پیش بینی رفتار نیروهای عمودی شناور SES با استفاده از الگوریتم یادگیری عاطفی (Emotional Learning)
محل انتشار: سیزدهمین کنفرانس سالانه مهندسی مکانیک
سال انتشار: 1384
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,748
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISME13_448
تاریخ نمایه سازی: 21 اسفند 1385
چکیده مقاله:
شناور (Surface Effect Ship)SES به شناورهایی اطلاق می گردد که با استفاده از پدیده اثر سطح و ارسال هوای فشرده به زیر بدنه نیروهای پسای وارده به شناور را تا حد بسیار زیادی کاهش می دهند. ایده اصلی این شناور تلفیقی ساختاری از شناورهای کاتاماران و هاروکرافت می باشد. در این شناور به واسطه محبوس شدن هوا در زیر بدنه و حرکت در امواج دریا نوع خاصی از ارتعاشات عمودی بوجود می آید که پدیده کابل استون (Cobblestone) نامیده می شود. در این شناور مسئله ارتعاشات و لزوم کاهش تکانهای شدید نیروهای عمودی و مقابله با پدیده کابل استون (Cobblestone) امری الزامی است و در خصوص کیفیت سواری موثر می باشد. در این مقاله تحلیل ارتعاشات یک شناور SES با استفاده از الگوریتم یادگیری عاطفی مورد بررسی قرار گرفته است. روش یادگیری عاطفی یک روش یادگیری چندمنظوره با بار محاسباتی کم است که در تصمیم گیری عاطفی (ELFIS) معرفی می گردد. الگوریتم یادگیری عاطفی از منطقی بسیار قوی برخوردار بوده و می تواند در این زمینه الگوی ارتعاشی را تحلیل نماید. از نتایج بدست آمده می توان در زمینه تحلیل سیستمهای غیر خطی و پیش بینی سریهای زمانی استفاده نمود.
کلیدواژه ها:
نویسندگان
علی دهقانیان
کارشناس ارشد مهندسی هوادریا ، مجتمع دانشگاهی علوم و فناوری دریایی، پژ
کامبیز عالم پور
کارشناس ارشد مهندسی هوادریا مجتمع دانشگاهی علوم و فناوری دریایی، پژو
کاووس زارع
کارشناس ارشد تبدیل انرژی مجتمع دانشگاهی علوم و فناوری دریایی، پژوهشک
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 :