نمایش 7–12 از 64 نتیجه

استقلال از شبکه

غیرحضوری
بدون امتیاز 0 رای
باز‌بینی استقلال از کانال در فلوئنت ( استقلال از مش در انسیس فلوئنت ) یکی قسمت های بسیار مهم در هر مشابه سازی می¬ باشد. عدم تعلق حل به مش خیر صرفا در فلوئنت ، بلکه در همگی قابل انعطاف افزارهای مشابه سازی که دامنه محاسباتی را به پایین دامنه های کوچکتر جدا سازی می‌کنند نیز می بایست سنجیده شود. به صورت کلی میتوان اعلام کرد در شرایطی‌که که در مشابه سازی مطالعه استقلال حل از کانال فیس نگرفته باشد، جواب های مشابه سازی قابل اطمینان نبوده و نمیتوان به آن بازگشت کرد.عدم مطالعه استقلال از کانال در فلوئنت ( استقلال از مش در انسیس) در معنای عدم اطمینان از پاسخ های مشابه سازی بوده و ارائه آن به هیچ عنوان سفارش نمیشود معنی استقلال حل از کانال در فلوئنت استقلال از کانال انسیس به لهجه بی آلایش یعنی گزینش باصرفه ترین کانال ممکن برای اخذ جواب های درست . به عبارت دیگر در صورتی کانال بندی شما بسیار درشت باشد ، حتما پاسخ های مشابه سازی شما قابل اعتماد نخواهد بود و در صورتیکه مش بندی شما بسیار پایین باشد گشوده هم به علت خطای گرد کردن و هزینه محاسباتی بالا احتمالا پاسخ های صحیحی اخذ نخواهید کرد. ممکن میباشد از خویش بپرسید میتوان کانال محاسباتی را انقدر ریز کرد که دیگر مطالعه استقلال از مش در انسیس فلوئنت نیاز نباشد” . ولی بایستی این نکته را نیز در لحاظ داشته باشید که تا چه مقدار کانال خویش را ریز خواهید کرد؟ به‌دنبال به جواب این سوال و طرز درست بازنگری استقلال از کانال فلوئنت خوا هیم پرداخت. ایا می اقتدار برای باز بینی استقلال از مش در انسیس تا هر اندازه کانال را ریز کرد ؟ به کار گیری از کانال ریز یا این که مش ریز نیازمند منفعت مندی از یک سیستم محاسباتی توسعه یافته بوده و مطمئنا درپی آن مخارج متعددی را برروی دست شما خواهد گذاشت. همینطور استعمال از مش های بسیار ریز موجب پیدایش خطای های گرد کردن می‌گردد و در سود به پاسخ واحدی در مشابه سازی نخواهید رسید. در‌صورتی‌که از دید تئوری این مورد گزینه باز‌بینی قرار بگیرد با ریز کردن کانال ، خطای گسسته سازی بایستی حذف شود البته در کار خطای گرد کردن نیز در مشابه سازی حضور داشته که با دقت ارتقاء تعداد کانال و ارتقاء عملیات محاسباتی، خطای گردن کردن ارتقا می‌یابد و شما پاسخ های واحدی از مشابه سازی خویش نخواهید داشت.در عصر فراگیری فلوئنت (مقدماتی تا توسعه یافته) به طور بدون نقص در رابطه این مباحث توضیحاتی ارائه شده‌است.پس با همگی این تفاسیر مطالعه برروی استقلال از کانال در انسیس امری دوری ناپذیر بوده و شما نمی توانید سوای در لحاظ به چنگ آوردن این بخش پاسخ های قابل اطمینانی داشته باشید. در این قسمت به ترسیم هندسه و المان بندی همراه با ترسیم نمودار و تحلیل نتایج و بدست آوردن المان بهینه می پردازیم.  
27 فروردین 1400
0
55,000 تومان

اعتبارسنجی عددی

غیرحضوری
بدون امتیاز 0 رای
صحت سنجی و اعتبار سنجی در : شبیه سازی، قوی‌ترین ابزار در فرآیند معرفی محصول جدید (NPI) در نظر گرفته می‌شود. این می‌تواند زمان عرضه محصول به بازار را تسریع کند، هزینه های صورتحساب مواد (BOM) را کاهش دهد و از اجرای موفقیت آمیز طرح هایی که رقابت را دور می‌زند اطمینان حاصل کند.بخش جدایی ناپذیر هر تحلیل و شبیه سازی کامپیوتری، صحت سنجی (verification) و اعتبارسنجی (validation) است، غفلت از هرکدام از این دو، شبیه سازی را دچار مشکلات شدید می‌کند و به اعتقاد بسیاری از متخصصین این حوزه، عملا شبیه سازی بدون صحت/اعتبار سنجی، بی ارزش و غیر قابل اعتماد است. همچنین انجام صحت/اعتبار سنجی، عدم اطمینان (uncertainty) شبیه‌سازی را کاهش داده و ضریب اطمینان آن را بالا می‌برد. مدیران برنامه، در حال حاضر به شواهد رسمی در مورد “شبیه سازی مناسب برای هدف نیاز دارند تا بتوانند بر اساس آن اعتماد ایجاد کنند و تصمیم بگیرند. این صحت سنجی و اعتبار سنجی ها باید توسط تحلیلگران و مدل‌سازها (درون تیم تحلیل یا طراحی ) انجام شود تا از درست و صحیح عمل کردن مدل اطمینان حاصل شود. صحت سنجی فرآیندی است که تضمین می‌کند که مدل بر اساس روابط متغیرهای ورودی و متغیرهای خروجی که در مدل تعبیه شده‌اند، نتایج درستی را تولید یا پیش‌بینی می‌کند. در واقع صحت سنجی ، از درست بودن رابطه (relationship) درون مدل و اینکه مدل به درستی عمل می‌کند و نتایج را همانگونه که باید باشند، تولید می‌کند، اطمینان حاصل می‌کند. فرآیند صحت سنجی، کاری به دنیای واقعی و تجربی و یا آزمایشگاهی یا نتایج آن‌ها ندارد. فرآیند صحت سنجی، به آنچه که باید در طبیعت رخ دهد، اهمیتی نمی‌دهد. صحت سنجی در واقع به دنیای بیرون از کامپیوتر ارتباطی ندارد و فرآیند صحت سنجی، در واقع، بررسی و تعیین می‌کند که مدل تولید شده توسط سازنده مدل، دقیقا همان کاری را انجام می‌دهد که مدل‌ساز «فکر می‌کند» مدلش باید انجام دهد. صحت سنجی اطمینان حاصل می‌کند که مدل، طوری رفتار می‌کند و کاری را انجام می‌دهد که از او خواسته شده و پیش بینی می‌شود آن‌را انجام دهد. در واقع در صحت سنجی هدف، جلوگیری از این است که مدلساز وقتی مدل را می‌سازد و انتظار انجام کار A را از آن دارد، مدل برای خودش کار B (B≠A) را انجام نمی‌دهد و مدلساز را به تصور غلط اینکه مدل، دارد کار A را انجام می‌دهد نمی‌اندازد . برای مثال، فرض کنید کدی (در اینجا مدل همان کد است) نوشته شده است که باید دو عدد را به هم تقسیم کرده و در صورت اعشاری بودن، آن را به سمت بالا گرد کند و عددی صحیح را گزارش کند. مثلا اگر 3 به 4 تقسیم شد باید حاصل را به سمت بالا گرد کرده و عدد 1 را چاپ کند. صحت سنجی در اینجا بررسی می‌کند که مثلا اگر چنین تقسیمی انجام شد ، آیا کد واقعا کاری که از آن خواسته شده یعنی گرد کردن به سمت بالا را انجام می‌دهد و عدد 1 را گزارش می‌کند؟ یا اینکه مثلا عدد 0.75 را چاپ می‌کند؟ در صورت انجام دومی، یعنی مدل غلط کار می‌کند و باید خطا را یافت و مدل را اصلاح کرد. این چیزی است که صحت سنجی به ما می‌گوید. اعتبار سنجی فرآیندی است برای اطمینان از اینکه مدل تا حد ممکن دنیای واقعی را نشان می‌دهد. فرآیند اعتبارسنجی به مدل‌ساز کمک می کند مطمئن شود که مدل صحیح ساخته شده است. فرآیند اعتبار سنجی به شدت بر داده‌های جمع‌آوری‌شده از دنیای واقعی، و درک مدل‌ساز از فرآیند واقعی متکی است. فرآیند اعتبار سنجی، تضمین می‌کند که مدل در حال انجام همان کاری است که فرآیند واقعی ( و طبیعت) انجام می‌دهد یا انجام خواهد داد. در این قسمت به بررسی مقاله معتبر و ترسیم هندسه و المان بندی و مدلسازی، تحلیل مسئله و مقایسه نتایج عددی با نتایج مقاله می پردازیم.  
27 فروردین 1400
0
55,000 تومان

ارتعاش دکل مخابراتی تحت تحریک

غیرحضوری
بدون امتیاز 0 رای
ارتعاش، نوسان مکانیکی حول یک نقطه تعادل است. ارتعاش ممکن است مانند حرکت آونگ متناوب (تکرار شونده) باشد یا مانند حرکت چرخ خودرو روی مسیر ناهموار تصادفی باشد ارتعاش آزاد: زمانی اتفاق می‌افتد که یک سیستم مکانیکی با یک ورودی ابتدایی به نوسان در می‌آید و سپس اجازه داده می‌شود تا آزادانه نوسان کند. مثالی از این نوع نوسان عقب کشیدن یک تاب و رها کردن آن است تا آزادانه نوسان کند. یک سیستم مکانیکی در یک یا تعداد بیشتری از فرکانس‌های طبیعی خود نوسان کرده و آنقدر تضعیف می‌شود تا اینکه کاملاً متوقف شود. ارتعاش واداشته: زمانیکه یک آشفتگی متغیر با زمان (نیرو، جابجایی یا سرعت) در سیستم مکانیکی اعمال شود اتفاق می‌افتد. این آشفتگی می‌تواند دوره‌ای تکرار شده و ورودی پایدار داشته باشد یا یک ورودی گذرا با آشفتگی کاملاً تصادفی باشد. ورودی دوره ای می‌تواند هارمونیک یا غیرهارمونیک باشد. از مثال‌های این نوع ارتعاش می‌توان به یک ماشین لباسشویی که به دلیل نامیزانی ارتعاش می‌کند اشاره کرد .در سیستم‌های خطی فرکانس پاسخ ارتعاش حالت-پایدار ناشی از ورودی دوره ای هارمونیک مساوی است با فرکانس نیرو یا حرکت وارد شده، که در آن بزرگی پاسخ به سیستم مکانیکی بستگی دارد. ارتعاش میرا: زمانیکه انرژی یک سیستم در حال ارتعاش توسط اصطکاک یا سایر نیروی‌های مقاوم به مرور تضعیف می‌شود، گفته می‌شود که این ارتعاش میرا است. ارتعاشات در این حالت به مرور کاهش یافته یا فرکانس و شدت آن عوض می‌شود و نهایتاً سیستم در حالت تعادل ساکن می‌شود. مثالی از این نوع ارتعاش سیستم تعلیق خودرو است که در آن ارتعاش توسط ضربه گیرها جذب می‌شود. در این جلسه به آموزش وارد نمودن شکل هندسی و المان بندی و تحلیل مسئله تحت تاثیر تحریک سیستم در Response spectrum می پردازیم.  
27 فروردین 1400
0
55,000 تومان

الگوریتم ژنتیک جهت بهینه سازی

غیرحضوری
بدون امتیاز 0 رای
در حوزه هوش مصنوعی (AI)، الگوریتم‌های مختلف به حل مسائل پیچیده کمک می‌کنند. یکی از این الگوریتم‌ها که توجه زیادی را به خود جلب کرده است، الگوریتم ژنتیک (Genetic Algorithm) است. با ریشه در زیست‌شناسی تکاملی، GA ثابت کرده که ابزاری قدرتمند برای بهینه‌سازی و مشکلات جستجو در هوش مصنوعی است. در این مطلب از مکتوب قرار بر این خواهد بود که در مورد الگوریتم ژنتیک در هوش مصنوعی، کاربردها و ابعاد مختلف آن صحبت کرده و در آخرسر پیاده‌سازی الگوریتم ژنتیک در هوش مصنوعی با پایتون را انجام دهیم. پس با ما همراه باشید. الگوریتم‌های ژنتیک دسته‌ای از الگوریتم‌های جستجو و بهینه‌سازی هستند که از اصول انتخاب طبیعی و ژنتیک الهام گرفته شده‌اند. آن‌ها از روند تکامل طبیعی تقلید می‌کنند تا راه‌حل‌های بهینه برای مسائل پیچیده پیدا کنند. این الگوریتم تکاملی بر روی جمعیتی از راه‌حل‌های بالقوه عمل می‌کند که به صورت کروموزوم یا افراد نمایش داده می‌شوند. این کروموزوم‌ها تحت عملیات ژنتیکی مانند جهش (Mutation) و تقاطع (Crossover) قرار می‌گیرند که منجر به تکامل جمعیت در طول نسل‌های متوالی می‌شود. در این قسمت به بررسی و آموزش تعیین پارامتر ورودی و خروجی جهت بهینه سازی و المان بندی و تعیین شرایط مرزی و تنظیم الگوریتم و تحلیل نمودار پاراتو می پردازیم.  
27 فروردین 1400
0
55,000 تومان

بهینه سازی ورق سوراخ دار تحت کشش

غیرحضوری
بدون امتیاز 0 رای
برای پیاده‌سازی الگوریتم ژنتیک در هوش مصنوعی ابتدا بهتر است که با اجزای آن آشنا شویم، اجزای الگوریتم ژنتیک به صورت فهرست موارد زیر هستند: • نمونه‌سازی اولیه (Initialization): فرآیند با ایجاد یک جمعیت اولیه از افراد تصادفی آغاز می‌شود. • ارزیابی سازگاری (Fitness Evaluation): سازگاری هر فرد توسط تابعی ارزیابی می‌شود که عملکرد آن‌ها را در حل مشکل اندازه‌گیری می‌کند. • انتخاب (Selection): افراد با آمادگی بالاتر احتمال بیشتری برای انتخاب شدن به‌عنوان والدین برای نسل بعدی دارند. • تقاطع (Crossover): افراد انتخاب شده تحت crossover قرار می‌گیرند، جایی که مواد ژنتیکی آن‌ها برای ایجاد فرزندان ترکیب می‌شود. • جهش (Mutation): گاهی اوقات، تغییرات تصادفی در ماده ژنتیکی فرزندان برای حفظ تنوع اثرگذار خواهد بود. • تکرار (Repeat): فرآیند انتخاب، تقاطع و جهش تا زمانی که یک شرط خاتمه برآورده شود (به‌عنوان‌مثال، حداکثر تعداد نسل یا دقت راه‌حل مورد نظر) ادامه می‌یابد. در دهه 1970، جان هالند، دانشمندی از دانشگاه میشیگان، مفهوم استفاده از الگوریتم‌های ژنتیک را برای بهینه‌سازی مهندسی معرفی کرد. ایده اساسی پشت این الگوریتم شبیه‌سازی انتقال ویژگی‌های ارثی از طریق ژن‌ها است، دقیقاً شبیه نحوه انتقال صفات انسانی از طریق کروموزوم‌ها. هر ژن در این کروموزوم‌ها نشان دهنده یک ویژگی خاص است. به عنوان مثال، ژن 1 می‌تواند رنگ چشم، ژن 2 قد، ژن 3 رنگ مو و غیره را نشان دهد. اما در عمل، انتقال کامل کروموزوم ها به نسل بعدی اتفاق نمی‌افتد. دو رویداد اولیه به طور هم‌زمان اتفاق می‌افتد. اولین رویداد به عنوان «جهش | mutation» شناخته می‌شود، که در آن ژن‌های خاصی دستخوش تغییرات تصادفی می‌شوند. اگرچه تعداد ژن‌های جهش‌یافته معمولاً کم است، اما این تغییرات تصادفی نقش مهمی دارند. به عنوان مثال، ژن مسئول رنگ چشم می‌تواند به طور تصادفی منجر به این شود که فردی در نسل بعدی چشمان سبز داشته باشد، درحالی‌که نسل قبلی عمدتاً دارای چشمان قهوه‌ای بود. جهش تنوع و امکان ظهور صفات جدید را معرفی می‌کند.جهش و تقاطع با هم توانایی الگوریتم ژنتیک را برای کاوش و بهره‌برداری از فضای راه‌حل هدایت می‌کنند. جهش با تغییر تصادفی ژن‌ها، تازگی ایجاد می‌کند و امکان کشف بالقوه صفات جدید و مفید را فراهم خواهد کرد. تقاطع تبادل و بازترکیب مواد ژنتیکی را تسهیل می‌کند، تنوع و انتشار ویژگی‌های مطلوب را در طول نسل‌ها ارتقا می‌دهد. با ترکیب این مکانیسم‌های الهام گرفته از تکامل طبیعی، الگوریتم‌های ژنتیک می‌توانند به طور مؤثر فضاهای حل پیچیده را جستجو و بهینه کرده و امکان کشف راه‌حل‌های بهینه یا نزدیک به بهینه را برای طیف وسیعی از مسائل فراهم کنند. امروزه الگوریتم ژنتیک در هوش مصنوعی ترکیب شده است و توانایی‌های بسیار حیرت انگیزی دارد. در این قسمت به بررسی ترسیم هندسه و تعیین پارامترهای ورودی و خروجی و المان بندی و بهینه سازی و بحث پیرامون نتایج حاصله از بهسنه سازی می پردازیم.  
27 فروردین 1400
0
55,000 تومان

هارمونیک و مودال بر کانال هوایی

غیرحضوری
بدون امتیاز 0 رای
آنالیز هارمونیک شاخه ای از ریاضیات است که مرتبط با نمایش توابع یا سیگنال‌ها به صورت برآیندی از امواج پایه بوده و به مطالعه و نمایش مفاهیم سری‌های فوریه و تبدیل فوریه (یعنی فرم توسعه یافته‌ی آنالیز فوریه) می‌پردازد. در دو قرن اخیر، این شاخه به شاخه‌ای وسیع تبدیل شده که کاربرد‌های گسترده‌ای در نظریه اعداد، نظریه نمایش، پردازش سیگنال، مکانیک کوانتومی، آنالیز جزر و مدی و علوم اعصاب دارد. تبدیل فوریه کلاسیک روی هنوز هم یک حوزه زنده تحقیقاتیست، بخصوص تبدیل‌های فوریه روی اشیای کلی‌تری چون توزیعات تمپرد. به عنوان مثال، اگر ما برخی الزامات روی توزیعی چون اعمال کنیم، می‌توانیم آن ها را به زبان تبدیل فوریه روی نیز ترجمه کنیم. قضیه پالی-وینر مثالی از این فرایند است. قضیه پالی-وینر فوراً ایجاب می کند که اگر یک توزیع ناصفر با تکیه‌گاهی فشرده باشد (شامل توابع با تکیه‌گاه ثابت هم می‌شود)، آنگاه تبدیل فوریه آن هیچ‌گاه تکیه گاه فشرده نخواهد داشت. این حالت بسیار مقدماتی از اصل عدم قطعیت در بستر آنالیز-هارمونیک است. سری‌های فوریه را می‌توان در بستر فضاهای هیلبرت به‌طور مناسب‌تری مطالعه کرد، چرا که در آنجا ارتباطی بین آنالیز هارمونیک و آنالیز تابعی ارائه می‌کند. بسیاری از کاربرد های آنالیز هارمونیک در علم و مهندسی با ایده یا فرضی شروع شد که یک پدیده یا سیگنال را می توان به صورت ترکیبی از جمع تک مؤلفه های ارتعاشی در نظر گرفت. جزر و مد اقیانوس و ریسمان مرتعش مثال های رایج و ساده ای هستند. اغلب رهیافت های نظری سعی می کنند با معادلات دیفرانسیل یا دستگاهی از معادلات استفاده کنند تا ویژگی های اساسی سیستم شامل دامنه، فرکانس و فاز های مؤلفه های ارتعاشی را توصیف کنند. معادلات خاصی به نوع میدان وابستگی دارند، اما نظریه ها عموماً سعی می کنند معادلاتی انتخاب کنند که نمایانگر اصول اصلی قابل کاربرد باشند. در این قسمت از آموزش به بررسی و وارد نمودن هندسه و المان بندی و تعیین شرایط مرزی و تحلیل و تعیین محدوده تحریک فرکانس و بررسی پاسخ هارمونیک و مودال می پردازیم.  
27 فروردین 1400
0
55,000 تومان