر لیاپانوف ..................................................... (Lyapunov controller)

3-   الگوریتم اصطکاک همگن تنظیم شده ........ (Modulated homogenous friction algorithm)

4-   کنترل گر بهینه برشی............................................ (clipped optimal controller)

5-   استهلاک انرژی ماکزیمم .................................... (maximum energy dissipation)

6-   کنترل مود لغزشی ............................................(Sliding mode control (SMC))

7-   کنترل  H¥/H2

8-   کنترل پس گام  ...................................................... ( Backstepping control)

9-   تئوری فیدبک کمیتی   ...................................... (Quantitative feedback theory)

10- الگوریتم تنظیم کننده درجه دوم خطی .................. ( linear Quadratic Regulator (LQR))

11- الگوریتم LQR تعمیم یافته

12- الگوریتم حوزه تغییر مکان- شتاب 

و در نهایت الگوریتم های مبتنی بر کنترل هوشمند عبارتند از :

1- شبکه های عصبی                                                             (  Neural networks)

2- منطق فازی                                                                                ( Fuzzy logic)

3- الگوریتم ژنتیک                                                                     ( Genetic algorithm)

در این پاور پوینت الگوریتم کنترلی با استفاده از شبکه عصبی بعنوان یکی از الگوریتمهای مدرن کنترلی سازه ها ارائه شده است. این پاور پوینت 25اسلاید داشته و در ابتدا نسبت به نحوه پیدایش ، معماریشبکه عصبی و نحوه آموزش توضیحاتی داشته و در ادامه روشهای کنترل فعال سازه بکمک شبکه عصبی  را  ارائه می دهد.

مقایسه روش های پرسپترون چند لایه ، تابع اساسی و بهینه سازی کمینه ترتیبی برای دسته بندی داده ها

در ایم مقاله سعی شده است که با در دست داشتن 5 مجموعه داده ای خاص، دقت سه روش پرسپترون چند لایه ای ، تابع دشعاعی اساسی و بهینه سازی کمینه ترتیبی برای دسته بندی داده ها با در نظر گرفتن معیار دقت مورد مقایسه قرار گیرند....

مقاله بررسی پیش بینی رسوبات معلق با استفاده از ترکیب منحنی سنجه رسوب و شبکه عصبی مصنوعی

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 21 صفحه

چکیده

برآورد بار رسوبی در رودخانه­ها با توجه به خسارات ناشی از آن، یکی از مهم­ترین و مشکل­ترین قسمت­های مطالعات انتقال رسوب و مهندسی رودخانه است. بنابراین دست یافتن به شیوه­های نوین و خلاقانه که بتواند در این راستا موثر واقع گردد دارای اهمیت خارق­العاده­ای است.در این تحقیق کاربرد روش سیستم عصبی مصنوعی (ANN) در بهینه­سازی نتایج مدلی مبتنی بر روش منحنی سنجه­ی رسوب (SRC) برای پیش­بینی بار معلق جریان مورد بررسی قرار گرفته است. برای این منظور ایستگاه یزدکان واقع بر رودخانه­ی قطورچای در نظر گرفته شد. یک مدل رگرسیونی به کمک روش SRC ساخته شد که با کمک داده­های دبی در ایستگاه مذکور میزان بار معلق در همان ایستگاه  پیش­بینی می­گردد. پس از ساختن مدل به کمک این روش، یک مدل ANNمورد استفاده قرار گرفت که دقیقا از داده­های مشابه استفاده نموده و سپس با استفاده از آن دو، مدل ترکیبی ساخته شد. لازم به ذکر است که قبل از کاربرد ترکیبی این دو روش (َANN و SRC)،  هر یک از این روش­ها به تنهایی مورد استفاده قرار گرفته و نتایج حاصل  با مقادیر واقعی مقایسه گردیده بود. نتایج حاصل از کاربرد ترکیبی این مدل­ها از کیفیت به مراتب بالاتری نسبت به کاربرد هر یک از آنها به تنهایی برخوردار است. به طوری که میزان Dr از عدد 402/1 در روش SRCو 395/2- در مدل ANN به مقدار 963/0 در یکی از مدل­های ترکیبی تعدیل یافته است. هم­چنین میزان ریشه میانگین مربعات خطا که به ترتیب برای SRC و ANN به تنهایی  286/692 و 96/616 حاصل گشته بود به عدد 094/603 کاهش پیدا کرد. 

مقدمه :

موضوع انتقال رسوب سال­هاست که مورد توجه مهندسین قرار گرفته است. روش­های مختلفی برای حل مسایل رسوب به کار گرفته شده است که نتیجه­ی آن معادلات تجربی متعددی است که توسط صاحبنظران امر ارائه شده است. گرچه نتایج این روش­ها با یکدیگر و با نتایج تجربی اختلاف چشمگیری دارند اما با توجه به اینکه اندازه­گیری رسوب رودخانه به طور محدود و معدود انجام می­شود، جهت برآورد بار رسوبی رودخانه در مواقع مورد نیاز می­توان از این معادلات استفاده کرد. اما مشکل استفاده از معادلات، از آنجایی که معادلات موجود بر اساس شرایط اقلیمی یا آزمایشگاهی سایر نقاط جهان به دست آمده­اند،این است که باید برای استفاده در رودخانه­های ایران واسنجی شده و معادله­ی بهینه انتخاب گردد. لذا این مشکل ذهن محقق را به سمت روش­هایی نوین فارغ از نیاز به معادلات مذکور سوق می­دهد. در این میان می­توان از روش هوش مصنوعی که مبتنی بر روابط حاکم بر طبیعت است و از قدرت انعطاف­پذیری بالایی برخوردار است استفاده نمود. در این زمینه می­توان به تحقیقاتی بیشماریکه در قسمت­های مختلف جهان صورت پذیرفته است، اشاره نمود.

منتظر و همکاران (1381) برای تخمین میزان رسوب رودخانه بازفت در محل ایستگاه هیدرومتری مرغک از دو شبکه پرسپترون و شبکه پاد انتشار استفاده کردند و در نهایت نتایج حاصل از شبکه ها را با روش منحنی سنجه رسوب مقایسه کردند(4). راحت­طلب نخجیری و همکاران (1383) به سنجش و گزینش مناسب­ترین روش­های برآورد بار کف (16 رابطه­ی مختلف) در رودخانه­ی زرین­گل استان گلستان پرداختند (2). نظم­آرا (1385) در مطالعه­ای روی رودخانه­ی آجی­چای با کمک شبکه­ی عصبی مصنوعی به تعیین بار معلق رودخانه پرداخت(5).فتاحی و همکاران (1385) میزان رسوب رودخانه نکا را به کمک شبکه عصبی مصنوعی برآورد کردند. در این تحقیق برای برآورد رسوب از شبکه عصبی و نیز روش های رگرسیونی (منحنی سنجه) رسوب استفاده شده است

الگوریتم های کنترل سازه با استفاده از شبکه عصبی ( Neural networks )

الگوریتم های کنترلی که به طور گسترده در کنترل فعال گزارش شده اند عبارتند از :

1-کنترل بهینه کلاسیک                                                                      (  Classical optimal control)

2- تکنیک تخصیص قطب                                                               ( Pole assignment technique )

3- کنترل بهینه آنی                                                                        (Instantanoues optimal control)

4- کنترل فضای مودال مستقل                                              (Independent modal space control)

5- کنترل پالس                                                                                             (Pulse control)

6-کنترل فیدبک تعمیم یافته                                                        (Generelized feedback control)

بعضی از الگوریتم های کنترلی استفاده شده در مطالعات کنترل نیمه فعال عبارتند از :

1-   کنترل گر بنگ بنگ نامتمرکز ........................ (Decentralized bang-bang control )

2-   کنترل گر لیاپانوف ..................................................... (Lyapunov controller)

3-   الگوریتم اصطکاک همگن تنظیم شده ........ (Modulated homogenous friction algorithm)

4-   کنترل گر بهینه برشی............................................ (clipped optimal controller)

5-   استهلاک انرژی ماکزیمم .................................... (maximum energy dissipation)

6-   کنترل مود لغزشی ............................................(Sliding mode control (SMC))

7-   کنترل  H¥/H2

8-   کنترل پس گام  ...................................................... ( Backstepping control)

9-   تئوری فیدبک کمیتی   ...................................... (Quantitative feedback theory)

10- الگوریتم تنظیم کننده درجه دوم خطی .................. ( linear Quadratic Regulator (LQR))

11- الگوریتم LQR تعمیم یافته

12- الگوریتم حوزه تغییر مکان- شتاب 

و در نهایت الگوریتم های مبتنی بر کنترل هوشمند عبارتند از :

1- شبکه های عصبی                                                             (  Neural networks)

2- منطق فازی                                                                                ( Fuzzy logic)

3- الگوریتم ژنتیک                                                                     ( Genetic algorithm)

در این پاور پوینت الگوریتم کنترلی با استفاده از شبکه عصبی بعنوان یکی از الگوریتمهای مدرن کنترلی سازه ها ارائه شده است. این پاور پوینت 25اسلاید داشته و در ابتدا نسبت به نحوه پیدایش ، معماریشبکه عصبی و نحوه آموزش توضیحاتی داشته و در ادامه روشهای کنترل فعال سازه بکمک شبکه عصبی  را  ارائه می دهد.