تحقیق تخمین توابع ترمودینامیکی محلولهای مائی

اختصاصی از ژیکو تحقیق تخمین توابع ترمودینامیکی محلولهای مائی دانلود با لینک مستقیم و پر سرعت .

فایل : word

قابل ویرایش و آماده چاپ

تعداد صفحه :24

 پارامتر حلالیت و  کسر حجمی می‌باشد که طبق رابطه زیر ارائه می‌گردد.

(4-52)                                                                                

(4-53)                                                                                

گرمای تبخیر است

(4-54)                                                                                                      

(4-55)                                                                                                      

مدل براملی (Bromley)

    براملی ]161[ یک مدل تجربی که بسیار ساده بود ارائه داد. این مدل قابل اعمال تا غلظتهای حدود 6 مولال محلول الکترولیت قوی می‌باشد و این مدل تنها دارای یک پارامتر قابل تنظیم می‌باشد که به صورت زیر است:

(4-56)               

این معادله فقط یک پارامتر (B) را دارد که وابسته به الکترولیت می‌باشد. رابطه ضریب اسموزیته هم به صورت زیر می‌باشد:

(4-57)                   

       و            و

و B یک پارامتر قابل تنظیم می‌باشد

تخمین شاخص فشردگی رس به کمک شبکه ی عصبی

اختصاصی از ژیکو تخمین شاخص فشردگی رس به کمک شبکه ی عصبی دانلود با لینک مستقیم و پر سرعت .

عنوان مقاله : تخمین شاخص فشردگی رس به کمک شبکه ی عصبی

محل انتشار: دهمین کنگره بین المللی مهندسی عمران تبریز

تعداد صفحات:7

نوع فایل :  pdf

کد متلب رسم تخمین موج مربعی با سری فوریه و مشاهده پدیده گیبس

اختصاصی از ژیکو کد متلب رسم تخمین موج مربعی با سری فوریه و مشاهده پدیده گیبس دانلود با لینک مستقیم و پر سرعت .

کد متلب رسم تخمین موج مربعی با سری فوریه و مشاهده پدیده گیبس به همراه محاسبه Overshoot

خط های کد برنامه حاوی توضیحات لازم و کامل به صورت کامنت هستند.

برای نمایش نتایج خروجی کافیست برنامه را در محیط نرم افزار متلب اجرا نمایید.

مقاله تخمین مدت زمان خشک‌ شدن مواد غذایی با استفاده از بینایی کامپیوتر و شبکه عصبی

اختصاصی از ژیکو مقاله تخمین مدت زمان خشک‌ شدن مواد غذایی با استفاده از بینایی کامپیوتر و شبکه عصبی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 16 صفحه

 چکیده

بینایی کامپیوتر یکی از پرکابردترین فن آوری‌های مورد استفاده در صنایع غذایی و کشاورزی نوین است. بیشترین کاربرد بینایی کامپیوتر در آزمایشگاه‌های کنترل کیفیت می‌باشد. در مقاله حاضر سیستمی مبتنی بر بینایی کامپیوتر و شبکه عصبی برای تخمین مدت زمان خشک‌شدن مواد غذایی ارائه شده است. آزمایش­­ها بر روی فرایند خشک‌شدن کدوحلوایی اسمزی با استفاده از جریان هوای گرم انجام گرفته است. در این آزمایش، تصویری از یک قطعه کدوحلوایی تهیه شده و به سیستم داده می‌شود. سپس با استفاده از الگوریتم‌های پردازش تصویر محل کدوحلوایی در تصویر تعیین شده و تعدادی از ویژگی‌های آن شامل مساحت، همگنی، کنتراست و آنتروپی تصویر استخراج می‌شود. ویژگی‌های استخراج شده به یک شبکه عصبی پرسپترون چند لایه داده شده تا مدت زمان قرار گرفتن قطعه کدوحلوایی در فرایند خشک‌شدن را تعیین کند. نتایج آزمایش­ها نشان می‌دهد خطای تخمین مدت زمان خشک‌شدن کدوحلوایی حدود 1 ساعت است. این نتایج برای چنین سیستمی بسیار خوب به نظر می‌رسد.

1- مقدمه

امروزه افزایش جمعیت و محدودیت منابع طبیعی باعث ایجاد یک مشکل جهانی به نام بحران غذا شده است. تولید و فراوری محصولات کشاورزی با روش‌های سنتی بازدهی کمی دارد و مقرون به صرفه نیست. بنابراین مکانیزاسیون سیستم‌های کشاورزی و استفاده از فناوری‌های نوین در تولید و فراوری مواد غذایی امری اجتناب ناپذیر است. بینایی کامپیوتر[1] (بینایی ماشین) یکی از شاخه‌های بسیار مهم از هوش مصنوعی می‌باشد که کاربرد‌های فراوانی در صنایع غذایی، خصوصا در آزمایشگاه‌های کنترل کیفیت دارد. سیستم‌های کنترل کیفیت مبتنی بر بینایی کامپیوتر در شیلات، کشتارگاه‌های دام و طیور، محصولات باغی و صنایع لبنی و ... مورد استفاده قرار می‌گیرد [1].

به طور کلی یک سیستم بینایی کامپیوتر شامل بخش تجهیزات اخذ تصویر و نرم‌افزار پردازش تصویر می‌باشد. تجهیزات اخذ تصویر شامل سیستم نورپردازی، دوربین و در صورت لزوم کارت اخذ تصویر است. مرحله اخذ تصویر در سیستم بینایی کامپیوتر نقش بسیار موثری در کارایی کل سیستم دارد. انتخاب روش نورپردازی، چینش سیستم نورپردازی و نوع دوربین و تنظیمات آن، کیفیت تصویر را تحت تاثیر قرار می‌دهد. پس از دریافت تصویر، الگوریتم‌های پردازش تصویر بر روی تصویر ورودی اعمال شده تا اطلاعات لازم از آن استخراج شود. بخش نرم‌افزاری سیستم‌های بینایی کامپیوتر می‌تواند علاوه بر الگوریتم‌های پردازش تصویر، از سایر ابزارهای هوش‌مصنوعی مانند شبکه‌های عصبی نیز برای هوشمند کردن و انجام خودکار عملیات استفاده نمایند.

یکی از مهمترین کاربرد‌های سیستم بینایی کامپیوتر در بررسی تغییرات رنگ و پارامترهای تصویری مواد غذایی در طول فرایند خشک کردن آنها است. فرناندز[2] و همکارانش کاربرد بینایی کامپیوتر در خشک کردن حلقه‌های سیب را مورد مطالعه قرار داده‌اند [2]. کروکیدا[3] و همکارانش سینتیک تغییرات رنگ در مدت زمان خشک شدن، تاثیر نوع عملیات پیش‌فراوری (مثل قرار دادن در محلول قندی) و روش خشک کردن بر رنگ محصول نهایی را مورد مطالعه و بررسی قرار داده‌اند [3,4,5]. شفافی زنوزی و همکارانش با استفاده از روش‌های پردازش تصویر، به بررسی تغییرات رنگ، کنتراست و انرژی تصویر در طول فرایند خشک‌کردن کدوحلوایی پرداخته‌اند [6]. هدف از انجام این مطالعات، ارائه یک مدل مناسب برای توصیف فرایند خشک کردن مواد غذایی است.

در مقاله حاضر، هدف ارائه یک سیستم مبتنی بر بینایی کامپیوتر برای تخمین مدت زمان خشک کردن مواد غذایی (مطالعه موردی برای کدوحلوایی) است. در آزمایشات انجام شده، تصاویری از روند خشک شدن کدوحلوایی اسمزی با استفاده از جریان هوای گرم تهیه شده و مورد تحلیل و بررسی قرار می‌گیرد. در این تحلیل ابتدا با استفاده از الگوریتم‌های پردازش تصویر، تعدادی از ویژگی‌های تصویر کدوحلوایی استخراج شده و سپس با استفاده از یک شبکه عصبی پرسپترون چند لایه[4] (MLP) مورد پردازش قرار می‌گیرد. در این سیستم شبکه عصبی مدت قرار گرفتن کدوحلوایی در برابر جریان هوای گرم را تخمین می‌زند

 

تخمین هزینه نرم افزار با استفاده از تکنیک‌های یادگیری ماشین - فایل Word

اختصاصی از ژیکو تخمین هزینه نرم افزار با استفاده از تکنیک‌های یادگیری ماشین - فایل Word دانلود با لینک مستقیم و پر سرعت .

تخمین هزینه نرم افزار (SCE) یکی از مهم ترین موضوعات در تولید نرم افزار در دهه‌های گذشته است. تخمین واقعی به فاکتورهای هزینه و تلاش در تولید نرم افزار با استفاده از هوش مصنوعی یا روش‌های الگوریتمی نیاز دارد. Bohem مدل COCOMO را که یکی از مدل‌های الگوریتمی SCE است، توسعه داده است. این مدل‌ها شامل سه فرم افزایشی پایه، متوسط و تفصیلی هستند. COCOMO  پایه برای ترتیب‌های سریع و دشوار در میان تخمین‌های تلاش مناسب است. دقت و صحت این مدل به علت فقدان فاکتوربرای محاسبه تفاوت بین عاملان هزینه پایین است. COCOMO متوسط این فاکتور‌ها را در نظر می گیرد و COCOMO تفصیلی برای تک تک فازهای پروژه به کار می رود. COCOMO از سال 1981 به کار گرفته شده است. در سال‌های اخیر روش‌هایی پدید آمده‌اند که از تکنیک‌های هوش مصنوعی برای حل و تخمین تلاش تولید نرم افزار استفاده می‌کنند]1[.