توسعه چارچوب هوشمند مبتنی بر یادگیری ماشین و بهینهسازی چندهدفه برای طراحی سیستمهای ارتینگ تاسیسات صنعتی و ساختمانی با اتکا به سوابق اجرایی و دادههای میدانی

مقاله پژوهشی روش شناختی

توسعه چارچوب هوشمند مبتنی بر یادگیری ماشین و بهینه سازی چندهدفه برای طراحی سیستم های ارتینگ تاسیسات صنعتی و ساختمانی با اتکا به سوابق اجرایی و داده های میدانی

Development of a Machine-Learning-Based Intelligent and Multi-Objective Optimization Framework for Earthing System Design in Industrial and Building Facilities Using Project Records and Field Data

نویسنده: مهندس عبدی

وابستگی سازمانی: مهندسی نیرو ایستا

نسخه فارسی ۱۰ نوامبر ۲۰۲۶

چکیده

طراحی سیستم ارتینگ در تاسیسات صنعتی و ساختمانی، مسئله ای چندمتغیره است که عملکرد آن به مشخصات الکتریکی و زمین شناسی خاک، شرایط محیطی، هندسه و جنس الکترودها، آرایش شبکه زمین، جریان خطا و زمان عملکرد تجهیزات حفاظتی وابسته است. روش های متداول طراحی بر اندازه گیری های میدانی، روابط مهندسی و الزامات استانداردها تکیه دارند؛ بااین حال، استفاده نظام مند از سوابق پروژه ها و روش های یادگیری ماشین می تواند به تحلیل داده های انباشته، تخمین رفتار سامانه و بررسی گزینه های طراحی کمک کند.

این مقاله یک چارچوب پژوهشی برای ایجاد بانک داده و توسعه مدل هوشمند طراحی و بهینه سازی سیستم های ارتینگ ارائه می کند. مبنای سازمانی چارچوب، رزومه اجرایی شرکت مهندسی نیرو ایستا است که در آن سوابق شماره گذاری شده پروژه ها، موقعیت های جغرافیایی، اقلام ارت و صاعقه گیر و مدل تجهیزات ثبت شده اند. این سوابق برای شناسایی و طبقه بندی پروژه ها و ایجاد فهرست مادر مناسب اند؛ اما به تنهایی شامل مجموعه کامل اندازه گیری مقاومت ویژه خاک، مقاومت نهایی سیستم زمین، پارامترهای جریان خطا و زمان قطع نیستند. ازاین رو، داده های فاقد مستندات اندازه گیری به عنوان داده واقعی عملکردی تلقی نمی شوند.

در چارچوب پیشنهادی، داده ها در سه لایه شامل اطلاعات مستند پروژه، متغیرهای محیطی منطقه ای و پارامترهای فنی اندازه گیری شده نگهداری می شوند. الگوریتم های Random Forest، Gradient Boosting/XGBoost و Support Vector Regression برای بررسی پیش بینی مقاومت سیستم زمین پیشنهاد می شوند. پس از اعتبارسنجی مستقل، بهینه سازی چندهدفه با الگوریتم NSGA-II می تواند برای بررسی مصالحه میان عملکرد الکتریکی، هزینه و محدودیت های ایمنی به کار رود. معیارهای ارزیابی شامل MAE، RMSE و R² هستند و تقسیم داده باید در سطح پروژه یا سایت مستقل انجام شود تا از نشت اطلاعات جلوگیری شود. مقاله حاضر یک چارچوب روش شناختی قابل اجرا ارائه می کند و به دلیل نبود داده های میدانی کافی در اسناد اولیه، ادعای عملکرد عددی یا دقت تجربی برای مدل مطرح نمی کند.

واژگان کلیدی: سیستم ارتینگ؛ مقاومت ویژه خاک؛ یادگیری ماشین؛ بهینه سازی چندهدفه؛ NSGA-II؛ داده های میدانی؛ ایمنی الکتریکی.

۱. مقدمه

سیستم زمین یا ارتینگ، بخشی اساسی از طراحی تاسیسات الکتریکی است. این سامانه در شرایط خطا، صاعقه و اضافه ولتاژهای گذرا در کنار سایر اجزای حفاظتی، در کنترل اختلاف پتانسیل، فراهم کردن مسیر جریان و کاهش خطر برای افراد و تجهیزات نقش دارد. بااین حال، مقاومت الکتریکی اندازه گیری شده یک الکترود یا شبکه زمین به تنهایی شاخص کافی برای ارزیابی ایمنی همه سامانه ها نیست. در تاسیسات با جریان خطای قابل توجه، توزیع پتانسیل سطح زمین، ولتاژ تماس و گام، زمان قطع و مسیرهای موازی جریان نیز باید بررسی شوند.

ویژگی های خاک ممکن است در فاصله های کوتاه مکانی تغییر کنند و در طول زمان نیز تحت تاثیر رطوبت، دما و شرایط فصلی قرار گیرند. در نتیجه، انتساب یک مقدار مقاومت ویژه ثابت به همه پروژه های واقع در یک شهر، از نظر علمی قابل دفاع نیست. موقعیت جغرافیایی می تواند برای پیوند دادن پروژه با داده های اقلیمی و زمین شناسی منطقه ای استفاده شود، اما جایگزین آزمون مقاومت ویژه خاک در محل اجرای پروژه نخواهد بود.

از سوی دیگر، شرکت های فعال در حوزه طراحی و اجرای ارتینگ معمولا سوابق متعددی از پروژه ها، مشتریان، مکان ها و تجهیزات دارند. اگر این سوابق با شناسه یکتا، کیفیت سنجی و داده های اندازه گیری تکمیل شوند، می توانند مبنای ایجاد یک پایگاه داده مهندسی باشند. هدف این مقاله، تعریف معماری چنین پایگاهی و ارائه روش توسعه و اعتبارسنجی مدل یادگیری ماشین برای پشتیبانی از طراحی است؛ نه جایگزین کردن قضاوت مهندس یا الزامات استاندارد با خروجی یک الگوریتم.

۱-۱. اهداف و پرسش های پژوهش

· طراحی ساختار بانک داده قابل ردیابی برای پروژه های ارتینگ صنعتی و ساختمانی.

· تفکیک داده های مستند پروژه از داده های محیطی منطقه ای و مقادیر ناموجود یا تاییدنشده.

· ارزیابی امکان پیش بینی مقاومت سیستم زمین با الگوریتم های یادگیری ماشین، مشروط به وجود داده کافی و معتبر.

· تدوین روش بهینه سازی چندهدفه با درنظرگرفتن عملکرد الکتریکی، هزینه و محدودیت های ایمنی.

· تعریف پروتکل اعتبارسنجی مستقل در سطح پروژه/سایت و جلوگیری از نشت داده.

پرسش اصلی این است که آیا تلفیق داده های فنی واقعی پروژه ها با متغیرهای محیطی منطقه ای می تواند مدلی قابل تعمیم برای پشتیبانی از طراحی سیستم ارتینگ ایجاد کند؟ پاسخ تجربی به این پرسش مستلزم تکمیل بانک داده و انجام آزمون های مستقل است.

۲. مبانی فنی و استانداردی

در طراحی و ارزیابی سیستم زمین باید میان سه مفهوم تمایز گذاشت: مقاومت ویژه خاک (ویژگی الکتریکی محیط)، مقاومت یا امپدانس سیستم زمین (رفتار مجموعه الکترودها و اتصالات در شرایط آزمون) و معیارهای ایمنی ناشی از اختلاف پتانسیل سطح زمین. این کمیت ها مرتبط اند، اما قابل جایگزینی با یکدیگر نیستند.

برای اندازه گیری مقاومت ویژه خاک، امپدانس سیستم زمین و پتانسیل های سطحی، راهنمای IEEE Std 81-2025 مرجع اندازه گیری مرتبط است. این سند موضوعاتی مانند شرایط ایمن آزمون، اندازه گیری مقاومت ویژه، مقاومت/امپدانس فرکانس قدرت و گذرا، ولتاژ تماس و گام، صحت سنجی یکپارچگی سیستم و محدودیت های تجهیزات اندازه گیری را پوشش می دهد [۱].

IEEE Std 80-2013 به طور مشخص راهنمای ایمنی زمین کردن پست های برق AC است و نباید بدون توجه به دامنه کاربرد آن به تمام تاسیسات ساختمانی تعمیم داده شود. صفحه رسمی IEEE وضعیت این نسخه را Inactive-Reserved نشان می دهد و پروژه بازنگری P80 نیز در حال توسعه معرفی شده است؛ بنابراین در کاربرد قراردادی باید آخرین وضعیت و نسخه قابل اعمال کنترل شود [۲،۳]. برای تاسیسات فشار ضعیف ساختمانی، IEC 60364-5-54:2011+A1:2021 به آرایش های زمین، هادی های حفاظتی و هم بندی حفاظتی می پردازد [۴].

بنابراین، چارچوب هوشمند پیشنهادی صرفا باید در چارچوب استانداردهای مرتبط با نوع تاسیسات به کار رود. خروجی مدل نمی تواند جایگزین بررسی مهندسی، اندازه گیری میدانی، ارزیابی جریان خطا، زمان قطع یا کنترل ولتاژهای تماس و گام شود.

۳. مواد و روش ها 

۳-۱. منبع داده و محدوده مطالعه

منبع اولیه سازمانی این مطالعه، سند «رزومه ۱ شهریور ۱۴۰۳» شرکت مهندسی نیرو ایستا و البرز تجهیزات نور است. سند، حوزه فعالیت طراحی، تولید، فروش، نصب و اجرای سیستم ارت و صاعقه گیر را معرفی می کند و جدولی از سوابق مشتریان/پروژه ها، موقعیت ها، تعداد اقلام ارت و صاعقه گیر و مدل صاعقه گیر در بر دارد. ردیف های جدول به صورت شماره گذاری شده ارائه شده اند؛ بااین حال، هر ردیف لزوما معادل یک پروژه مستقل نیست و ممکن است چند ردیف به یک مشتری، پیمانکار یا سایت مربوط باشند. بنابراین شمارش ردیف ها نباید به عنوان تعداد قطعی پروژه های مستقل گزارش شود.

در نسخه عمومی مقاله، نام مشتریان، اشخاص و مکان های حساس باید ناشناس سازی شوند، مگر آنکه مجوز کتبی انتشار وجود داشته باشد. شناسه های داخلی پروژه برای پیوند دادن رزومه، صورت جلسه ها، نقشه ها و نتایج آزمون حفظ می شوند؛ اما نسخه منتشرشده از کدهای ناشناس استفاده می کند.

۳-۲. واحد تحلیل و رفع تکرار

واحد تحلیل پیشنهادی «سایت/پروژه اجرایی» است، نه سطر رزومه یا تعداد تجهیزات. برای هر رکورد، یک Project_ID موقت ایجاد می شود. سپس با استفاده از نام مشتری، عنوان سایت، شهر، تاریخ اجرا، صورت جلسه تحویل، سفارش و اسناد فنی، رکوردهای احتمالی تکراری شناسایی می شوند. ادغام دو رکورد فقط در صورت وجود شواهد مستند انجام می شود؛ در غیر این صورت هر دو رکورد حفظ و با پرچم «احتمال تکرار» مشخص خواهند شد.

۳-۳. طبقه بندی منشا و کیفیت داده

هر متغیر باید همراه با منبع، تاریخ، واحد، روش اندازه گیری و سطح اطمینان ثبت شود. سه طبقه داده تعریف می شود:

· داده مستند پروژه: اطلاعاتی که در صورت جلسه، نقشه چون ساخت، گزارش آزمون، فرم اندازه گیری یا سند معتبر پروژه ثبت شده اند.

· داده منطقه ای: داده های اقلیمی، بارندگی، دما و زمین شناسی که از منابع بیرونی معتبر و با ذکر مقیاس مکانی و زمانی اخذ می شوند. این داده ها به عنوان ویژگی منطقه ای ثبت می شوند، نه اندازه گیری محل پروژه.

· داده ناموجود یا تاییدنشده: مقدارهایی که در اسناد موجود نیستند یا فقط از روی شهر/نوع کاربری حدس زده می شوند. این مقادیر NULL باقی می مانند و وارد برچسب هدف آموزش نمی شوند.

در هیچ مرحله ای مقدار نامعلوم نباید با صفر، میانگین دلخواه یا مقدار تخمینی بدون برچسب جایگزین شود. در صورت استفاده از برآوردهای مکانی، روش تخمین، منبع، تفکیک مکانی و عدم قطعیت باید جداگانه ثبت شوند.

۳-۴. متغیرهای ورودی و خروجی

برای پیش بینی مقاومت سیستم زمین، برچسب هدف باید دقیقا تعریف شود؛ برای مثال، مقدار مقاومت اندازه گیری شده در فرکانس قدرت با روش آزمون مشخص. مقادیر مقاومت ویژه خاک و مقاومت سیستم زمین نباید در یک ستون یا به عنوان یک کمیت واحد ثبت شوند. اگر هدف مدل امپدانس گذرا یا ولتاژ تماس باشد، داده و روش اندازه گیری متناظر باید جداگانه تعریف شود.

۳-۵. داده های منطقه ای و محدودیت استنباط مکانی

پس از استانداردسازی مکان پروژه، اطلاعات اقلیمی و زمین شناسی منطقه می تواند از پایگاه های داده رسمی یا علمی استخراج شود. برای هر متغیر، نام منبع، نسخه یا تاریخ دریافت، تفکیک مکانی، بازه زمانی و روش اتصال مکانی ثبت خواهد شد. در صورت مشخص نبودن مختصات سایت، اتصال صرفا در سطح شهر یا استان انجام می شود و این محدودیت باید در مدل منعکس شود.

به دلیل ناهمگنی خاک درون شهرها، داده منطقه ای نمی تواند مقدار مقاومت ویژه محل نصب را تعیین کند. بنابراین، مدل باید با داده های واقعی مقاومت ویژه و آزمون های سایت آموزش داده شود. در غیر این صورت، خطر یادگیری رابطه های کاذب بین نام شهر و خروجی وجود دارد و مدل قابلیت تعمیم قابل اتکا نخواهد داشت.

۴. توسعه مدل یادگیری ماشین 

۴-۱. پیش پردازش

پیش پردازش شامل کنترل دامنه و واحدها، حذف خطاهای ثبت شده با سند اصلاحی، تشخیص رکوردهای تکراری، بررسی مقادیر پرت، کدگذاری متغیرهای طبقه ای و مدیریت داده های مفقود است. هر تبدیل آماری مانند استانداردسازی یا جایگزینی مقادیر باید فقط روی داده آموزش برازش شود و سپس بدون بازبرازش بر داده آزمون اعمال گردد. داده های تکراری یک سایت نباید در دو بخش آموزش و آزمون قرار گیرند.

۴-۲. الگوریتم های پیشنهادی

سه خانواده مدل برای مقایسه اولیه پیشنهاد می شود:

· Random Forest Regression: برای مدل سازی روابط غیرخطی و برهم کنش متغیرها، با امکان تحلیل اهمیت ویژگی ها؛ با این ملاحظه که اهمیت ویژگی به تنهایی رابطه علی را اثبات نمی کند.

· Gradient Boosting / XGBoost: برای یادگیری روابط پیچیده در داده های جدولی؛ تنظیم ابرپارامترها باید با اعتبارسنجی گروهی و کنترل بیش برازش انجام شود.

· Support Vector Regression (SVR): به عنوان مدل مقایسه ای، با تنظیم کرنل و پارامترهای منظم سازی و مقیاس بندی داده ها.

انتخاب مدل بر اساس عملکرد واقعی روی داده های مستقل انجام می شود، نه صرفا عملکرد آموزش یا یک تقسیم تصادفی. اگر تعداد سایت های مستقل یا تنوع اندازه گیری ها کافی نباشد، نتیجه باید به عنوان مطالعه اکتشافی گزارش شود و از ادعای تعمیم پذیری اجتناب گردد.

۴-۳. تقسیم داده و اعتبارسنجی

تقسیم داده باید بر اساس شناسه پروژه یا سایت صورت گیرد. در صورت وجود داده های چندزمانی از یک سایت، تمام رکوردهای آن سایت در یک بخش باقی می مانند؛ یا در طراحی زمانی، آموزش بر دوره های قدیمی تر و آزمون بر دوره های جدیدتر انجام می شود. اعتبارسنجی گروهی مانند GroupKFold یا روش معادل برای تنظیم مدل مناسب است. در صورت امکان، یک مجموعه آزمون نهایی از سایت هایی که در هیچ مرحله انتخاب مدل استفاده نشده اند نگهداری می شود.

معیارهای ارزیابی به شکل زیر تعریف می شوند. در این روابط، y_i مقدار اندازه گیری شده، ŷ_i مقدار پیش بینی شده و n تعداد نمونه های آزمون است:

MAE = (1/n) Σ |y_i − ŷ_i|

RMSE = √[(1/n) Σ (y_i − ŷ_i)²]

R² = 1 − [Σ(y_i − ŷ_i)² / Σ(y_i − ȳ)²]

MAE و RMSE باید همراه با واحد خروجی گزارش شوند. R² به تنهایی برای ارزیابی کافی نیست و در مجموعه های کوچک یا دارای دامنه محدود می تواند گمراه کننده باشد. علاوه بر این، نمودار باقیمانده ها، خطای نسبی در بازه های مختلف و عملکرد مدل برای انواع کاربری و شرایط خاک بررسی می شود.

1. ۴-۴. عدم قطعیت و قابلیت تفسیر

مدل باید علاوه بر پیش بینی نقطه ای، تا حد امکان عدم قطعیت پیش بینی را نیز گزارش کند؛ برای مثال با بازه های پیش بینی یا روش های بازنمونه گیری. تحلیل اهمیت ویژگی ها و روش هایی مانند SHAP می توانند برای بررسی سهم متغیرها استفاده شوند، اما تفسیر آنها باید با دانش فیزیکی و کیفیت داده سنجیده شود. همبستگی یا اهمیت آماری به تنهایی اثبات کننده رابطه علی نیست.

۵. بهینه سازی چندهدفه

پس از دستیابی به مدل پیش بینی معتبر، می توان آن را به عنوان بخشی از تابع ارزیابی در مسئله بهینه سازی به کار گرفت. متغیرهای تصمیم ممکن است شامل تعداد الکترودها، طول و عمق نصب، فاصله، آرایش، سطح شبکه و نوع مصالح باشند. دامنه مجاز هر متغیر باید از قیود فنی، استانداردی، اجرایی و محدودیت های سایت استخراج شود.

یک صورت بندی عمومی مسئله به شکل زیر است:

Minimize F(x) = [R_g(x), C(x)]

subject to: g_j(x) ≤ 0, h_k(x) = 0, x_min ≤ x ≤ x_max

در این صورت بندی، R_g شاخص مقاومت/امپدانس تعریف شده برای مسئله و C هزینه چرخه اجرا یا هزینه اولیه با دامنه مشخص است. در کاربردهای ایمنی، محدودیت های ولتاژ تماس و گام، ظرفیت حرارتی هادی ها، تنش های مکانیکی، خوردگی، دوام و الزامات اتصال باید به عنوان قیود صریح وارد شوند. کاهش مقاومت زمین به تنهایی معادل ایمن بودن طرح نیست.

الگوریتم NSGA-II برای تولید مجموعه جواب های پارتو پیشنهاد می شود. خروجی بهینه سازی یک جواب یگانه و مطلق نیست؛ بلکه مجموعه ای از گزینه های غیرمغلوب است که مصالحه بین اهداف را نشان می دهد. انتخاب طرح نهایی باید با توجه به نوع تاسیسات، تحلیل مهندسی، هزینه، الزامات بهره برداری و استاندارد قابل اعمال انجام شود.

۶. کنترل کیفیت، قابلیت بازتولید و اخلاق پژوهش

· برای هر داده، منبع، زمان ثبت، واحد، ابزار اندازه گیری و مسئول ثبت نگهداری شود.

· نسخه خام رزومه و اسناد پروژه بدون تغییر بایگانی شود؛ پاک سازی در نسخه مشتق شده و قابل ممیزی انجام گیرد.

· اصلاح یا ادغام رکوردها همراه با دلیل و سابقه تغییر ثبت شود.

· اطلاعات مشتریان، اشخاص، مختصات حساس و جزئیات قراردادی پیش از انتشار ناشناس سازی شوند.

· داده های منطقه ای از داده های اندازه گیری واقعی تفکیک شوند و هیچ مقدار تخمینی به عنوان اندازه گیری گزارش نشود.

· کد تحلیل، نسخه کتابخانه ها، بذر تصادفی، تنظیمات مدل و روش تقسیم داده ثبت شوند تا بازتولیدپذیری امکان پذیر باشد.

· مدل صرفا ابزار پشتیبان تصمیم مهندسی است و مسئولیت تایید طراحی بر عهده مهندس ذی صلاح و فرآیند کنترل پروژه باقی می ماند.

۷. وضعیت داده های موجود و حدود نتایج

بررسی سند رزومه نیرو ایستا نشان می دهد که آن برای تشکیل فهرست مادر سوابق و استخراج فیلدهایی مانند نام مشتری/پیمانکار، موقعیت درج شده، تعداد اقلام ارت و صاعقه گیر و کد مدل مفید است. بااین حال، این سند به تنهایی گزارش اندازه گیری مقاومت ویژه خاک، پروفیل لایه بندی، مقاومت نهایی سیستم زمین، روش آزمون، تاریخ و شرایط محیطی آزمون، جریان خطا یا زمان قطع را برای هر پروژه فراهم نمی کند.

در نتیجه، از سند رزومه نمی توان دقت مدل یادگیری ماشین، توزیع مقاومت زمین، رابطه کمی شهر و مقاومت خاک یا بهبود درصدی حاصل از بهینه سازی را محاسبه کرد. همچنین تعداد ردیف های شماره گذاری شده را نمی توان بدون رفع تکرار و تطبیق با اسناد تحویل، تعداد قطعی پروژه های مستقل دانست. این محدودیت، مانع ارائه چارچوب روش شناختی نیست؛ اما مانع گزارش یافته های تجربی عددی در نسخه حاضر است.

برای تکمیل مطالعه تجربی، صورت جلسه ها حتی اگر فاقد جزئیات فنی خاک باشند، برای تایید هویت پروژه، تاریخ اجرا، محل، اقلام و تعدادها و رفع تکرار ارزشمندند. برای آموزش مدل پیش بینی مقاومت، لازم است گزارش های آزمون یا اندازه گیری واقعی از پروژه های منتخب گردآوری شود.

۸. بحث

مزیت اصلی چارچوب پیشنهادی، تفکیک صریح سه لایه اطلاعاتی است: سوابق اجرایی، داده های محیطی منطقه و داده های اندازه گیری فنی. این تفکیک از یکی از خطاهای رایج در مطالعات داده محور جلوگیری می کند؛ یعنی تبدیل یک شاخص جغرافیایی کلی به جانشین یک ویژگی فیزیکی اندازه گیری نشده. شهر پروژه می تواند زمینه مکانی را توصیف کند، اما خاک واقعی سایت تابع زمین شناسی موضعی، خاک برداری، خاک ریزی، لایه بندی، رطوبت و شرایط محلی است.

از منظر یادگیری ماشین، حجم خام رکوردها به تنهایی معیار کفایت داده نیست. تعداد سایت های مستقل، پوشش دامنه متغیرها، کیفیت برچسب هدف و تنوع شرایط فنی اهمیت بیشتری دارند. صدها ردیف فروش یا تحویل که فاقد اندازه گیری هدف اند، نمی توانند جایگزین مجموعه ای کوچک تر اما دقیق از داده های آزمون شوند. به همین دلیل، فاز نخست پروژه باید بر ممیزی و تکمیل داده متمرکز باشد، نه انتخاب شتاب زده الگوریتم.

همچنین خروجی مدل پیش بینی باید در یک زنجیره تصمیم گیری مهندسی قرار گیرد. ابتدا مدل در برابر داده مستقل اعتبارسنجی می شود؛ سپس گزینه های طراحی در دامنه مجاز جست وجو می شوند؛ در پایان، گزینه های منتخب با محاسبات استانداردی و آزمون میدانی تایید می شوند. این رویکرد مانع از آن می شود که یک پیش بینی آماری به تنهایی به عنوان گواه ایمنی تلقی شود.

۹. نتیجه گیری

در این مقاله، چارچوبی برای توسعه بانک داده و مدل هوشمند پشتیبان طراحی سیستم های ارتینگ صنعتی و ساختمانی ارائه شد. رزومه اجرایی نیرو ایستا می تواند نقطه شروع مناسبی برای شناسایی سوابق، مکان ها و اقلام پروژه ها باشد؛ اما برای توسعه مدل پیش بینی مقاومت زمین باید با داده های اندازه گیری واقعی، مشخصات خاک و هندسه چون ساخت تکمیل شود.

روش پیشنهادی شامل استانداردسازی و رفع تکرار رکوردها، تفکیک داده های مستند از داده های منطقه ای، انتخاب الگوریتم های رگرسیونی، اعتبارسنجی گروهی در سطح سایت، ارزیابی با MAE/RMSE/R² و سپس بهینه سازی چندهدفه با NSGA-II است. ایمنی طراحی باید با قیود متناسب با نوع تاسیسات و بررسی ولتاژ تماس و گام و سایر الزامات حفاظتی ارزیابی شود.

بر اساس اسناد فعلی، ارائه نتایج عددی مدل یا ادعای دقت و بهبود عملکرد امکان پذیر نیست. بنابراین، سهم علمی نسخه حاضر در ارائه معماری داده، روش شناسی قابل ممیزی و پروتکل اعتبارسنجی است. اجرای فاز میدانی و انتشار نتایج کمی، مرحله ضروری بعدی برای تبدیل این چارچوب به یک مطالعه تجربی کامل خواهد بود.

منابع

[۱] IEEE Standards Association, IEEE Std 81-2025, Guide for Measuring Earth Resistivity, Ground Impedance, and Earth Surface Potentials of a Grounding System. صفحه رسمی استاندارد: https://standards.ieee.org/ieee/81/11218/

[۲] IEEE Standards Association, IEEE Std 80-2013, Guide for Safety in AC Substation Grounding. صفحه رسمی: https://standards.ieee.org/ieee/80/4089/

[۳] IEEE Standards Association, P80, Guide for Safety in AC Substation Grounding, Active PAR (بازنگری استاندارد). https://standards.ieee.org/ieee/80/12145/

[۴] International Electrotechnical Commission, IEC 60364-5-54:2011+AMD1:2021 CSV, Low-voltage electrical installations—Part 5-54: Earthing arrangements and protective conductors. https://webstore.iec.ch/en/publication/68865

[۵] Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197. https://doi.org/10.1109/4235.996017

[۶] Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324

[۷] Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273–297. https://doi.org/10.1007/BF00994018

[۸] Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785

[۹] Scikit-learn developers. Model evaluation: quantifying the quality of predictions; cross-validation iterators for grouped data. https://scikit-learn.org/stable/modules/model_evaluation.html وhttps://scikit-learn.org/stable/modules/cross_validation.html

پیوست الف حداقل فرم داده برای هر پروژه

پیوست ب چک لیست پیش از ارسال به نشریه

· تطبیق قالب، تعداد کلمات، شیوه ارجاع دهی و الزامات اخلاق نشر با نشریه هدف.

· تایید نام و ترتیب نویسندگان و وابستگی سازمانی.

· اخذ مجوز استفاده و انتشار داده های پروژه ها و ناشناس سازی مشتریان.

· تکمیل داده های آزمون و افزودن نتایج عددی فقط پس از اعتبارسنجی مستقل، در صورت انتخاب قالب مقاله تجربی.

· بررسی آخرین نسخه استانداردهای مرتبط در تاریخ ارسال و کنترل دقیق دامنه کاربرد آنها.

· بازبینی تخصصی توسط مهندس طراح/آزمایشگر ارتینگ و ویرایش زبانی علمی.

مهندسی نیرو ایستا

وب سایت رسمی شرکت مهندسی نیرو ایستا www.niroista.com