تحلیل حساسیت مبتنی بر ابرمکعب لاتین پیش رونده مطالعه موردی : طراحی بستر کاتالیست هیدرازینی
Publish place: Journal of Space Science and Technology، Vol: 12، Issue: 4
Publish Year: 1398
Type: Journal paper
Language: Persian
View: 192
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_JSST-12-4_003
Index date: 4 December 2021
تحلیل حساسیت مبتنی بر ابرمکعب لاتین پیش رونده مطالعه موردی : طراحی بستر کاتالیست هیدرازینی abstract
در حال حاضر، تعداد نمونه مورد نیاز برای رسیدن به دقت تحلیل حساسیت معین در طراحی، براساس روشهای سعی و خطا در طراحی صورت میپذیرد. هدف این مقاله، توسعه روشی است برای تعیین تعداد نمونه مورد نیاز براساس معیار مشخص برای رسیدن به دقت تحلیل حساسیت معین میباشد. لذا در این مقاله، یک روش تحلیل حساسیت جدید مبتنی بر طرح آزمایشات ابرمکعب لاتین پیش رونده و همگرایی نتایج تحلیل ارائه شده است. برای این منظور یک روش نمونه برداری ابرمکعب لاتین پیش رونده توسعه داده شد. این رویکرد سیستماتیک منجر به تحلیل حساسیت دقیق، کارآمد و سریع در مدل های مختلف و با تعداد پارامترهای زیاد و بازه تغییرات بزرگ شده است. تحلیل حساسیت روی مدل طراحی بستر کاتالیستی یک رانشگر تک پیش رانه هیدرازینی به عنوان مطالعه موردی، انجام شده است و نتایج تحلیل حساسیت طراحی بستر کاتالیستی ارزیابی و تحلیل شده است. نتایج این تحقیق نشان می دهد که در تحلیل حساسیت مبتنی بر ابرمکعب لاتین پیشرونده با مشخص شدن کمینه جمعیت مورد نیاز برای انجام تحلیل حساسیت با دقت مشخص، هزینه محاسباتی تحلیل های مشابه و پیچیدگی های طراحی کاهش خواهد یافت.
تحلیل حساسیت مبتنی بر ابرمکعب لاتین پیش رونده مطالعه موردی : طراحی بستر کاتالیست هیدرازینی Keywords:
تحلیل حساسیت مبتنی بر ابرمکعب لاتین پیش رونده مطالعه موردی : طراحی بستر کاتالیست هیدرازینی authors
محمد ندافی پور میبدی
پژوهشگاه هوافضا، وزارت علوم تحقیقات و فناوری، تهران، ایران
حسن ناصح
استادیار، پژوهشگاه هوافضا، وزارت علوم تحقیقات و فناوری، تهران، ایران
فتح الله امی
دانشکده مهندسی مکانیک، دانشگاه تربیت مدرس، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :