پایان نامه مدلسازی QSAR سمیت مایعات یونی

اختصاصی از حامی فایل پایان نامه مدلسازی QSAR سمیت مایعات یونی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:98

فهرست مطالب:
عنوان                                                                                                                                            صفحه
فصل اول: مقدمه    1
1-1) اجزای اصلی QSAR    3
1-2) انواع روش‌های QSAR    4
1-3) اهداف QSAR    5
1-4) نگاهی گذرا برمایعات یونی    5
فصل دوم: تئوری    8
2-1) جمع‌آوری سری داده‌ها................................................................................................................................10
     2-1-1) روش‌های تقسیم بندی سری داده‌ها.............................................................................................................10
          2-1-1-1) تحلیل خوشه‌ای (CA)......................................................................................................................11
         2-1-1-2) انواع خوشه‌بندی............................................................................................................ ................12
          2-1-1-3) اندازه‌گیری فاصله ...........................................................................................................................13
          2-1-1-4) دسته‌بندی تفکیکی...........................................................................................................................14
               2-1-1-4-1) دسته بندی مبهم C- میانگین.......................................................................................................14
               2-1-1-4-2) الگوریتم دسته‌بندی QT............................................................................................................15
               2-1-1-4-3) خوشه بندی K- میانگین............................................................................................................15
2-2) بهینه‌سازی ساختارهای مولکولی..............................................................................................................................................17
2-3) محاسبه توصیف‌کننده‌های مولکولی    17
2-3-1) توصیف‌کننده‌های ساختاری.........................................................................................................................................19
2-3-2) توصیف کننده‌های توپولوژیکی....................................................................................................................................19
2-3-2-1) توصیف‌کننده‌های جزء......................................................................................................................................19
2-3-2-2) اندیس‌های توپولوژی    19
2-3-2-3) توصیف‌کننده‌های زیرساختاری    20
2-3-2-4) توصیف‌کننده‌های محیطی..................................................................................................................................20
2-3-3) توصیف‌کننده‌های هندسی    20
2-3-4) توصیف‌کننده‌های الکترونی    21
2-3-5) توصیف‌کننده‌های فیزیکو شیمیایی................................................................................................................................21
2-3-6) توصیف‌کننده‌های توسعه یافته.......................................................................................................................................21
2-3-7) توصیف‌کننده‌های LFER.............................................................................................................................................22
2-4) تجزیه و تحلیل آماری توصیف‌کننده‌ها و انتخاب مؤثرترین آنها...............................................................................................22
2-4-1) الگوریتم ژنتیک (GA).................................................................................................................................................23
        2-4-1-1) اصول الگوریتم‌های ژنتیکی...............................................................................................................24        2-4-1-2) روش‌های انتخاب.....................................................................................................................................25
2-5) ایجاد مدل¬های آماری     26
     2-5-1) رگرسیون خطی چندگانه..........................................................................................................................26
     2-5-2) شبکه‌های عصبی پرسپترون چندلایه(MLP).................................................................................................27
        2-5-2-1) تک نرون و ساختار (MLP)..............................................................................................................28
        2-5-2-2) پرسپترون چند لایه...........................................................................................................................30
        2-5-2-3) آموزش شبکه‌های عصبی MLP.........................................................................................................30
2-6) انتخاب بهترین مدل و ارزیابی اعتبار مدل انتخاب شده    33
     2-6-1) قلمرو کاربرد مدل..................................................................................................................................37
2-7) نرم افزارهای مورد استفاده....................................................................................................................................................................................38
2-7-1) بسته نرم افزاری Hyperchem.......................................................................................................................................38
2-7-2) بسته نرم افزاری MOPAC............................................................................................................................................38
2-7-3) بسته نرم افزاریSTATISTICA     39
2-7-4) نرم افزار دراگون    39
2-7-5) نرم افزار CODESSA..................................................................................................................................................39
فصل سوم: مدلسازی QSAR سمیت مایعات یونی    41
3-1) روش کار    43
3-1-1) سری دادهها..................................................................................................................................................................43
3-1-2) محاسبه و پیش‌پردازش توصیف‌کننده‌ها........................................................................................................................53
3-1-3) انتخاب اعضای سری‌های آموزشی و ارزیابی به روش خوشه‌بندی k-میانگین................................................................54
3-1-4) انتخاب بهترین توصیف کننده و مدل‌سازی خطی..........................................................................................................55
3-1-5) مدلسازی غیر خطی با شبکه‌ی عصبی مصنوعی پرسپترون چند لایه    56
3-2) بحث و نتیجه‌گیری    57
3-2-1) تفسیر توصیف‌کننده‌ها..................................................................................................................................................75
3-2-2) بررسی نتایج.................................................................................................................................................................61
3-2-3) ارزیابی نتایج مدل.........................................................................................................................................................63
3-3) جمع‌بندی نهایی    65
فصل چهارم: پیش‌بینی دمای ذوب مایعات یونی و نمک‌های مربوطه با بهره‌گیری از رویکرد QSPR    67
4-1) روش کار    70
4-1-1) سری داده‌ها..................................................................................................................................................................70
4-1-2) محاسبه و پیش‌پردازش توصیف‌کننده‌ها........................................................................................................................72
4-1-3) تقسیم‌بندی سری داده‌ها توسط روش تحلیل خوشه‌ای....................................................................................................73
4-1-4) انتخاب متغیر و مدل‌سازی خطی....................................................................................................................................74
4-1-5) مدل‌سازی به روش شبکه‌ی عصبی پرسپترون چند لایه (MLP)    77
4-2) بحث و نتیجه‌گیری    79
4-2-1) تفسیر توصیف‌کننده‌ها..................................................................................................................................................79
4-2-2) ارزیابی نتایج مدل‌ها.....................................................................................................................................................81
4-3) جمع‌بندی نهایی.....................................................................................................................................................................82
منابع    83


فهرست شکل ها
عنوان                                                                                                                                            صفحه
شکل 2-1: طرحی ساده از خوشه بندی سلسله‌ای    13
شکل 2-2: شمایی کلی از الگوریتم ژنتیک    25
شکل 2-3: شمایی کلی از یک نرون    29
شکل 2-4: ساختار کلی پرسپترون تک لایه    29
شکل 2-5: ساختار شبکه پیشرو دولایه با توابع سیگموید در لایه پنهان و لایه خروجی    30
شکل 2-6: کمینه کلی و کمینه محلی    31
شکل 2-7: ساختار کلی آموزش با ناظر    32
شکل 3-1: شمایی از شبکه‌ی بهینه شده‌ی پرسپترون    57
شکل 3-2: نمودار مقادیر تجربی سمیت در برابر مقادیر محاسبه شده با مدل پرسپترون چند لایه    62
شکل 3-3: نتایج تحلیل حساسیت    63
شکل 3-4: قلمرو کاربرد مدل ارائه شده به صورت نمودار ویلیامز    64
شکل 1-4: نمودار حاصل از آنالیز خوشه‌ای    76
شکل 4-2: نمودار تغییر ضریب همبستگی و لگاریتم خطای استاندارد مدل در برابر تعداد توصیف‌کننده‌ها    75
شکل 4-3: شبکه‌ی عصبی پرسپترون طراحی شده جهت پیش‌بینی دمای ذوب مایعات یونی    78
  شکل 4-4: نمودار حاصل از تحلیل حساسیت    79
  شکل 4-5: قلمرو کاربرد مدل    81



فهرست جدول ها
عنوان                                                                                                                                            صفحه
جدول 3-1: سری داده‌های سمیت تجربی و پیش بینی شده به صورت (log EC50)    44  
جدول 3-2: ماتریس ضرایب همبستگی بین توصیف¬کننده¬های انتخاب شده    55  
جدول 3-3: آنیون‌های متنوع به کار رفته در ساختار مایعات یونی موجود در سری داده    60
جدول 3-4: پایه‌های کاتیونی به کار رفته در سری داده    61
جدول 3-5: نتایج حاصل از مدل‌های خطی و غیر خطی    62     
جدول 4-1: مقادیر پیش‌بینی شده و تجربی دمای ذوب مایعات یونی    70  
جدول 4-2: ماتریس ضرایب همبستگی بین توصیف‌کننده‌های انتخاب شده    76
جدول 4-3: ضرایب و آماره‌های مدل MLR    77
جدول 4-4: نتایج حاصل از مدل‌های خطی و غیرخطی    78

چکیده
سمیت  سلولی سری متنوعی از 227 مایع یونی (بدست آمده از پایگاه داده‌ی تاثیرات زیستی مایعات یونی UFT/Merck) حاوی 94 کاتیون ایمیدازولیوم، 53 پیریدینیوم، 23 پیرولیدینیوم، 22 آمونیوم، 15 پپریدینیوم، 10 مورفولینیوم، 5 فسفونیوم و 5 کویینولینیوم در ترکیب با 25 نوع آنیون متفاوت، با استفاده از پارامترهای ساختاری آنها و با بهره‌گیری از رویکرد QSAR تخمین زده شد. مدل‌های خطی و غیر خطی جهت پیش‌بینی سمیت مایعات یونی با استفاده از روش‌های رگرسیون خطی چندگانه (MLR)، شبکه‌ی عصبی پرسپترون چند لایه (MLP NN) و الگوریتم ژنتیک ساخته شدند. کیفیت و اعتبار مدل‌های پیشنهادی نیز با استفاده از روش‌های ارزیابی داخلی و خارجی مورد بررسی قرار گرفت. همچنین، قلمرو کاربرد مدل نیز برای مدل ارائه شده محاسبه گردید. نتایج حاصل نشان دادند که نیمه‌ی کاتیونی مایعات یونی بیشترین سهم را در بروز فعالیت سمی این ترکیبات بر عهده داشته و نیمه‌ی آنیونی دارای سهم کمتری می‌باشد. اطلاعات ساختاری ارائه شده در این کار می‌تواند جهت طراحی منطقی مایعات یونی ایمن‌تر مورد استفاده قرار گیرد.

واژه‌های کلیدی : مایعات یونی، شبکه‌ی عصبی پرسپترون چندلایه، الگوریتم ژنتیک          

پایان نامه مدلسازی طول موج ماکزیمم جذب رنگهای آزو توسط الگوریتم مورچه و فعالیت داروئی مشتقات کاپساسین

اختصاصی از حامی فایل پایان نامه مدلسازی طول موج ماکزیمم جذب رنگهای آزو توسط الگوریتم مورچه و فعالیت داروئی مشتقات کاپساسین دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:112

پایان‌نامه کارشناسی ارشد شیمی (تجزیه)

عنوان : مدلسازی طول موج ماکزیمم جذب رنگهای آزو توسط الگوریتم مورچه و فعالیت داروئی مشتقات کاپساسین با استفاده از ماشین بردار پشتیبان 

فهرست مطالب:

فصل اول
پیشگوئی maxλ مشتقات
رنگ های آزو با استفاده از الگوریتم مورچه

فصل دوم

پیشگوئی EC50 مشتقات کاپساسین توسط ماشین های بردار پشتیبان

بحث و نتیجه گیری

ABSTRACT

چکیده
 مشتقات رنگ های آزو سنتزی تهیه می شوند که دارای گروه عاملی N=N  می باشند و کاربرد اصلی آنها در صنایع غذائی و  نساجی است. قسمت آروماتیکی تعیین کننده رنگ است.
در این کار از الگوریتم کلونی مورچه و مدل رگرسیون خطی جهت پیشگویی λmax یک سری30- تایی از مشتقات رنگ های آزو استفاده شده است. در ابتدا پس از بهینه سازی ساختار مولکولی توسط نرم افزار Hyper Chem، در مجموع 1521 توصیف کننده  به وسیله نرم¬افزارهای Hyper Chem و Dragon محاسبه گردید. توصیف کننده ها به عنوان ورودی به برنامه الگوریتم مورچه داده شدند. به منظور به دست آوردن بهترین نتیجه با درصد خطای پایین و توصیف کننده های مناسب، برنامه الگوریتم مورچه را چند بار اجرا کرده و در اجراهای مختلف  پارامترهای آن از جمله تعداد مورچه های اولیه، پارامتر تبخیر و تعداد دورها بهینه شدند. 5 توصیف کننده که بالاترین همبستگی را با λmax رنگ های آزو داشتند، توسط الگوریتم مورچه انتخاب شدند. از این توصیف کننده های انتخاب شده، برای ساختن مدل خطی مناسب جهت پیشگویی λmax  ترکیبات مورد نظر استفاده  شد. این روش نتایج خوبی را در هر دو سری آموزش (9346/0=2R) و پیشگویی (8419/0=2R) فراهم آورد. با توجه به موارد ذکر شده، معلوم گردید الگوریتم مورچه طراحی شده روشی مناسب جهت انتخاب توصیف کننده ها برای مدل سازی و پیشگوییλmax  مشتقات رنگ های آزو می¬باشد.
کاپساسین ماده داروئی است که از فلفل قرمز استخراج می شود و مصارف داروئی ازجمله درمان انواع سرطان، آرتروز، رماتیسم مفصلی، زخم معده دارد.
با استفاده ازروش های آموزش آماری ماشین یک رابطه کمی ساختار- فعالیت برای کاپساسین برقرار شده است .99 مولکول کاپساسین مطابق روش قسمت اول رسم شد و  1206 توصیف کننده محاسبه گردید.
برای کاهش تعداد توصیف کننده ها ابتدا از روش های PCA، ICA و Fuzzy Clustering استفاده کردیم که صحت از حدود 62-61% بالاتر نرفت. در رهیافت دیگری از تئوری اطلاعات و معیار" بیشترین ارتباط، کمترین تقلیل پذیری" استفاده شد و پس از بهینه سازی توصیف کننده ها 100 توصیف کننده انتخاب شد. در مرحله بعد مجموع توصیف کننده ها با استفاده از الگوریتم Wrapper بهینه سازی شد که مجموعا 13  توصیف کننده انتخاب شد و صحت برای طبقه بندی به پنج دسته  فعالیت بسیار ضعیف ،  ضعیف، متوسط ، خوب و فعالیت عالی84% بدست آمد.در کارهای قبلی ]72[ تنها با تقسیم مولکول به سه قسمت و طبقه بندی به فعال و غیر فعال، صحت نزدیک به 80% آمده بود. اما در کار حاضر بدون تقسیم بندی مولکولی و با تکیه به روش های محاسباتی صحتی بالاتر از کارهای سابق به دست آمد که نشانگر مناسب بودن و برتری روش های تئوری اطلاعات و SVM بر روش های قدیمی تر می باشد.


فصل اول
پیشگوئی maxλ مشتقات
رنگ های آزو با استفاده از الگوریتم مورچه

1-1 مقدمه
بشر هوشمند و صاحب تفکر همیشه برای یافتن راهی که زندگی¬ اش را متحول و کامل گرداند، از طبیعت الهام گرفته است.
با گذشت قرن ها، احساس نیاز به الهام گرفتن از طبیعت اسرارآمیز و دوست داشتنی و صد البته منظم، قانونمند و دارای شعور فطری، شدت پیدا کرده است. به گونه ای که از ریزترین موجودات همچون ویروس تا غول آساترین کهکشان ها، برای انسان که همیشه در تکاپوی حقیقت و دانش است، همه، معلمان و راهنمایان خوبی محسوب گردیده¬اند، چرا که طبیعت همیشه رو به سوی کمال دارد.
آنچه کاملاً مشهود است، به نظر می آید جهان هستی از جزء تا کل با یک حرکت آرام ولی پیوسته که به ظاهر تصادفی است رو به یک نقطه بهینه درحال حرکت است. در حقیقت طبق نظریه داروینی، طبیعت در حال بهینه کردن مسائل است.
به طور مثال اگر بخواهیم حجم معینی آب را از کوهستان به دریا منتقل کنیم و تمام ویژگیها و معادلات مربوط به سختی، نوع، دما، جنس و سایر مشخصات آب و محیط اطراف را تعیین کرده و با این معادلات مسیر را بیابیم دقیقاً به همان مسیر جویبارها و رودخانه¬ها می-رسیم که در طبیعت جریان دارند.
بدیهی است که خداوند معلمی است که دانش آموزش، انسان را از طریق نشانه¬هایش در طبیعت به طور کامل هدایت می¬کند.
هم اکنون کار روی توسعه سیستم¬های هوشمند با الهام از طبیعت، از زمینه¬های پرطرفدار هوش مصنوعی است. الگوریتم ژنتیک  که با استفاده از ایده تکامل داروینی و انتخاب طبیعی مطرح شده روش بسیار خوبی برای یافتن مسائل بهینه¬سازی است. ایده تکاملی داروینی بیانگر این مطلب است که هر نسل نسبت به نسل قبل دارای تکامل است و آنچه در طبیعت رخ می¬دهد، حاصل میلیون¬ها سال تکامل نسل به نسل موجوداتی مانند مورچه است.
حشراتی مانند مورچه، موریانه، زنبور که به صورت کلونی زندگی می¬کنند، بر رفتار به ظاهر بی¬نظم¬شان نظم و قانونمندی خاصی حکمفرماست که دانشمندان و محققان را به خاطر این پیچیدگی منظم و راهگشا در حل مسائل بهینه¬سازی، شیفته خود ساخته است.

1-2 کمومتریکس
بدست آوردن داده تجزیه¬ای یکی از مراحل اصلی تجزیه می¬باشد، تا اواخر دهه پنجاه قرن بیستم این مرحله به عنوان مشکل¬ترین بخش یک تجزیه به حساب می¬آمد، همچنین زمان عمده یک تجزیه شیمیائی مربوط به جمع¬آوری داده¬های تجزیه¬ای می¬شد.
اما ازآغاز دهه شصت قرن بیستم، زمانی که دستگاه¬های مدرن وارد آزمایشگاه¬ها و مراکز تحقیقاتی گردید، این مشکل برطرف شد و در نتیجه استفاده از چنین دستگاه¬های پیشرفته تعداد زیادی داده از یک نمونه بدست می¬آید. جهت ثبت و ذخیره¬سازی چنین داده¬های وسیعی نیاز به وسیله¬ای بود که بتواند از عهده چنین کاری برآید، به طور همزمان با ظهور دستگاه¬های پیشرفته تعداد زیادی داده از یک نمونه بدست آمد و استفاده از کامپیوتر نیز به عنوان ابزاری جهت ثبت و ذخیره داده¬های حاصل از یک تجزیه شیمیائی رشد چشمگیری یافت، در نتیجه اتصال کامپیوتر به دستگاه¬های آزمایشگاهی ثبت و ذخیره نمودن داده¬ها که قبلاً به عنوان مشکل¬ترین بخش یک تجزیه بوده تبدیل به ساده¬ترین مرحله گردید. ولی مشکل دیگری که به دنبال چنین پیشرفتی، ظاهر گردید، نحوه برخورد با چنین حجم وسیعی از داده بود که باید به اطلاعات تبدیل می¬شدند.
برای مدت¬های طولانی، ریاضی و آمار برای تفسیر نتایج آزمایش¬ها به کار گرفته می¬شدند. ولی با ظهور نرم¬افزارهای پیشرفته رایانه ای تحول شگرفی در نحوه استفاده ریاضی و آمار در حل مسائل شیمیایی به وجود آمد. به طوری که استفاده از ریاضی ، آمار و کامپیوتر در شیمی منجر به ظهور شاخه¬ای جدید به نام کمومتریکس  گردید. اگرچه شیمی¬دانهای تجزیه بیش از سایر همکارانشان با این شاخه آشنا هستند و از آن بهره می¬برند، ولی در رشته¬های مرتبط با شیمی از جمله علوم داروئی، بیوشیمی و غیره نیز کاربردهای فراوانی دارد ]5-1[.
برای اولین بار در سال 1971 سوانت ولد  اصطلاح "کمومتریکس" را به کار برد و آن را هنر استخراج اطلاعات شیمیائی از داده¬های تجزیه¬ای دانست . در سال 1974 با همکاری کوالسکی  انجمن بین¬المللی کمومتریکس تأسیس شد ]6[.
در سال 1982 کوالسکی و فرانک  کمومتریکس را شاخه¬ای از علم شیمی که در طراحی آزمایش¬های بهینه¬سازی، برقراری ارتباط بین نتایج تجربی با متغیرهای آزمایش و همچنین استخراج اطلاعات از سیستم¬های شیمیایی با استفاده از ریاضی، آمار و کامپیوتر تعریف کردند ]7[.
ماسارت ، کمومتریکس را یک روش شیمیائی می¬داند که از منطق ریاضیات و آمار برای رسیدن به اهداف زیر بهره می¬جوید ]8[:
1)    طراحی با انتخاب فرآیندهای تجربی بهینه شده
2)    دسترسی به حداکثر اطلاعات مناسب شیمیائی از طریق داده¬ های تجربی
3)    بدست آوردن اطلاعات در زمینه سیستم¬های شیمیائی
براون  سردبیر مجله کمومتریکس معتقد است کمومتریکس قسمتی از علم شیمی است که کوشش در پاسخگوئی به سوالات مربوط به سنجش¬های شیمیائی دارد ]9[. سوالاتی از قبیل:
1)    اندازه¬گیری کجا و چگونه باید انجام پذیرد؟
2)    سیگنال  و نویز  کدامند؟
3)    چگونه می¬ توان از اندازه¬گیری، اطلاعات مناسب را بدست آورد؟
4)    منشأ خطاها در نتایج حاصل از اندازه¬گیری¬ها چیست؟
انجمن بین¬المللی کمومتریکس (ICS) تعریف جامعی از کمومتریکس ارائه می¬دهد. براساس تعریف این انجمن کمومتریکس علم برقراری ارتباط بین سنجش¬های انجام شده بر روی یک سیستم یا فرایند شیمیائی و حالتی از سیستم می¬باشد. این ارتباط از طریق کاربرد روش¬های آماری و ریاضی صورت می¬پذیرد.
به هر حال، شاید بتوان اهداف کمومتریکس را چنین بیان نمود که:
با استفاده از کمومتریکس، عوامل موثر و بر همکنش آن¬ها در یک فرایند شیمیائی (اعم از یک فرایند تجزیه¬ای و غیره) مورد شناسائی قرار گرفته و با حداقل آزمایش¬ها، بهینه¬سازی می شوند. بدست آوردن ارتباط بین عوامل موثر و پاسخ سیستم از دیگر اهداف کمومتریکس می¬باشد. در نهایت، تبدیل داده¬های حاصل به اطلاعات نیز هدف نهائی کمومتریکس می¬باشد. واضح است رسیدن به چنین اهدافی نیازمند کمک گرفتن از ریاضی، آمار و کامپیوتر است ]10[.
بسیاری از مسائلی که در کمومتریکس با آنها مواجه می شویم به دلیل پیچیدگی فوق العاده با روش های دقیق قابل حل نیست به زبان علوم کامپیوتر، چنین مسائلی را "چند جمله ای نامعین سخت " می گویند.
زمان لازم برای حل دقیق چنین مسائلی با زیاد شدن تعداد ورودی ها ، به شدت زیاد می¬شود ، در چنین مواردی لازم است از "تقریب های خوب " استفاده کنیم، یکی از این تقریب¬های خوب الگوریتم های هیوریستیک می باشند که از آن برای برقراری رابطه ساختار – خاصیت بهره خواهیم جست ]11[.


1-3 الگوریتم هیوریستیک
هیوریستیک¬ها  عبارت از معیارها، روش¬ها یا اصولی برای تصمیم¬گیری بین چندین خط مشی و انتخاب اثربخش¬ترین آن ¬ها برای دستیابی به اهداف مورد نظر می باشند. سیستم¬های پیچیده اجتماعی، تعداد زیادی از مسائل دارای طبیعت ترکیباتی را پیش روی ما قرار می-دهد. به عنوان مثال مسیر کامیون¬های حمل و نقل باید به شکل بهینه تعیین شود. تئوری پیچیدگی  به ما می¬گوید که مسائل ترکیباتی اغلب چند جمله¬ ای  نیستند. این مسائل در اندازه¬های کاربردی و عملی خود به قدری بزرگ هستند که نمی¬توان جواب بهینه آنها را در مدت زمانی قابل قبول به دست آورد. با این وجود، این مسائل باید حل شوند و بنابراین چاره-ای نیست که به جواب¬های با تقریب بهینه بسنده نمود.

پایان نامه ارشد برق مدلسازی عدم قطعیت در قابلیت اطمینان سیستم های قدرت با مطالعه موردی در شبکه های توزیع

اختصاصی از حامی فایل پایان نامه ارشد برق مدلسازی عدم قطعیت در قابلیت اطمینان سیستم های قدرت با مطالعه موردی در شبکه های توزیع دانلود با لینک مستقیم و پر سرعت .

چکیده:

ارزیابی و بهبود قابلیت اطمینان از نیازمندی های اصلی در بهره بریداری و طراحی توسعه شبکه های قدرت است. از این رو، شرکت های برق همواره درصدد توسعه روش ها و ابزارهای ارزیابی قابلیت اطمینان هستند، تا با در دست داشتن تصویر واقعی از وضعیت قابلیت اطمینان شبکه خود، بسترهای بهبود آن را فراهم نمایند.

در مطالعات قابلیت اطمینان شبکه توزیع، اهمیت شاخص های نقطه بار در کنار شاخص های مشترک محوری و به عنوان مکمل یکدیگر قابل تامل است. شاخص نرخ خطا، به عنوان یکی از شاخص های نقطه بار، در شبکه توزیع از جمله شاخل های متداولی است که با مطالعه رفتار آن دانش وسیعی از ماهیت خطاهای شبکه به دست می آوریم.

در این پایان نامه رفتار نرخ خطای گذرا، به عنوان یکی از شاخص های نقطه بار قابلیت اطمینان مورد مطالعه قرار گرفته است. در این راستا، از مطالعه آماری خطاهای ثبت شده در گذشته شبکه آغاز می کنیم، و با تحلیل های آماری به سمت ارائه مدل گام برمی داریم. دو رویکرد مختلف برای ایجاد مدل در نظر گرفته شده است. در رویکرد اول فرض بر این است که فضای مساله قطعی است. به عبارت دیگر از وجود نایقینی ها در اطلاعات مساله صرفنظر شده است. به این منظور سه روش مدلسازی جهت تخمین نرخ خطای گذرا اعمال می شود؛ که شامل رگرسیون چند متغییره خطی به عنوان یک روش پارامتریک، دو روش مبتنی بر درخت تصمیم و شبکه های عصبی به عنوان روش های غیر پارامتریک (فاقد مدل) است.

رویکرد دوم به وجود عدم قطعیت در مساله می پردازد و روشی بر مبنای سیستم تطبیقی استنتاج فازی مبتنی بر شبکه عصبی برای مدلسازی پیشنهاد می دهد. نتایج پیاده سازی ها با ارزیابی مدل ها در قالب بررسی عملکرد هر مدل، مقایسه نتایج، و بحث بر مزایا و معایب هر مدل در مقابل مساله مورد مطالعه ارائه می شود.

فصل اول

مقدمه

1-1- انگیزش

ارزیابی و بهبود قابلیت اطمینان از نیازمندی های اصلی در بهره برداری و طراحی توسعه شبکه های قدرت است. این نیازمندی، خصوصا در فضای جدید بازار و مقررات زدایی، شرکت های برق را با چالش های اساسی مواجه می کند چرا که متضمن بقای آنها در عرصه رقابت خواهد بود. از این رو، شرکت های برق همواره درصدد توسعه روش ها و ابزارهای ارزیابی قابلیت اطمینان به عنوان زیرمجموعه ابزارهای مدیریت دارایی هستند، تا با در دست داشتن تصویر واقعی از وضعیت قابلیت اطمینان شبکه خود، بسترهای بهبود آن را فراهم نمایند.

شبکه توزیع انرژی الکتریکی که حلقه نهایی تحویل انرژی الکتریکی به مصرف کننده است، به علت ویژگی هایی نظیر گستردگی، تجهیزات زیاد و متنوع، نزدیکی به مصرف کننده، و… اهمیت بالایی دارد. متعاقباً مساله حفظ و بهبود قابلیت اطمینان آن بسیار حیاتی خواهد بود. از آنجا که ارزیابی قابلیت اطمینان مبتنی است بر داده های خاموشی گذشته، مطالعات آماری اتفاقات ثبت شده در سیستم مدیریت خاموشی به عنوان اولین و اساسی ترین حلقه از زنجیره ارزیابی تا بهبود قابلیت اطمینان، اجتناب ناپذیر می شود.

با توسعه ابزارهای آماری و تحلیل داده، به عنوان زیرمجموعه های دانش نوین داده کاوی، عرصه جدیدی در علوم مختلف توسعه یافته است که به استخراج دانش نهفته در پس داده های خامی که در انبارهای داده انباشته شده اند، می انجامد. بهره گیری شرکت های برق از چنین فرآیندی در زمینه های مختلف، منجر به اخذ تصمیم های کاراتر خواهد شد.

از دیدگاه ارزیابی قابلیت اطمینان شبکه توزیع، مطالعه آماری خطاهای شبکه، به شناسایی نقاط حادثه خیز و دلائل اصلی رخداد خطاها کمک می کند. اهمیت این مطالعات در تصمیم گیری جهت تدوین برنامه های نگهداری و تعمیرات عیان خواهد شد، چنان که روی بیلینتون در بیان می کند، شناسایی بخش هایی از سیستم که با صرف هزینه موجب بهبود قابلیت اطمینان می شود، باارزش تر است از محاسبه وضعیت کنونی قابلیت اطمینان در سیستم. به علاوه، ادغام این مطالعات با روش های مدلسازی و تخمین به تعیین رفتار متغییرهایی چون شاخص های قابلیت اطمینان می انجامد.

در مطالعات قابلیت اطمینان شبکه توزیع، اهمیت شاخص های نقطه بار در کنار شاخص های مشترک محور و به عنوان مکمل یکدیگر قابل تامل است. اگرچه عموم شرکت ها به شاخص های مشترک محور نظیر SAIFI و SAIDI بیشتر توجه دارند، ماهیت این شاخص ها تنها تصویری از میانگین وضعیت قابلیت اطمینان شبکه به دست می دهد. شاخص نرخ خطا، به عنوان یکی از شاخص های نقطه بار، در شبکه توزیع از جمله شاخص های متداولی است که با مطالعه رفتار آن دانش وسیعی از ماهیت خطاهای شبکه به دست می آوریم.

تعداد صفحه : 96

پایان نامه با عنوان مدلسازی و شبیه سازی سوئیچ MPLS و بررسی مقایسه ای نرم افزارهای موجود

اختصاصی از حامی فایل پایان نامه با عنوان مدلسازی و شبیه سازی سوئیچ MPLS و بررسی مقایسه ای نرم افزارهای موجود دانلود با لینک مستقیم و پر سرعت .

پایان نامه با عنوان مدلسازی و شبیه سازی سوئیچ MPLS و بررسی مقایسه ای نرم افزارهای موجود در فرمت ورد در 99 صفحه و شامل مطالب زیر می باشد:

فصل اول: کیفیت سرویس و فنآوری های شبکه
مقدمه
کیفیت سرویس در اینترنت
پروتکل رزور منابع در اینترنت
سرویس های متمایز
مهندسی ترافیک
سوئیچنگ برحسب چندین پروتکل
مجتمع سازی IP و ATM
مسیریابی در IP
سوئیچینگ
ترکیب مسیریابی و سوئیچینگ
MPLS
فصل دوم: فنآوریMPLS
مقدمه
اساس کار MPLS
پشته برچسب
جابجایی برچسب
مسیر سوئیچ برچسب (LSR)
کنترل LSP
مجتمع سازی ترافیک
انتخاب مسیر
زمان زندگی TTL
استفاده از سوئیچ های ATM به عنوان LSR
ادغام برچسب
تونل
پروتکل های توزیع برچسب در MPLS
فصل سوم: ساختار سوئیچ های شبکه
مقدمه
ساختار کلی سوئیچ های شبکه
کارت خط
فابریک سوئیچ
فابریک سوئیچ با واسطه مشترک
فابریک سوئیچ با حافظه مشترک
فابریک سوئیچ متقاطع
فصل چهارم: مدلسازی و شبیه‌سازی یک سوئیچ MPLS
مقدمه
روشهای طراحی سیستمهای تک منظوره
مراحل طراحی سیستمهای تک منظور
مشخصه سیستم
تایید صحت
سنتز
زبانهای شبیه سازی
زبان شبیه سازی SMPL
آماده سازی اولیه مدل
تعریف و کنترل وسیله
زمانبندی و ایجاد رخدادها
مدلهای ترافیکی
ترافیک برنولی یکنواخت
ترافیک زنجیره ای
ترافیک آماری
مدلسازی کارت خط در ورودی
مدلسازی فابریک سوئیچ
الگوریتم iSLIP
الگوریتم iSLIP اولویت دار
الگوریتم iSLIP  اولویت دار بهینه
مدلسازی کارت خط در خروجی
الگوریتم WRR
الگوریتم DWRR
شبیه سازی کل سوئیچ
کنترل جریان
فصل پنجم: نتیجه گیری و پیشنهادات
مقدمه
نتیجه گیری
پیشنهادات
مراجع

پایان نامه مدلسازی خواص بحرانی مواد آلی

اختصاصی از حامی فایل پایان نامه مدلسازی خواص بحرانی مواد آلی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:125

فهرست مطالب:
عنوان                                                                                                              صفحه
فصل اول: مباحث نظری و تئوری
1-1- مقدمه    2
1-1-1- هدف از انجام تحقیق    3
1-2- تاریخچه    3
1-3- روابط موجود در تخمین خواص بحرانی    5
1-3-1- رابطه های کاوت    5
1-3-2- رابطه های لی- کسلر    7
1-3-3- رابطه های وین- ثیم    8
1-3-4- رابطه های تعمیم یافته ریاضی- دابرت    9
1-3-5- رابطه های تعمیم یافته لین- چاوو    11
1-3-6- رابطه های واتنسیری    14
1-3-7- رابطه ارائه شده توسط پازوکی و همکارانش    15
1-3-7-1- مقایسه بین مدل پازوکی با داده های تجربی    16
1-3-8- مدل یاسر خلیل و همکارانش    17
فصل دوم: روش های انجام تحقیق
2-1- مقدمه ای بر روش های انجام تحقیق    20
2-2- شبکه عصبی مصنوعی    20
2-2-1- سابقه تاریخی شبکه عصبی    21
2-2-2- شبکه عصبی اشتراک به جلو    22
2-2-3- مزیت های شبکه های عصبی    23
2-2-4- انواع یادگیری برای شبکه های عصبی    23
2-2-5- ساختار شبکه‌های عصبی    25
2-2-6- تقسیم بندی شبکه‌های عصبی    27
2-2-6-1- تقسیم بندی داده ها در شبکه عصبی مصنوعی    28
2-2-7- کاربرد شبکه‌های عصبی    29
2-2-7-1-کاربرد شبکه عصبی مصنوعی در این تحقیق    30
2-2-8- معایب شبکه‌های عصبی    31
2-3- سیستم استنتاج تطبیقی عصبی- فازی (انفیس)    31
2-3-1- دسته بندی  قواعد انفیس    32
2-3-1-1- مدل تاکاگی- سوگنو-کانگ    32
2-4- شاخص های ارزیابی مدل های بدست آمده    34
فصل سوم: بحث و نتیجه گیری
3-1-هدف تحقیق    36
3-2- مدل های نیمه تجربی ارائه شده    36
3-2-1- مدل ارائه شده برای دمای بحرانی    37
3-2-2- مدل ارائه شده برای حجم بحرانی    37
3-2-3- مدل ارائه شده برای فشار بحرانی    38
3-3- مقایسه مدل های ارائه شده با داده های تجربی    38
3-3-1- مقایسه مدل ارائه شده  برای دمای بحرانی با داده های تجربی    38
3-3-2- مقایسه مدل ارائه شده  برای حجم بحرانی با داده های تجربی    39
3-3-3- مقایسه مدل ارائه شده  برای فشار بحرانی با داده های تجربی    40
3-4- توزیع خطای نسبی مدل های ارائه شده    41
3-5- مدل های ارائه شده توسط شبکه عصبی مصنوعی    42
3-5-1- مدل ارائه شده توسط شبکه عصبی مصنوعی برای دمای بحرانی    42
3-5-1-1- مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای دمای بحرانی    46
3-5-2- مدل ارائه شده توسط شبکه عصبی مصنوعی برای حجم بحرانی    47
3-5-2-1-مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای حجم بحرانی    51
3-5-3- مدل ارائه شده توسط شبکه عصبی مصنوعی برای فشار بحرانی    52
3-5-3-1- مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای فشار بحرانی    56
3-6- مدل های ارائه شده توسط انفیس    57
3-6-1- مدل ارائه شده توسط انفیس برای دمای بحرانی    57
3-6-1-1- مقایسه مدل ارائه شده توسط انفیس باداده های تجربی برای دمای بحرانی    59
3-6-2- مدل ارائه شده توسط انفیس برای حجم بحرانی    59
3-6-2-1- مقایسه مدل ارائه شده توسط انفیس با داده های تجربی برای حجم بحرانی    61
3-6-3- مدل ارائه شده توسط انفیس برای فشا ر بحرانی    61
3-6-3-1- مقایسه مدل ارائه شده توسط انفیس باداده های تجربی برای فشار بحرانی    63
3-7- مقایسه مدل های ارائه شده با مدل های دیگر    63
3-7-1- مقایسه مدل ارائه شده برای دمای بحرانی    64
3-7-2- مقایسه مدل ارائه شده برای حجم بحرانی    65
3-7-3- مقایسه مدل ارائه شده برای فشار بحرانی    66
3-8- نتیجه گیری    68
3-9- پیشنهادات    69
3-10- منابع    70
جدول ضمیمه     74


فهرست جدول ها
عنوان                                                                                                              صفحه
فصل اول: مباحث تئوری و نظری
جدول 1-1- ثابت های رابطه برای معادله 1-1 و 1-2    6
جدول 1-2- ثابت های رابطه برای معادله 1-15    9
جدول 1-3- ثابت های رابطه برای معادله 1-17    10
جدول 1-4- ثابت های رابطه برای معادله 1-18    11
جدول 1-5- ثابت های رابطه برای معادله 1-19    12
جدول 1-6- ثابت های رابطه برای معادله 1-23    13
جدول 1-7- مقادیر ثابت های ai و bi برای معادله 1-29    15
جدول 1-8- ثابت های رابطه برای معادله 1-30    18
فصل سوم: بحث و نتیجه گیری
جدول 3-1- ثابت های معادله 3-1    37
جدول 3-2- مقادیر شاخص های آماری برای عصب های مختلف جهت تخمین دمای بحرانی    43
جدول 3-3- مقادیر وزن و بایاس های بهینه مربوط به دمای بحرانی    44
جدول 3-4- شاخص های آماری مربوط به شبکه عصبی بهینه جهت تخمین دمای بحرانی    46
جدول 3-5- مقادیر شاخص های آماری برای عصب های مختلف جهت تخمین حجم بحرانی    48
جدول 3-6- مقادیر وزن و بایاس های بهینه مربوط به حجم بحرانی    49
جدول 3-7- شاخص های آماری مربوط به شبکه عصبی بهینه جهت تخمین حجم بحرانی    51
جدول 3-8- مقادیر شاخص های آماری برای عصب های مختلف جهت تخمین فشار بحرانی    53
جدول 3-9- مقادیر وزن و بایاس های بهینه مربوط به فشار بحرانی    54
جدول 3-10- شاخص های آماری مربوط به شبکه عصبی بهینه جهت تخمین فشار بحرانی    56
جدول 3-11- شاخص های آماری مطلوب برای دمای بحرانی    58
جدول3-12- پارامترهای توابع عضویت گوسین برای تخمین دمای بحرانی مواد    58
جدول 3-13- ضرایب ارائه شده توسط انفیس برای دمای بحرانی    58
جدول 3-14- شاخص های آماری مطلوب برای حجم بحرانی    60
جدول 3-15-پارامترهای توابع عضویت گوسین برای تخمین حجم بحرانی مواد    60
جدول 3-16- ضرایب ارائه شده توسط انفیس برای حجم بحرانی    60
جدول3-17- شاخص های آماری برای فشار بحرانی    62
جدول 3-18- پارامترهای توابع عضویت گوسین برای تخمین فشار بحرانی مواد    62
جدول3-19- ضرایب ارائه شده توسط انفیس برای فشار بحرانی    62
جدول 3-20- مقایسه مدل ارائه شده جهت تخمین دمای بحرانی با سایر مدل ها    64
جدول 3-21- مقایسه مدل ارائه شده جهت تخمین حجم بحرانی با سایر مدل ها    65
جدول 3-22- مقایسه مدل ارائه شده جهت تخمین حجم بحرانی با سایر مدل ها    67


فهرست شکل ها
عنوان                                                                                             صفحه
فصل اول: مباحث تئوری و نظری
شکل 1-1- مقایسه ی مدل پازوکی با داده های تجربی برای دمای بحرانی    16
شکل 1-2-مقایسه ی مدل پازوکی با داده های تجربی برای فشار بحرانی    16
شکل 1-3- مقایسه ی مدل پازوکی با داده های تجربی برای حجم بحرانی    17
فصل دوم: روش های انجام تحقیق
شکل2-1- نمایی از شبکه عصبی تک لایه    26
شکل2-2- نمایی ازشبکه عصبی چند لایه    27
شکل2-3- نمایی از شبکه عصبی اشتراک به جلوی سه لایه    30
شکل2-4- نمایی از قاعده ی عملکرد روش سوگنو    34
فصل سوم: بحث و نتیجه گیری
شکل 3-1-داده های تخمینی توسط مدل به دست آمده برای دمای بحرانی در مقابل داده های آزمایشگاهی    39
شکل 3-2- داده های تخمینی توسط مدل به دست آمده برای حجم بحرانی در مقابل داده های آزمایشگاهی    40
شکل 3-3-داده های تخمینی توسط مدل به دست آمده برای فشار بحرانی در مقابل داده های آزمایشگاهی    41
شکل 3-4- نمودار توزیع خطای نسبی مدل ها برای دما،حجم و فشار بحرانی    42
شکل 3-5-نمایی از مدل شبکه عصبی مصنوعی جهت مدل سازی دمای بحرانی    43
شکل 3-6-رفتار پارامترها در مرحله ی آموزش شبکه جهت پیش بینی دمای بحرانی    45
شکل 3-7-نمودار عملکرد شبکه بهینه جهت پیش بینی دمای بحرانی    45
شکل 3-8-داده های تخمین زده شده توسط شبکه عصبی مصنوعی در مقابل داده های تجربی برای دمای بحرانی    46
شکل 3-9-نمایی از مدل شبکه عصبی مصنوعی جهت مدل سازی حجم بحرانی    48
شکل 3-10-رفتار پارامترها در مرحله ی آموزش شبکه جهت پیش بینی حجم بحرانی    50
شکل 3-11- نمودار عملکرد شبکه بهینه جهت پیش بینی حجم بحرانی    50
شکل 3-12-داده های تخمین زده شده توسط شبکه عصبی مصنوعی در مقابل داده های تجربی برای حجم بحرانی    51
شکل 3-13-نمایی از مدل شبکه عصبی مصنوعی جهت مدل سازی فشار بحرانی    53
شکل 3-14-رفتار پارامترها در مرحله ی آموزش شبکه جهت پیش بینی فشار بحرانی    55
شکل 3-15-نمودار عملکرد شبکه بهینه جهت پیش بینی فشار  بحرانی    55
شکل 3-16-داده های تخمین زده شده توسط شبکه عصبی مصنوعی در مقابل داده های تجربی برای فشار بحرانی    56
شکل3-17- داده های تخمینی توسط انفیس در مقابل داده های تجربی برای دمای بحرانی    59
شکل3-18- داده های تخمینی توسط انفیس در مقابل داده های تجربی برای حجم بحرانی    61
شکل3-19- داده های تخمینی توسط انفیس در مقابل داده های تجربی برای فشار بحرانی    63
شکل 3-20- مقایسه ی نمودار توزیع خطای نسبی مدل ارائه شده با دیگر مدل ها برای دمای بحرانی    65
شکل 3-21- مقایسه ی نمودار توزیع خطای نسبی مدل ارائه شده با دیگر مدل ها برای حجم بحرانی    66
شکل 3-22- مقایسه ی نمودار توزیع خطای نسبی مدل ارائه شده با دیگر مدل ها برای فشار بحرانی    67

چکیده
مشخصات بحرانی برای مواد از قبیل دمای بحرانی، حجم بحرانی و فشار بحرانی مشخصات مهمی برای پیش گویی بسیاری از خواص ترمودینامیکی مواد مختلف هستند. در کلیه عملیات های تولید و فرآیند هیدروکربن ها دانستن خواص بحرانی نقش اساسی دارد. زیرا این عملیات ها در شرایط بسیار نزدیک به نواحی نقاط شبنم و حباب صورت می گیرد و اغلب با پدیده های هم دما یا هم فشار همراه است.
تاکنون روش های مختلفی برای تخمین خواص بحرانی مواد آلی ارائه شده که اساس کار آنها با هم متفاوت می باشد.
در این تحقیق با در دست داشتن 7000 مشخصه ی بحرانی مواد آلی، مدلهای نیمه تجربی جدید برای خواص بحرانی ارائه شده است. در ادامه، مدلهایی برگرفته از هوش مصنوعی یعنی شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی- فازی ارائه شده اند.
در مدلهای نیمه تجربی ارائه شده با در دست داشتن نقطه جوش نرمال و جرم مولکولی ماده (ورودی های دمای بحرانی)، تعداد اتم و جرم مولکولی ماده (ورودی های حجم بحرانی) و دمای بحرانی و حجم بحرانی ماده (ورودی های فشار بحرانی)، می توانیم خواص بحرانی را تخمین بزنیم.
مدلهای پیشنهادی در عین سادگی خطای کمی دارند. از دیگر مشخصات مدلها می توان به عمومیت معادلات و قابل دسترس بودن پارامترهای ورودی نیز اشاره کرد.
در پایان تحقیق با مقایسه بین مدل های پیشنهادی و مدل های برگرفته از هوش مصنوعی و نیز 4 رابطه نیمه تجربی، مشخص می شود که مدلهای پیشنهادی دقت خوبی جهت تخمین خواص بحرانی مواد دارند.
میانگین خطای نسبی مدل نهایی برای دمای بحرانی، حجم بحرانی و فشار بحرانی به ترتیب برابر با 86/3 ، 06/5 و 57/5 می باشد که حاکی از دقت کافی مدلها می باشد.

کلمات کلیدی: خواص بحرانی، مدلهای نیمه تجربی، شبکه عصبی مصنوعی