استراتژی هوشمند و انرژی کارآمد اطفای حریق در شبکه های حسگر بی سیم متحرک

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 263

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-13-3_004

تاریخ نمایه سازی: 29 تیر 1401

چکیده مقاله:

پژوهشگران در سال های اخیر با افزایش دامنه آتش سوزی ها و به همراه آن تخریب گسترده محیط زیست و مناطق شهری پرتراکم، به به کارگیری راهکارهای سریع و موثر در مقابله با حریق، به ویژه براساس شبکه های حسگر بی سیم توجه ویژه ای داشته اند. درواقع، با تحلیل داده های آماری مختلف و طراحی یک مدل نوین از حسگرها، تجهیزات و تکنولوژی های هوشمند در یک شبکه حسگر آتشنشان می توان گام موثری در راستای کنترل آتش سوزی های مکرر در سطح گسترده و نیز کاهش خسارت های زیست محیطی آن برداشت. در مدل پیشنهادی، حسگرهای متحرک یا روبوت های اطفای حریق بر پایه الگوریتم یادگیری فازی - کیو و به کمک دو سیاست یادگیری کامل و جزئی در شبکه حسگر به محاصره آتش در عملیات اطفای حریق قادر خواهند بود. در این مدل، محدودیت های انرژی در حسگرهای متحرک نیز با طراحی مسئله بهینه انتخاب مد عملکرد و با فرض قابلیت برداشت انرژی های محیطی قبل از کنترل حرکت به سمت حریق در نظر گرفته شده اند که با محاسبه کران های بالا و پایین برای تعداد حسگرهای ثابت فعال در تصمیم گیری مشارکتی، میزان مطلوب احتمالات آشکارسازی و اعلام اشتباه حریق نیز تضمین شدنی است. نتایج شبیه سازی های کامپیوتری، موثربودن اعمال چنین راهکاری در انتخاب بهینه حسگرهای متحرک و همچنین تعیین مسیر حرکت در اطفای سریع حریق را نشان می دهند.

کلیدواژه ها:

شبکه های حسگر بی سیم ، استراتژی هوشمند اطفای حریق ، حسگرهای متحرک ، آتش ، بهینه سازی

نویسندگان

فرزاد حسین پناهی

گروه مهندسی برق-الکترونیک و مخابرات، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران

فریدون حسین پناهی

گروه مهندسی برق-الکترونیک و مخابرات، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • M. Yang and C. Zhang, “Smoke Alarm System,” Wireless, Vol. ...
  • T. M. Behera, S. K. Mohapatra, U. C. Samal, M. ...
  • R. Morello, S. C. Mukhopadhyay, Z. Liu, D. Slomovitz and ...
  • S. Anand and Keetha Manjari.R.K, "FPGA implementation of artificial Neural ...
  • T. Islam, H. A. Rahman and M. A. Syrus, "Fire ...
  • Farzad H. Panahi, Parvin Farhadi & Zhila H. Panahi (۲۰۱۶) Spectral-Efficient Green ...
  • Giglioa, L., Descloitresa, J., Justicec, C.O., Kaufman, Y.J., ۲۰۰۳. An ...
  • V. Sherstjuk, M. Zharikova and I. Sokol, "Forest Fire Monitoring ...
  • S. R. Vijayalakshmi and S. Muruganand, "A survey of Internet ...
  • F. A. Hossain, Y. Zhang and C. Yuan, "A Survey ...
  • Stone, P.; Veloso, M. Multiagent systems: A survey from machine ...
  • N. K. Ure, S. Omidshafiei, B. T. Lopez, A. [۱۳] ...
  • Rashid, A.T.; Ali, A.A.; Frasca, M.; Fortuna, L. Path planning ...
  • Arel, I.; Liu, C.; Urbanik, T.; Kohls, A.G. Reinforcement learning-based ...
  • Cherkassky, V.; Mulier, F. Learning from data: Concepts, Theory and ...
  • Zhang, W.; Ma, L.; Li, X. Multi-agent reinforcement learning based ...
  • Hu, X.; Wang, Y. Consensus of Linear Multi-Agent Sys. Subject ...
  • Luviano, D.; Yu, W. Path planning in unknown environment with ...
  • Abul, O.; Polat, F.; Alhajj, R. Multi-agent reinforcement learning using ...
  • Fernandez, F.; Parker, L.E. Learning in large cooperative multi-robots systems. ...
  • Foerster, J.; Nardelli, N.; Farquhar, G.; Afouras, T.; Torr, P.H.; ...
  • Tam., H.; Ishi, S. Multi agent reinforcement learning applied to ...
  • Ishiwaka, Y.; Sato, T.; Kakazu, Y. An approach to pursuit ...
  • Radac, M.-B.; Precup, R.-E.; Roman, R.-C. Data-driven model reference control ...
  • Pandian, B.J.; Noel, M.M. Control of a bioreactor using a ...
  • F. H. Panahi, F. H. Panahi, G. Hattab, T. Ohtsuki ...
  • F. H. Panahi and T. Ohtsuki, “Optimal channel-sensing scheme for ...
  • Waleed Ejaz, Muhammad Naeem, Adnan Shahid, Alagan Anpalagan and Minho ...
  • Zhu, Ch., V. CM L., Lei Shu, and E. C-H. ...
  • M. M. Amiri and S. M. H. Andargoli, "Life time ...
  • نمایش کامل مراجع