توجه : این پروژه فقط به صورت فایل (با پسوند) zip ارائه میگردد
تعداد صفحات فایل : 1
دانلود پروژه پایان نامه مهندسی مکانیک با موضوع مدل سازی رآكتور شیمیایی با شبكههای عصبی مصنوعی
نوع فایل : Word
تعداد صفحات : 130
دانلود فایل مدل سازی رآكتور شیمیایی با شبكههای عصبی مصنوعی
فهرست محتوا
پیشگفتار
چكیده:
در این پروژه، ورودیها و خروجیهای یك سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یك مدل دینامیكیِ هوشمند، استفاده شده است. بنابراین انتخاب شبكههای عصبی مصنوعی از نوع پرسپترونهای چندلایه برای این منظور مناسب است. در كنار این نوع از مدلسازی، استفاده از یك شیوهی مناسب برای كنترل پیشگویانه (پیش بینانه)ی مدل یاد شده، ضروری است.
مدلهای برگشتی تصحیح شونده كه از قوانین تعدیل ماتریسهای وزنی مسیرهای ارتباطی بین نرونهای مدل استفاده میكنند، در این پروژه به كار گرفته شدهاند.
این قوانین برای آموزش سیستم، جهت كنترل و دستیابی به خروجی مطلوب در زمانهای بعدی به كار میروند.
فراگیری در این سیستم نیز از نوع فراگیری با سرپرست میباشد؛ به این صورت كه معادلهی دیفرانسیل دینامیكیِ سیستم در دسترس است و بنابراین مقادیر مطلوب برای متغیر هدف، كه سیستم باید به آن برسد، برای زمانهای آینده مشخص میباشد و خروجی سیستم با استفاده از یك كنترلكنندهی پیشبین، همواره باید به این اهداف دست یابد. سیستم مورد مطالعه در این پروژه، یك رآكتور شیمیایی است كه برای اختلاط پیوستهی مواد شیمیایی واكنش دهنده با غلظتها و مقادیر تعریف شده و تولید یك مادهی محصول با یك غلظت متغیر با زمان به كار میرود؛ كه میزان مطلوب این غلظت در یك زمان خاص، بهعنوان هدف مطلوبی است كه سیستم باید به آن دست یابد.
همچنین بهجای یك سیستم واقعی، از یك مدل نرمافزاری برای جمعآوری دادههای ورودی و خروجی استفاده می شود و در نهایت، نتایج این مدل سازی موفقیتآمیز، توانایی روشهای مدل سازی هوشمند را همانگونه كه در این تحقیق آمده است، اثبات میكند.
كلمات كلیدی: هوش مصنوعی، شبكه های عصبی مصنوعی، رآكتور شیمیایی، كنترل پیشبین، نرون، پتانسیل فعالیت، پرسپترون چندلایه غیر خطی، تورش، سیستمهای غیر خطی، بازشناسی الگو، دستگاههای طبقهبندی خطی و غیر خطی، قاعدهی پس انتشار خطا، تعدیل ضرایب وزنی، شبیهسازی، مدل دینامیكی كامل / ناكامل شبكهی عصبی مصنوعی
KEY WORDS: Artificial Intelligence, Artificial Neural Networks, Chemical Reactor, Predictive Control, Neuron, Action potential, Nonlinear Multilayer perceptrons, Bias , Nonlinear systems, Pattern Recognition, linear and Nonlinear classifiers, Backpropagation Rule, Adjusting the Connection Weights, Simulation, complete / Incomplete Artificial Neural Network models.
فصل اوّل:
مقدمه:
در كنترل با پسخور ، كه به عنوان معمولترین نوع كنترل سیستمهای دینامیكی مورد استفاده قرار میگیرد، فرمان كنترل سیستم، با در نظر گرفتن میزان خطای محاسبه شده بین خروجی واقعی و مطلوب، صادر میشود.
كنترل پیشبین نیز كه با استفاده از روشهای هوش محاسباتی انجام میشود، نوعی كنترل با پسخور است. در این روش كنترلی، خطای سیستم قبل از اینكه اتفاق بیفتد، پیشبینی شده و برای تعیین دستور كنترل خطا، پیش از آنكه خطایی اتفاق بیفتد، استفاده میشود.
كنترل پیش بین در ابتدا به عنوان مدل كنترلی پیش بین كلاسیك كه به یك مدل خطی، از سیستم، در فضای حالت نیاز داشت، معرفی شد.
در هر حال طبیعت غیرخطی بسیاری از سیستمها، قابل صرف نظر كردن نیست؛ بنابراین مدلهای خطیِ فضای حالت نمیتوانند بهدرستی، خواص غیر خطی سیستمها را ارائه دهند.
در چنین مواردی، تقریب كامل یا قسمتی از مدُل خطی ممكن است استفاده شود ولی در حالت كلی مدلهای غیر خطی برای پیش بینیِ خروجی سیستمهای غیر خطی برای اهداف كنترلی استفاده میشوند.
برخی از روشهایی كه از اساس قواعد فیزیك استفاده میكنند، وجود دارند كه میتوانند مُدل برخی از سیستمها را به طور كامل، و یا تا اندازهی قابل قبولی، توصیف كنند و ساختارهای مدل را بهوجود آورند.
شبكههای عصبی مصنوعی 2] و [11 و سیستمهای منطق فازی (شبكههای نوروفازی) 8] [نیز میتوانند برای مدل كردن سیستمها به كار روند كه به عنوان روشهای مدل سازی هوشمند طبقهبندی میشوند. این گونه مدلها باید پس از طراحی مقدماتی، توسط دادههای ورودی و خروجی آموزش ببینند.
سیگنال دادههای ورودی و خروجی در آموزش سیستم، بهصورت آرایهایاز اعداد استفاده میشوند. آموزش سیستم به این شیوه، برای بهبود عملكرد سیستم، به شدت وابسته به خروجی مُدل میباشد.
در این پروژه، سیستم مورد مطالعه برای مُدلسازی هوشمند، یك رآكتور شیمیایی در نظر گرفته شده است كه مدل نرمافزاری آن، در دسترس میباشد [2] و دادههای ورودی و خروجی این سیستم، با دادههای حاصل از آزمایش یك رآكتور واقعی، جایگزین میشود.
رآكتور شیمیایی مورد مطالعه، یك سیستم دینامیكی غیر خطی با چند ورودی و چند خروجی است.
هدف این تحقیق، آشكار ساختن توانایی یك مدل هوشمند، برای مقاصد پیشبینی غیر خطی كمیتهای سیستم دینامیكی و پیشنهاد راهكارهای مفیدی جهت كاربرد سیستمهای هوشمند است.
در واقع روش پیشنهادی میتواند در مواقعی كه مدل ریاضی دقیقی از سیستم با استفاده از روشهای مشخص و معمول (مانند معادلههای موازنه جرم و انرژی) در دسترس نیست، و یا اینكه ساختار ریاضی و یا پارامترهای غیر قابل اندازهگیری و تأثیرگذار مدل به طور قابل توجهی نامشخص باشد (مانند ایجاد خوردگی در برخی نقاط خطوط انتقال یا بدنه سیستم) مورد استفاده قرار گیرد.
یكی از ویژگیهای برجستهی این مدل هوشمند در مقایسه با روشهای مدل سازی كلاسیك، بینیازی آن در اندازهگیری پارامترهای سیستم (مانند پارامترهای مربوط به انتقال جرم و حرارت) است.[8]
مرور اجمالی فصلهای این پایاننامه به قرار زیر است:
فصل اول، مقدمهای شامل شرح عنوان پایاننامه، روش تحقیق، و تشریح كامل صورت مسأله میباشد كه از نظر گذشت. در فصل دوم مقایسهای بین شبكههای عصبی طبیعی و مصنوعی و نحوهی پردازش دادهها در آنها صورت گرفته است. همچنین شیوههای یادگیری در انسان و ماشین نیز بررسی شدهاند.
فصل سوم به معرفی مختصر فنون طرح شناسی میپردازد كه بخش مهمی از علوم كامپیوتری است. بیشتر مطالب ریاضی در مبحث طرح شناسی همانند مطالب ریاضی بحث شده در مورد شبكههای عصبی است. طرح شناسی بهعنوان یك موضوع پایه، به شناخت ما از نحوهی عملكرد شبكههای عصبی كمك میكند.
فصل چهارم به معرفی نرون پایه بیولوژیكی و مقایسهی ویژگیهای آن با پرسپترون كه نرون مدل سازی شده برای استفاده در شبكههای عصبی مصنوعی است، میپردازد؛ و در ادامه به الگوریتم فراگیری پرسپترون و محدودیتهای آموزش سیستم، توسط تكپرسپترون میپردازد.
در فصل پنجم به بررسی ساختار مدل پرسپترون چند لایه پرداخته شده و توانایی آن در حل مسائل تفكیك پذیر غیر خطی تشریح شده است. در انتهای این فصل نیز به مواردی از كابرد شبكههای عصبی مصنوعی از نوع پرسپترونهای چند لایه در شبكههای گویا، زمینههای پزشكی و سیستمهای پیشبین مالی و اقتصادی، اشاره شده است.
در فصل ششم نیز به اصول زمینهای، كاربرد تئوریهای مطرح شده در فصول قبل و روابط مورد نیاز برای مدلسازی یك رآكتور شیمیایی به عنوان یك سیستم غیر خطی پرداخته شده است. در انتها نیز نتایج حاصل از این مدلسازی آورده شده است.
در نهایت فصل هفتم نیز شامل نتیجهگیری و پیشنهاداتی در جهت تداوم تحقیق و انجام مدلسازیهای جدیدی از این دست است.
فصل دوم:
مقدمهای بر مقایسهی شبكههای عصبی بیولوژیكی و مصنوعی و شیوههای یادگیری در آنها
1-2 انسان و كامپیوتر:
2-2 ساختار مغز:
شكل 1-2 مشخصات اصلی یك نرون بیولوژیك
شكل 2-2 ورودیهای نرون باید از آستانه معینی تجاوز كند تا نرون بتواند كنش كند.
1-2-2 یادگیری در سیستمهای بیولوژیك:
شكل 3-2 ناقل شیمیایی آزاد شده از شكاف سیناپس میگذرد و دریافتكنندههای دندریت نرون دیگر را تحریك میكنند.
2-2-2 سازمان مغز:
3-2 یادگیری در ماشینها:
4-2 تفاوتها:
چكیده نكات مهم فصل دوم:
فصل سوم:
بازشناسی الگوها
بازشناسی الگوها:
1-3 مقدمه:
طرح شناسی یا بازشناسی الگو در حال حاضر اغلب كاربردهای شبكه عصبی را به خود اختصاص داده است. طرح شناسی خود بخش عمدهای از علوم كامپیوتری است و كسانی كه مایلند در زمینهی شبكههای عصبی مطالعه كنند دیری نمیگذرد كه به نحوی با مسائل طرحشناسی روبهرو میشوند. مطالبی كه در این بخش مورد بحث قرار میگیرد، یعنی تعریف طرحشناسی و بررسی فنون جدید این رشته، به عنوان یك زمینهی مطالعاتی، ضروری است. بیشتر مطالب ریاضی مبحث طرحشناسی مانند مطالب ریاضی شبكههای عصبی است و در واقع هر دو به موضوع واحدی میپردازند. در این فصل فنون طرحشناسی بهطور بسیار مختصر معرفی میشوند و سعی میشود تمامی موضوعات پایه كه به شناخت ما در زمینهی شبكههای عصبی كمك میكند مورد بحث قرار گیرد.[1]
2-3 چشمانداز طرح شناسی:
3-3 تعریف بازشناسی الگوها:
4-3 بردارهای مشخصات و فضای مشخصات:
شكل 1-3 یك فضای مشخصات دوبعدی اقلیدسی
5-3 توابع تشخیصدهنده یا ممیز
شكل 2-3 محدودهی تصمیم یك طبقهبندی خطی.
6-3 فنون طبقهبندی :
1-6-3 روش طبقهبندی «نزدیكترین همسایه» :
شكل 3-3 طبقهبندی به وسیله مقایسه با «نزدیكترین همسایه»
شكل 4-3 اندازهگیری تا نزدیكترین همسایه گاه باعث خطا میشود.
2-6-3 میزانهای اندازهگیری فاصله
فاصلهی همینگ
فاصلهی اقلیدسی
شكل 5-3 فاصله اقلیدسی
7-3 دستگاههای طبقهبندی خطی :
شكل 6-3 جدا كردن طبقهها توسط یك محدوده تصمیم خطی به اضافه شدن بردار وزنها توجه كنید.
شكل 7-3 طبقهبندی خطی جزء به جزء برای طبقهبندی طرحهای جداییپذیر غیرخطی
8-3 بازشناسی الگوها – خلاصه :
چكیده نكات مهم فصل سوم:
فصل چهارم:
نرون پایه
1-4- مقدمه:
در فصل 2 ساختار مغز را بررسی كردیم و دیدیم كه مغز از مكانیزم بسیار پیشرفتهای برخوردار است كه هنوز چندان شناخته نشده و توانایی انجام اعمال بسیار شگرف را دارد. همچنین دیدیم بسیاری از كارهایی كه آرزود داریم كامپیوترها توانایی انجامشان را داشته باشند، توسط مغز انجام میشود. در واقع فلسفهی اصلی محاسبات شبكههای عصبی این است كه با مدل كردن ویژگیهای عمدهی مغز و نحوهی عملكرد آن بتوان كامپیوترهایی را ساخت كه اكثر ویژگیهای مفید مغز را از خود نشان دهند.
به پیچیدگی ساختار مغز اشاره كردیم و گفتیم كه مغز را میتوان بهصورت مجموعهی بسیار متصل و شبكهای از عناصر پردازشی نسبتاً ساده در نظر گرفت. بهمدلی نیاز داریم كه بتواند ویژگیهایی مهم شبكههای عصبی را كسب كند؛ به این منظور كه بتواند رفتار مشابهی را از خود بروز دهد. ولی اگر بخواهیم این مدل به اندازهی كافی برای فهمیدن و بهكارگیری ساده باشد باید بسیاری از جزئیات را عمداً نادیده بگیریم. توجه به تعداد محدودی از ویژگیهای مهم و نادیده گرفتن بقیهی ویژگیها از ضروریتهای معمول مدلسازی است. هدف مدلسازی اصولاً ایجاد نمونهی سادهتری از سیستم است كه رفتار عمومی سیستم را حفظ كرده و بهدرك آسانتر آن، كمك كند.
2-4 مدلسازی نرون تنها:
شكل 1-4 مشخصات اصلی یك نرون بیولوژیك.
شكل 2-4 نمای مدل اصلی نرون.
3-4 تابع آستانه
شكل 4-4 جزئیات مدل نرون پایه.
شكلهای 5-4 نمایش مدل نرون تك لایه با جزئیات ساختاری آن
شكل 6-4 نمایش مدل نرون تكلایه به صورت اختصاری
3-4 فراگیری در نرونهای ساده:
شكل 8-4 آیا میتوانیم Aها را از Bها تمیز دهیم؟
1-3-4 الگوریتم فراگیری پرسپترون:
الگوریتم فراگیری پرسپترون
4-4 آدالاین
1-4-4 یادگیری و تعدیل وزنها در آدالاین:
جدول 1-4) جدول ارزش گزاره برای تابع AND با ورودیهای 0 و 1
جدول 2-4) مقادیر ورودیها و مقدار محاسبه شده برای net و خروجی
جدول 3-4) جدول ارزش گزاره مربوط به تابع
جدول 4-4) جدول ارزش گزارهها برای تابع
با احتساب مقدار 5/0 – برای تورش
جدول 5-4 ) جدول ارزش گزاره برای تابع
با به كارگیری ارقام دو قطبی
جدول 6-4) جدول ارزش گزاره برای ورودیهای خروجی و مقدار net و تورش 5/0-
2-4-4 قاعده دلتا برای ورودیها و خروجیهای دوقطبی:
جدول 7-4) الگوی مرحله اول استفاده از مجموعه آموزش، برای تابع
جدول 8-4) الگوی مرحله دوم استفاده از مجموعه آموزش، برای تابع
جدول 9-4) الگوی مرحلهی نهایی استفاده از مجموعه آموزش برای تابع وقتی میزان تغییر تمامی وزنها برای مرحله بعد به صفر رسیده است
5-4 پرسپترون: یك رویكرد برداری:
شكل 9-4 دو مجموعهی مجزا از الگوها در فضای دوبعدی.
شكل 10-4 رفتار بردار ضرایب وزنی در فضای الگوها.
شكل 11-4 تكامل خط تفكیككننده از حالت تصادفی اولیه به خطی كه به درستی دو گروه را طبقهبندی میكند.
6-4 قاعدهی فراگیری پرسپترون: اثبات:
تعاریف:
7-4 محدودیتهای پرسپترون:
شكل 12-4 علامت منطقی یای حذفی.
جدول 10-4 جدول تابع یای حذفی.
شكل 13-4 مسألهی یای حذفی XOR در فضای الگوها.
8-4 آیا این به معنای پایان راه است؟
1-8-4 نتیجهگیری:
چكیده نكات مهم فصل چهارم:
فصل پنجم:
پرسپترون چندلایهای
1-5) مقدمه:
2-5 تغییر مدل پرسپترون:
1-2-5 رفع مشكل:
شكل 1-5 تركیب پرسپترونها میتواند مسئلهی XOR را حل كند. پرسپترون شمارهی 1 الگوی (1 , 0) پرسپترون شمارهی 2 الگوی (0 , 1) را شناسایی میكند و با تركیب این دو پرسپترون، پرسپترون شمارهی 3 میتواند الگوی ورودی را به درستی تمیز دهد. ولی این پرسپترونها را باید از قبل تنظیم كرد. آنها هرگز نمیتوانند خود این راه طبقهبندی را فراگیرند.
2-2-5 حل مشكل:
شكل 2-5 دو راه ممكن برای توابع آستانهای.
3-5 مدل جدید:
شكل 3-5 پروسپترون چند لایهای.
شكل 4-5 ) نمایش مدل پرسپترون چند لایه همراه با جزئیات ساختاری آن
شكل 5-5) نمایش مدل پرسپترون چند لایه به صورت اختصاری
4-5 قاعده جدید فراگیری:
1-4-5 ریاضیات:
5-5 الگوریتم پرسپترون چند لایهای:
الگوریتم آموزش پرسپترون چند لایهای
6-5 بررسی مجدد مساله یابی حذفی (XOR):
شكل 6-5 یك راه برای مسئله XOR.
شكل 7-5 شبكهای كه مسئله XOR را بدون اتصال مستقیم گرههای ورودی و خروجی حل میكند.
شكل 8-5 شبكه پایداری كه نمیتواند مسئله XOR را حل كند.
7-5 تجسم رفتار شبكه :
شكل 9-5 تابع انرژی در یك بعد بر حسب تغییرات یكی از ضرایب وزنی برای یك الگوی ثابت.
شكل 10-5 تابع انرژی در بعد، به دره سمت راست توجه كنید، اگر از یك نقطه میانی در جلوی صفحه شروع كنید ممكن است بر حسب جهتی كه هر بار انتخاب میكنید از دره سمت راست پایین رفته و به عمق دره برسید و یا مجدداً قلهای را دور زده و به نقطه دیگری منتهی شوید. ضمناً توجه كنید كه دره سمت چپ چندین گودال دارد. این نقاط كمینه محلی ممكن است جواب مسئله را به خود جلب كرده و مانع از رسیدن به نقاط عمیقتر شوند.
شكل 11-5 این نمودار نشان میدهد كه چگونه تغییر ضرایب وزنی در یك شبكه صفحه انرژی را تغییر میدهد. در این مثال تغییرات ضرایب وزنی از چپ به راست به نفع الگوی A است زیرا مقدار انرژی آن الگو را به ضرر الگوی B كاهش میدهد.
8-5 پروسپترون چند لایهای به عنوان دستگاه طبقه بندی:
شكل 12-5) در پروسپترون می توانند تركیب شوند و ورودی پروسپترون دیگر را فراهم كنند.
شكل 13-5) تركیب پرسپترون ناحیهی تصمیم از تركیب دو پر-
شماره پشتیبانی برای ارسال اس ام اس : 09054791747