ارایه یک سیستم استنتاجی براساس خوشه بندی فازی برای پیدایش تغییرات در میدان جریان خروجی روتور توربوماشین گریز از مرکز

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 58

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_MME-19-6_019

تاریخ نمایه سازی: 21 اسفند 1403

چکیده مقاله:

در این مقاله به ارایه سیستمی بر مبنای خوشه بندی فازی برای نمایش تغییرات میدان جریان در ناحیه خروجی روتور توربوماشین گریز از مرکز پرداخته شده است. آنچه در پژوهش های انجام گرفته در حوزه توربوماشین ها حایز اهمیت است، نیاز تمامی زمینه ها به درک صحیح از پدیده های جریان داخل توربوماشین است که از پیچیدگی هایی برخوردار است. به همین سبب از پیشرفته ترین تجهیزات آزمایشگاهی در این راستا استفاده می شود که با مسایلی از قبیل زمان بری، هزینه بالا و تعداد زیاد آزمایش های مورد نیاز همراه است که اهمیت شبیه سازی و رصد پدیده های جاری در آن را به واسطه الگوریتم های هوش مصنوعی دوچندان می کند. سیستم حاضر براساس خوشه بندی فازی به گونه ای عمل می کند که داده های مکانی (از سیستم اندازه گیری تصویر ذره ای) توسط تعداد خوشه معین به نمایش میدان در زمان اولیه می پردازد، سپس با اعمال تغییرات در خوشه مربوط به رشته داده های زمانی (از سیستم اندازه گیری بادسنجی لیزری) که حاوی تغییرات ثبت شده از جریان در طول زمان داده برداری است، داده های جدید میدان در گام زمانی جدید حاصل می شود و با خوشه بندی مجدد داده ها، نمایش تغییرات میدان جریان در فضای فازی صورت می پذیرد. در مقاله حاضر، میدان جریان برای شش گام زمانی پیاپی مورد بررسی قرار گرفته است که نتایج خروجی سیستم، تغییرات میدان جریان ناشی از چرخش روتور در زوایای مختلف را در ناحیه داده برداری شده نشان می دهد.

کلیدواژه ها:

نویسندگان

سیف دلیل صفائی

Mechanical Engineering Department, Mechanical Engineering Faculty, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran

نادر منتظرین

Mechanical Engineering Department, Mechanical Engineering Faculty, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran

محمدحسین فاضل زرندی

Industrial Engineering Department, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran

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 :
  • Paone N, Riethmuller ML, Vandenbraembussche RA. Application of particle image ...
  • Akin O, Rockwell D. Flow structure in a radial flow ...
  • Sinha M, Katz J. Quantitative visualization of the flow in ...
  • Sinha M, Katz J, Meneveau Ch. Quantitative visualization of the ...
  • Soranna F, Chow YC, Uzol O, Katz J. The effect ...
  • Bricaud C, Richter B, Dullenkopf K, Bauer HJ. Stereo PIV ...
  • Liu B, Yu X, Liu H, Jiang H, Yuan H, ...
  • Denger GR, McBride MW. Three-dimensional flow field characteristics measured in ...
  • Cho GR, Kawahashi M, Hirahara H, Kitadume M. Application of ...
  • Akbarizade M, Montazerin N, Damangir E, Basirat Tabrizi H. Measurement ...
  • Goguen JA. LA Zadeh. Fuzzy sets. Information and control, vol. ...
  • Panigrahi PK, Dwivedi M, Khandelwal V, Sen M. Prediction of ...
  • Tseng YH, Durbin P, Tzeng GH. Using a fuzzy piecewise ...
  • Liang Z, Shan Sh, Liu X, Wen Y. Fuzzy prediction ...
  • Vernet A, Kopp GA. Classification of turbulent flow patterns with ...
  • Ruspini EH. A new approach to clustering. Information and Control. ...
  • Bezdek JC, Ehrlich R, Full W. FCM: The fuzzy c-means ...
  • An automatic approach to continuous stress assessment during driving based on fuzzy c-means clustering [مقاله ژورنالی]
  • Ghosh S, Mitra S, Dattagupta R. Fuzzy clustering with biological ...
  • Alesheikh AA, Aslani M, Kalantari SM. Extracting optimal fuzzy knowledge ...
  • Zhao F, Liu H, Fan J. A multiobjective spatial fuzzy ...
  • Sowmya B, Sheela Rani B. Colour image segmentation using fuzzy ...
  • Yang Z, Chung FL, Shitong W. Robust fuzzy clustering-based image ...
  • Ghorbanpour A, tallai G, panahi M. Clustering customers of Refah ...
  • Askari S, Montazerin N, Fazel Zarandi MH. A clustering based ...
  • Duru O, Bulut E. A non-linear clustering method for fuzzy ...
  • Raj D, Swim WB. Measurements of the mean flow velocity ...
  • Raffel M, Willert CE, Scarano F, Kähler CJ, Wereley ST, ...
  • Tropea C. Laser Doppler anemometry: Recent developments and future challenges. ...
  • Groll L, Jakel J. A new convergence proof of fuzzy ...
  • Koorehpazan Dezfuli A. Principles of fuzzy set theory and its ...
  • Xie XL, Beni G. A validity measure for fuzzy clustering. ...
  • Kwon SH. Cluster validity index for fuzzy clustering. Electronics Letters. ...
  • Askari S, Montazerin N, Fazeli Zarandi MH. Generalized possibilistic fuzzy ...
  • نمایش کامل مراجع