CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

بهینه سازی پارامترهای شبکه عصبی مصنوعی جهت شبیه سازی عملکرد یک توربوکمپرسور به کمک الگوریتم ژنتیک

عنوان مقاله: بهینه سازی پارامترهای شبکه عصبی مصنوعی جهت شبیه سازی عملکرد یک توربوکمپرسور به کمک الگوریتم ژنتیک
شناسه ملی مقاله: AEROSPACE08_195
منتشر شده در هشتمین کنفرانس انجمن هوافضای ایران در سال 1388
مشخصات نویسندگان مقاله:

علی طاهری - کارشناس ارشد مهندسی هوافضا، شرکت صنایع هواپیماسازی ایران
مهرداد بزاززاده - استادیار، دانشگاه صنعتی مالک اشتر
علیرضا مستوفی زاده - استادیار ، دانشگاه صنعتی مالک اشتر

خلاصه مقاله:
در این مقاله از روش شبکه های عصبی مصنوعی بهینه شده با الگوریتم ژنتیک برای شبیه سازی یک توربوکمپرسور آلستوم-زیمنس استفاده شده و این مدل مبنای بهینه سازی توربوکمپرسور به روش الگوریتم ژنتیک قرار گرفت. این تحقیق شامل سه گام اصلی تعیین ساختار شبکه عصبی مصنوعی مناسب، یافتن پارامترهای بهینه شبکه عصبی (وزنها و بایاسهای مناسب) به کمک الگوریتم ژنتیک و در پایان یافتن نقطه بهینه کارکرد توربوکمپرسور به روش الگوریتم ژنتیک می باشد. پس از تعیین پارامترهای ورودی و خروجی، 205 دسته داده ای که در طول یک سال جمع آوری گردید برای مدلسازی استفاده شد. این داده ها به سه دسته آموزش، تعیین اعتبار و آزمایش تقسیم شدند و ساختارهای مختلف از لحاظ تعداد لایه های و تعداد نرونها در هر لایه مخفی با روش لونبرگ مارکوارت آموزش دیده و بر اساس MSE با هم مقایسه گردیدند و ساختار با چهار نرون در لایه مخفی اول و شش نرون در لایه دوم به عنوان ساختار مناسب انتخاب گردید. در مرحله بعد با استفاده از الگوریتم ژنتیک مقادیر وزن ها و بایاس های ساختار شبکه عصبی مصنوعی بهینه گردید. در این قسمت داده ها به سه دسته آموزش دیده، کمتر آموزش دیده و آزمایش تقسیم گردیدند. برای الگوریتم ژنتیک تابع هدف بصورت ترکیبی از خطاهای پارامترهای خروجی و جریمه تعریف گردید. در نهایت پس از 150 نسل تابع هدف از مقدار 135128 به 5225 کاهش یافت، پس از مراحل فوق نقطه بهینه عملکرد توربوکمپرسور توسط الگوریتم ژنتیک با تابع هدف بر اساس مقدار معکوس راندمان بدست آمد، بدین صورت که پس از 3000 نسل مقدار تابع هدف از مقدار 1258325 به مقدار 132/8 کاهش یافت، که این مقدار مبین مقدار بیشینه راندمان برابر 19/6 است، سپس اثر هریک از پارامترها بر راندمان حول نقطه بهینه بررسی شد.

کلمات کلیدی:
توربوکمپرسور، شبکه های عصبی مصنوعی، الگوریتم ژنتیک، شبیه سازی، بهینه سازی

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/75809/