لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در این پژوهش فرایند استخراج فنل از فاضلاب با استفاده از روش های هوشمند مدل سازی شد. از روش های هوشمند شامل شبکه پرسپترون چندلایه، شبکه بر پایه توابع شعاعی و ماشین بردار رگرسیونی برای مدل سازی استفاده شد. طراحی ساختار بهینه شبکه ها از 184 مجموعه داده تجربی انجام شد. ورودی های شبکه شامل حجمی آلی به آبی، سرعت روتور، دما،pH  و زمان و خروجی شبکه بازده استخراج فنل بود. برای ارزیابی عملکرد و توقف شبکه ها از ضریب تعیین و میانگین مربع خطا برای هر سه مدل استفاده شد. مقایسه نتایج کلیه مدل ها نشان داد که مدل ماشین بردار رگرسیونی با میانگین مربع خطا برابر 0.684 و ضریب بهترین مدل است. پارامترهای بهینه فرایند شامل نسبت حجمی آلی به آبی 0.22، سرعت روتور 350 دور در دقیقه، دما 22.86 درجه سلسیوس،pH  برابر 5.7، زمان 15.86 دقیقه و بازده استخراج متناظر 96.35 به دست آمد.

تبخیر-تعرق نقش مهمی در مدیریت منابع آب منطقه ای، تغییرات آب و هوایی و تولید کشاورزی دارد. در این تحقیق، کارآیی برخی از تکنیک های داده محور شامل ماشین بردار پشتیبان (SVM)، شبکه های عصبی مصنوعی (ANN) و ترکیب آن با تبدیل موجک (WANN)، رگرسیون خطی چند متغیره (MLR ) و درخت تصمیم (Decision Tree) برای پیش بینی نرخ تبخیر-تعرق در ایستگاه اسکاتس بلوف در ایالت نبراسکا بررسی شده است. برای این منظور، از 5 پارامتر هواشناسی (دمای کمینه، دمای بیشینه، رطوبت نسبی، سرعت باد و تابش خورشیدی) به عنوان ورودی برای مدل ها استفاده شده است. داده های استفاده شده در این تحقیق اطلاعات هواشناسی روزانه بین سال های 2005 و2013 برای آموزش و آزمون مدل ها بوده است. به منظور اجرای هر یک از مدل ها 8 سناریو با توجه به ترکیب پارامترهای ورودی درنظر گرفته شده است. برای ارزیابی عملکرد تکنیک های مورد مطالعه، از سه شاخص آماری مختلف یعنی ریشه میانگین مربع خطا (RMSE)، ضریب همبستگی (R) و ضریب نش ساتکلیف (NSE) استفاده، که بدین وسیله نتایج مدل ها با داده های مشاهداتی بررسی شد. علاوه بر این، نمودارهای تیلور برای آزمایش شباهت بین داده های مشاهده شده و پیش بینی شده استفاده شد. نتایج نشان داد که در ایستگاه اسکاتس بلوف، 8WANN (هشتمین ترکیب ورودی برای مدل WANN است) با توجه به مقادیر ریشه میانگین مربع خطا (RMSE)، ضریب همبستگی (R) و ضریب نش ساتکلیف به ترتیب برابر با 097/0 میلیمتر در روز، 999/0 و 999/0 عملکرد بهتری در مقایسه با ANN، SVM، MLR وDT داشته است. مدل های SVM و ANN نیز دقت بسیار خوبی را نشان دادند، و مدل های DT و MLR با وجود قابل قبول بودن دقت در آن ها از سایر مدل ها ضعیف تر عمل کردند. به عنوان یک نتیجه گیری، نتایج حاصل از مطالعه فعلی ثابت کرد که WANN روندهای معقولی را برای مدل سازی اسکاتس بلوف در ایستگاه اسکاتس بلوف ارائه کرده است.

سابقه و هدف: هزینه نیروی انسانی هر بیمارستان، به عنوان بزرگترین ارایه کننده مراقبت های بهداشتی و درمانی به آحاد جامعه، بخش عمده منابع و اعتبارات تخصیص یافته به بخش بهداشت و درمان کشور را به خود اختصاص می دهد.در این پژوهش، هدف مدلسازی بیمارستان و استفاده از سیستم های هوشمند برای تنظیم برنامه نوبت کاری و تعیین تعداد بهینه کارکنان به منظور افزایش کارایی بیمارستان و حداقل نمودن هزینه ها، می باشد. از آنجایی که حضور بیماران در بیمارستان و ترخیص آنها می تواند بصورت یک سیستم واقعه گسسته با ویژگی های فرآیندهای مارکوف در نظر گرفته شود، در گام نخست، با استفاده از مدل های زنجیره ای مارکوف، تخمین مناسبی از شرایط سیستم نظیر تعداد تخت های مورد نیاز و تخت های اشغال شده، ارایه می گردد که می تواند در بهینه سازی استفاده از ظرفیت ها، کمک شایانی نماید. در گام دوم، در راستای توسعه مدل، با استفاده از شبکه پتری، رویکردی جهت حداقل نمودن هزینه ها بیان می شود. در نهایت، جهت کنترل و بهینه سازی مدل با بکارگیری الگوریتم ژنتیکی برای نوبت دهی بهینه منابع انسانی مانند پرستاران ارایه می شود.مواد و روشها: این مطالعه کاربردی واز دسته مطالعات توصیفی - تحلیلی است که به صورت طراحی نرم افزار بوده و ابزار گردآوری داده ها چک لیست برنامه نوبت کاری و پرونده های بیماران بیمارستان بوعلی بود، که روایی آن توسط متخصصین مربوط ، مورد تایید قرار گرفت که پس از مشاهده، زمان سنجی، همچنین زمان سرویس دهی منابع انسانی به انواع بیماران و مطالعه برنامه نوبت کاری پرستاران و پزشکان با استفاده ازطراحی سیستم های هوشمند مورد بررسی قرار گرفته است. تجزیه و تحلیل داده ها و برنامه ریزی به روش شبکه پتری و زنجیره مارکوف و الگوریتم ژنتیکی با استفاده از نرم افزار مطلب و Hpsim انجام شده است.یافته ها: مقایسه برنامه تهیه شده و سیستم طراحی شده، میزان 42% بهبود کاهش هزینه و 87%صرفه جویی در زمان سرویس دهی به بیمار را نشان می دهد.نتیجه گیری: مدل های متنوع تحقیق در عملیات همچون سیستم های هوشمند و مدلسازی می تواند به عنوان ابزار مفیدی برای زمان بندی و تعیین تعداد بهینه کارکنان مورد نیاز بخش های مختلف یک بیمارستان که از اهمیت حیاتی و ویژه ای برخوردار است، مورد استفاده قرار گیرد، از آنجا که سیستم طراحی شده در این پژوهش محدود به داده های اخذ شده از بخش ها مرکز آموزشی و درمانی بوعلی وابسته به واحد پزشکی دانشگاه آزاد اسلامی می باشد، برای تعمیم آن و استفاده بهینه در بیمارستان های دیگر نیازمند ایجاد تغییرات در برنامه نویسی بر اساس داده ها می باشد. لذا توصیه می شود برای قابل استفاده نمودن این سیستم ها در بیمارستانهای دیگر و افزودن قیود، بطوریکه برنامه تهیه شده به دنیای واقعی نزدیکتر شود، انجام پذیرد.

میکروفرزکاری استخوان به ­طور گسترده ­ای در جراحی­ های اورتوپدی، ستون فقرات، جمجمه، تعویض مفصل زانو و دندان­ پزشکی جهت برش استخوان و ایجاد سوراخ در بافت به­ کارگرفته می­ شود. استفاده از ابزارهای با قطر کمتر در فرایند میکروفرزکاری استخوان در مقایسه با فرزکاری معمول باعث کاهش چشم­ گیر نیرو و همچنین طول دوره درمانی می­ گردد. در این مقاله، در قالب یک مطالعه تجربی، یک مدل هوشمند برای تقریب نیروی میکروفرزکاری استخوان بر اساس سیستم استنتاج فازی به دست آورده شده است. برای این منظور، ابتدا یک روش طراحی آزمایش برای استخراج یک دسته از آزمایش­ های تجربی بکار گرفته شده ­است. سپس بر اساس نتایج آزمایش ­های تجربی، بر اساس قابلیت تقریب سیستم­ های فازی، یک مدل دقیق برای تقریب نیروی برش بر اساس مقادیر ورودی­ های سرعت دورانی ابزار، نرخ پیشروی، قطر ابزار، عمق برش و جهت برش ایجاد شده­ است. با بررسی نتایج به دست آمده مشاهده می­ شود که مدل فازی توانسته است با دقت بالایی نیروی برآیند فرایند میکروفرزکاری استخوان را بر اساس ورودی­ های در نظر گرفته شده تقریب بزند؛ به­ گونه ­ای که درصد خطای مطلق و ضریب تعیین برای داده های بخش تست به ترتیب برابر با 22/11 درصد و 93/0 محاسبه شده است. با بهره گیری از داده­ های این پژوهش جراحان با آگاهی کامل می­ توانند بهترین مقادیر متغیرهای ورودی فرایند میکروفرزکاری را بدون نگرانی از ایجاد آسیب و ترک در بافت استخوان با حداکثر سرعت عمل ممکن تنظیم کنند.

چکیدهمقدمه : جریان­ غلیظ یکی از مهمترین عوامل در فرآیند رسوب­گذاری سدها می­باشد. افزایش رسوب در نزدیک دیواره سد، ظرفیت ذخیره ­سازی آن را کاهش داده و چالش ­های قابل­ت وجهی را برای مهندسین مربوطه ایجاد می­کند. بنابراین درک پویایی سیالات غلیظ و الگوهای رسوبی مرتبط جهت مدیریت مخزن سدها بسیار کارآمد است.روش : هدف از این تحقیق ایجاد یک مدل هوشمند با تطابق مناسب با داده ­های آزمایشگاهی بوده تا بتوان از آن در طرح­ های آتی با متغیرهای متفاوت نیز استفاده نمود. براین­اساس در این تحقیق درصد کاهش هد جریان غلیظ نمکی تحت تاثیر موانع نفوذپذیر ذوزنقه­ای شکل (سنگ­دانه ­ها با قطر 1 سانتیمتر)، با در نظر گرفتن متغیرهایی همچون دبی، شیب، غلظت و ارتفاع موانع به ­صورت آزمایشگاهی مورد بررسی قرار گرفت، سپس براساس نتایج حاصله اقدام به مدل­سازی هد جریان غلیظ نمکی با روش شبکه عصبی مصنوعی پیش­خور و روش کلاسیک رگرسیون چند متغیره شد و کارکرد این دو روش مورد مقایسه قرار گرفت.یافته­ ها : نتایج نشان داد که روش هوشمند شبکه عصبی مصنوعی پیش­خور در مدل­سازی درصد کاهش هد جریان غلیظ نمکی نسبت به روش رگسیون چند متغیره برتری قابل توجهی دارد به­گونه­ای که مقادیر رگسیون آموزش، واسنجی و تست به ترتیب 99/0، 0.98 و 98/0 برای شبکه عصبی و 92/0، 0.91 و 91/0 برای رگسیون چند متغیره بدست آمد.نتیجه­ گیری : عملکرد شبکه عصبی مصنوعی نسبت به روش رگسیون چند متغیره کارایی بسیار بهتری دارد.