پیش‌بینی کیفیت آهک در کوره پخت آهک با استفاده از روش‌های مبتنی بر فازی عصبی
هدف: بهینهسازی کیفیت آهک، همزمان با کاهش مصرف انرژی در کوره پخت آهک از اهمیت بسزایی برخوردار است. ازآنجایی‌که پخت آهک همواره در شرایط عدم قطعیت صورت می‌گیرد، لذا باید کنترل آن توسط روش‌های هوشمند انجام شود. هدف از انجام این پژوهش، پیش‌بینی کیفیت آهک در طول فرایند ساخت آن در کوره پخت آهک و تنظیم پار...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Ayandegan Institute of Higher Education, Tonekabon,
2022-09-01
|
| Series: | تصمیم گیری و تحقیق در عملیات |
| Subjects: | |
| Online Access: | http://www.journal-dmor.ir/article_141092_f4bb6666ad3e59a881d67a75989d7899.pdf |
| _version_ | 1797905218808053760 |
|---|---|
| author | ایمان ذباح علی ماروسی ابولفضل نوقندی زهرا عباسی |
| author_facet | ایمان ذباح علی ماروسی ابولفضل نوقندی زهرا عباسی |
| author_sort | ایمان ذباح |
| collection | DOAJ |
| description | هدف: بهینهسازی کیفیت آهک، همزمان با کاهش مصرف انرژی در کوره پخت آهک از اهمیت بسزایی برخوردار است. ازآنجایی‌که پخت آهک همواره در شرایط عدم قطعیت صورت می‌گیرد، لذا باید کنترل آن توسط روش‌های هوشمند انجام شود. هدف از انجام این پژوهش، پیش‌بینی کیفیت آهک در طول فرایند ساخت آن در کوره پخت آهک و تنظیم پارامترهای ورودی، قبل از تولید می‌باشد. .روش‌شناسی پژوهش: متغّیرهای سیستم ارائه‌شده در این تحقیق شامل: میزان تناژ ورودی و پارامترهای هر دور می‌باشند. عدم تنظیم صحیح این پارامترها ضمن افزایش مصرف سوخت، منجر به تولید آهک فاقد کیفیت لازم، خواهد گردید. بر همین اساس در این مقاله از شبکه‌های عصبی مصنوعی و همچنین شبکه‌های مصنوعی فازی عصبی، به‌عنوان ابزارهای پیش‌بینی کننده و به‌منظور پیش‌بینی کیفیت آهک تولیدی در طی فرایند پخت استفاده‌شده است. این پارامترها عبارت‌اند از فیدر، آی دی کوره، پیش‌گرمکن ، کولر، کوره، زمان و میزان سوخت مصرفی و خروجی مدل کیفیت آهک تولیدشده می‌باشد.یافتهها: مدل‌سازی در نرم‌افزار متلب (2019) با استفاده از 472 نمونه با 8 ویژگی انجام‌شده است. از 80 درصد نمونه‌ها به‌منظور آموزش و 20 درصد به‌عنوان آزمون استفاده‌شده است.اصالت/ارزش افزوده علمی: در پایان مدل‌سازی به کمک شبکه‌های عصبی مصنوعی خطای 0.066 و شبکه فازی عصبی خطای 0.054 حاصل گردید. |
| first_indexed | 2024-04-10T10:01:37Z |
| format | Article |
| id | doaj.art-cdb7bfdae5fa41ec949ed9257a4d3b1f |
| institution | Directory Open Access Journal |
| issn | 2538-5097 2676-6159 |
| language | fas |
| last_indexed | 2024-04-10T10:01:37Z |
| publishDate | 2022-09-01 |
| publisher | Ayandegan Institute of Higher Education, Tonekabon, |
| record_format | Article |
| series | تصمیم گیری و تحقیق در عملیات |
| spelling | doaj.art-cdb7bfdae5fa41ec949ed9257a4d3b1f2023-02-16T08:43:53ZfasAyandegan Institute of Higher Education, Tonekabon,تصمیم گیری و تحقیق در عملیات2538-50972676-61592022-09-017شماره ویژه11010.22105/dmor.2021.282947.1388141092پیش‌بینی کیفیت آهک در کوره پخت آهک با استفاده از روش‌های مبتنی بر فازی عصبیایمان ذباح0علی ماروسی1ابولفضل نوقندی2زهرا عباسی3گروه کامپیوتر، واحد تربت حیدریه، دانشگاه آزاد اسلامی، تربت‌حیدریه، ایران.گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه تربت‌حیدریه، تربت‌حیدریه، ایران.گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه تربت‌حیدریه، تربت‌حیدریه، ایران.گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه تربت‌حیدریه، تربت‌حیدریه، ایران.هدف: بهینهسازی کیفیت آهک، همزمان با کاهش مصرف انرژی در کوره پخت آهک از اهمیت بسزایی برخوردار است. ازآنجایی‌که پخت آهک همواره در شرایط عدم قطعیت صورت می‌گیرد، لذا باید کنترل آن توسط روش‌های هوشمند انجام شود. هدف از انجام این پژوهش، پیش‌بینی کیفیت آهک در طول فرایند ساخت آن در کوره پخت آهک و تنظیم پارامترهای ورودی، قبل از تولید می‌باشد. .روش‌شناسی پژوهش: متغّیرهای سیستم ارائه‌شده در این تحقیق شامل: میزان تناژ ورودی و پارامترهای هر دور می‌باشند. عدم تنظیم صحیح این پارامترها ضمن افزایش مصرف سوخت، منجر به تولید آهک فاقد کیفیت لازم، خواهد گردید. بر همین اساس در این مقاله از شبکه‌های عصبی مصنوعی و همچنین شبکه‌های مصنوعی فازی عصبی، به‌عنوان ابزارهای پیش‌بینی کننده و به‌منظور پیش‌بینی کیفیت آهک تولیدی در طی فرایند پخت استفاده‌شده است. این پارامترها عبارت‌اند از فیدر، آی دی کوره، پیش‌گرمکن ، کولر، کوره، زمان و میزان سوخت مصرفی و خروجی مدل کیفیت آهک تولیدشده می‌باشد.یافتهها: مدل‌سازی در نرم‌افزار متلب (2019) با استفاده از 472 نمونه با 8 ویژگی انجام‌شده است. از 80 درصد نمونه‌ها به‌منظور آموزش و 20 درصد به‌عنوان آزمون استفاده‌شده است.اصالت/ارزش افزوده علمی: در پایان مدل‌سازی به کمک شبکه‌های عصبی مصنوعی خطای 0.066 و شبکه فازی عصبی خطای 0.054 حاصل گردید.http://www.journal-dmor.ir/article_141092_f4bb6666ad3e59a881d67a75989d7899.pdfپیش‌بینی کیفیت آهککوره آهک‌پزیشبکه عصبی مصنوعینروفازی |
| spellingShingle | ایمان ذباح علی ماروسی ابولفضل نوقندی زهرا عباسی پیش‌بینی کیفیت آهک در کوره پخت آهک با استفاده از روش‌های مبتنی بر فازی عصبی تصمیم گیری و تحقیق در عملیات پیش‌بینی کیفیت آهک کوره آهک‌پزی شبکه عصبی مصنوعی نروفازی |
| title | پیش‌بینی کیفیت آهک در کوره پخت آهک با استفاده از روش‌های مبتنی بر فازی عصبی |
| title_full | پیش‌بینی کیفیت آهک در کوره پخت آهک با استفاده از روش‌های مبتنی بر فازی عصبی |
| title_fullStr | پیش‌بینی کیفیت آهک در کوره پخت آهک با استفاده از روش‌های مبتنی بر فازی عصبی |
| title_full_unstemmed | پیش‌بینی کیفیت آهک در کوره پخت آهک با استفاده از روش‌های مبتنی بر فازی عصبی |
| title_short | پیش‌بینی کیفیت آهک در کوره پخت آهک با استفاده از روش‌های مبتنی بر فازی عصبی |
| title_sort | پیش‌بینی کیفیت آهک در کوره پخت آهک با استفاده از روش‌های مبتنی بر فازی عصبی |
| topic | پیش‌بینی کیفیت آهک کوره آهک‌پزی شبکه عصبی مصنوعی نروفازی |
| url | http://www.journal-dmor.ir/article_141092_f4bb6666ad3e59a881d67a75989d7899.pdf |
| work_keys_str_mv | AT ạymạndẖbạḥ pysẖbynyḵyfytậhḵdrḵwrhpkẖtậhḵbạạstfạdhạzrwsẖhạymbtnybrfạzyʿṣby AT ʿlymạrwsy pysẖbynyḵyfytậhḵdrḵwrhpkẖtậhḵbạạstfạdhạzrwsẖhạymbtnybrfạzyʿṣby AT ạbwlfḍlnwqndy pysẖbynyḵyfytậhḵdrḵwrhpkẖtậhḵbạạstfạdhạzrwsẖhạymbtnybrfạzyʿṣby AT zhrạʿbạsy pysẖbynyḵyfytậhḵdrḵwrhpkẖtậhḵbạạstfạdhạzrwsẖhạymbtnybrfạzyʿṣby |