ساخت افزایشی (AM) یک روش تولید نوین است که در آن قطعات با استفاده از افزودن تدریجی مواد به صورت لایه به لایه تولید می شوند. این روش مزایای متعددی نسبت به روش های سنتی تولید دارد که از جمله آن ها می توان به توانایی تولید قطعات با اشکال هندسی پیچیده، عدم نیاز به قالب گیری و کاهش زمان و هزینه تولید اشاره کرد. یکی از روش های AM، ساخت افزایشی سیم-قوس (WAAM) است که در آن سیم فلزی توسط قوس الکتریکی ذوب و به صورت لایه به لایه روی یک سطح اعمال می شود. در این پروژه، تأثیر پارامترهای فرایند WAAM بر خواص فیزیکی و مکانیکی قطعات تولیدی از جنس آلیاژ انتروپی متوسط پایه نیکل و آلیاژ نیکل-تیتانیم بررسی شد. طرح حاضر بر قابلیت های تکنولوژی تکامل یافته ساخت افزایشی متمرکز بوده است. این موضوع برپایة قوس-سیم برای رسوب دهی به صورت لایه به لایه آلیاژهای انتروپی متوسط پایه نیکل در جهت ساخت پره توربین و همین طور آلیاژ نیکل-تیتانیم برای کاربردهای پزشکی بوده است. در این راستا تغییرات خواص و رفتار این آلیاژها پس از به کارگیری الگوی تکامل یافتة WAAM مورد بررسی و تحلیل قرار گرفت. نتایج تایید کرد که پارامترهای فرایندWAAM، از جمله شدت جریان الکتریکی، ولتاژ، سرعت اسکن و فاصله اسکن، تأثیر قابل توجهی بر ریزساختار، خواص مکانیکی و خواص خوردگی قطعات تولیدی دارند. در ادامه، ریزساختار و خواص مکانیکی قطعات تولیدی از جنس دو آلیاژ به روش WAAM با مشخصات این قطعات که به روش های سنتی برپایة ذوب ریزی در خلاء ایجاد شده بودند مورد مقایسه قرار گرفت و تفاوت های میان آن ها تحلیل شدند. نتایج تحلیل نشان دادند که با کنترل دقیق پارامترهای فرایند WAAM، می توان قطعاتی با خواص مکانیکی و خوردگی بهبودیافته تولید کرد.

به منظور موقعیت یابی ماهواره ای با استفاده از سامانه های GNSS/GPS، نیاز به دریافت سیگنال از حداقل 4 ماهواره وجود دارد تا موقعیت به صورت مختصات بر مبنای طول، عرض و ارتفاع جغرافیایی تعیین شود. در حالت استاندارد دقت به دست آمده بین 5 تا 25 متر صحت دارد. وجود خطاهای اتمسفری یونسفر و تروپسفر، خطاهای مداری موقعیت، ساعت ماهواره (خطای گیرندگی)، ساعت گیرنده، نویز و چندمسیری باعث خطای مذکور در تعیین موقعیت می شود. حذف یا کاهش خطاهای موقعیت یابی با استفاده از یک گیرنده مرجع CORS که دارای مختصات دقیق است، امکان پذیر می شود. هدف از این طرح، تولید یک نرم افزار با قابلیت های هم زمان سازی مشاهدات کد و فاز قبل از ایجاد ترکیبات تفاضلی، حل صحیح ابهام فاز تفاضلی دوگانه از طریق دو الگوریتم لامبدا و تئوری شبکه، برآورد خطاهای یونسفری و تروپسفری بین ایستگاه های مرجع از طریق محاسبه مقادیر ابهام فازها، تعیین موقعیت تقریبی ایستگاه سیار از طریق کد به صورت اپک به اپک و نهایتا اعمال تصحیحات به گیرنده سیار از طریق پردازش های اولیه شبکه، انتخاب ایستگاه مرجع اصلی و تفکیک خطاهای یونسفری و تروپسفری است. با تکنیک درون یابی و مدل سازی، اثر فاصله از گیرنده مرجع تا حدودی از بین رفت و موجب شد علاوه بر اینکه تراکم ایستگاه های مرجع کاهش (مزیت اقتصادی) و دقت به دست آمده، مستقل از فاصله گیرنده نیز افزایش یابد. با استفاده از این نرم افزار امکان اعمال تصحیحات به گیرنده سیار و افزایش دقت میسر شده است.

اخیراً استفاده از شبکه های عصبی و یادگیری عمیق در حوزه های مختلف از جمله ترجمه ماشینی توسعه فراوانی یافته است. این استفاده در حیطه پردازش زبان طبیعی در بسیاری از کاربردها مانند ترجمه ماشینی سبب افزایش کیفیت این کاربردها شده است. آخرین دستاوردها و بهترین کیفیت های سیستم ترجمه ماشینی در دنیا منحصراً در اختیار این گونه از سامانه ها است؛ به طوری که به جز در مواردی که منابع آموزشی کم است، عملاً مترجم های ماشینی مبتنی بر قاعده های آماری، کاربردی در این حیطه ندارند. در حال حاضر، معماری های مترجم های ماشینی مبتنی بر شبکه عصبی عموماً از یکی از دو رویکرد رمزگذاری-رمزگشایی یا مبتنی بر ترانسفورمر تبعیت می کنند. مدل های مبتنی بر ترنسفورمر به دلیل برخورداری از دادگان آموزشی وسیع تر، امکان ترجمه سریع، با کیفیت، با دامنه وسیع تر تخصصی و امنیت بیشتر در داده را ایجاد می کنند. در این طرح، باتوجه به حجم دادگان آموزشی در اختیار تیم فناور، امکان استفاده از مدل های مبتنی بر ترنسفورمر ایجاد شد. در این راستا، منابع دادگان بررسی و %100 دادگان آموزشی به میزان 110 میلیون جفت داده تهیه شد. سپس ابزار Flair seq به عنوان ابزار برگزیده مورد استفاده و ارزیابی قرار گرفت. در ادامه بر اساس آزمون های متعدد یکی از بهترین کانفیگ های (پیکربندی ) ابزار ارائه شده به دست آمد و مدل بهینه تهیه گردید. در نتیجه این کار پیاده سازی نسخه سرور برای راه اندازی سرویس ترجمه برای کاربران نهایی از سرور طراحی شده در پروژه متن باز OpenNMT استفاده شد.

در گذر زمان و با افزایش روبه رشد تکنولوژی، حجم اطلاعات قابل ذخیره سازی توسط سازمان های مختلف، در حال افزایش است. یکی از مهم ترین سرویس هایی که نقش بسزایی در بازیابی اسناد اطلاعاتی ذخیره شده در پایگاه های داده سازمان ها ایفا می نماید، موتور جست وجو است. جست وجوی سنتی که اغلب در نرم افزارها و سایت ها مورداستفاده قرار می گیرد مبتنی بر ظاهر واژگان است. این نوع جست وجو زاویة دید محدودی داشته و ممکن است نتایج ارزشمندی را نادیده گرفته و نمایش ندهد. از طرفی کاربر را نیز مجبور می کند به طور دقیق و محدود کلید را انتخاب نماید. هدف از این طرح، توسعه موتور جست وجوی مبتنی بر تحلیل و پردازش متن بود که نتایج را بر اساس انتخاب مناسب ترین و نزدیک ترین منابع دانشی، از بین مقالات تعریف شده به لحاظ مشابهت نوشتاری یا معنایی ارائه دهد. برای توسعه سرویس جست وجوی معنایی به چند بخش اصلی نیاز می باشد: عملیات پیش پردازش و ذخیره سازی متن، انتخاب مدل هوش مصنوعی مناسب برای جست وجوی معنایی، مجموعه دادگان غنی برای آموزش مدل، پایگاه دانش مرتبط با مجموعه دادگان و درنهایت معماری و ساختاری که امکان استفاده از این سرویس در حوزه های مختلف را فراهم آورد. نتایج نشان داد که موتور جستجوی معنایی چندزبانه مبتنی بر گراف دانش با دقت 91% (بر مبنای معیار mean reciprocal rank) قادر است به زبان های مختلفی مانند فارسی، انگلیسی، عربی و آلمانی پاسخ دهد. همچنین سرویس طبقه بندی موضوعی قادر است با دقت 93% برای چهل حوزه دانشی فارسی مقالات را بر اساس موضوعات مختلفی مانند علوم کامپیوتر، ریاضی، فیزیک و ادبیات طبقه بندی کند. در نهایت در این طرح قابلیت استفاده از مدل ها در حوزه های مختلف بر اساس دادگان و پایگاه دانش آن حوزه که امکان انطباق و تنظیم مدل ها را با نیازهای مختلف کاربران فراهم می کند، مهیا شد.