1- قابلیت مطالعه رایگان 20 الی 100 درصدی مقالات
2- قابلیت سفارش فایل های این ترجمه با قیمتی مناسب
مشتمل بر 3 فایل:
pdf انگیسی و فارسی مقاله همراه با msword فارسی --
تذکر: برای استفاده گسترده تر کاربران گرامی از مقالات آماده ترجمه شده، قیمت خرید این مقالات بسیار کمتر از قیمت سفارش ترجمه می باشد.
چگونگی سفارش
الف – پرداخت وجه بحساب وب سایت ایران ترجمه (شماره حساب)
ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.com
شامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --
مقالات آماده سفارش داده شده عرفا در زمان اندک یا حداکثر ظرف مدت چند ساعت به ایمیل شما ارسال خواهند شد. در صورت نیاز فوری از طریق اس ام اس اطلاع دهید.
قیمت
قیمت این مقاله: 20000 تومان
(ایران ترجمه - irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
انتخاب عدلهای پنبه همراه با شاخص سازگاری ریسندگی و میكرونیر با استفاده از شبكه‌های عصبی مصنوعی
نام انگلیسی
SELECTING COTTON BALES BY SPINNING CONSISTENCY INDEX AND MICRONAIRE USING ARTIFICIAL NEURAL NETWORKS
تعداد صفحه به فارسی
18
تعداد صفحه به انگلیسی
8
کلمات کلیدی به فارسی
ادوات حجم بالا / حجیم – میكرونیر- شبكه عصبی- نخهای حلقوی- شاخص سازگاری ریسندگی
کلمات کلیدی به انگلیسی
high volume instrument- micronaire- neural network- ring yarns- spinning consistency index
مرجع به فارسی
كالج تكنولوژی نساجی
مرجع به انگلیسی
College of Textile Technology
سال
2004
کشور
هند
انتخاب عدلهای پنبه همراه با شاخص سازگاری ریسندگی و میكرونیر با استفاده از شبكه‌های عصبی مصنوعی
چکیده
این مقاله ارائه دهنده روشی برای انتخاب عدلهای پنبه جهت انطباق با خصیصه‌های نخ حلقوی خاص با استفاده از شبكه‌های عصبی مصنوعی می‌باشد. بدین منظور پنج نوع از خصیصه‌ها و نمره‌های نخ بعنوان ورودی بكار گرفته شده و در مقابل شاخص سازگاری ریسندگی (SCI) و میكرونیر نیز بعنوان خروجی مدلهای شبكه عصبی انتخاب گردید. عدل‌ها بر اساس تركیبات پیش‌بینی‌شده SCI و میكرونیر انتخاب شدند. خصیصه‌های نخ ریسیده از عدلهای انتخابی پیوستگی خوبی را با خصیصه‌های نخ هدف نشان می‌دهد.
كلمات كلیدی: ادوات حجم بالا، میكرونیر، شبكه عصبی، نخهای حلقوی، شاخص سازگاری ریسندگی
پنبه جزء الیاف طبیعی اصلی می‌باشد كه گوناگونی زیادی را در خصیصه‌های خود نشان می‌دهد. برای قرنها، طریقه ارزیابی رتبه و طول متوسط الیاف پنبه بعنوان نقطه اتكای انتخاب الیاف پنبه برای صنایع ریسندگی بشمار می‌آمده است. بتدریج، در صنعت منسوجات، توجه كافی معطوف میكرونیر، استحكام كلافها و خصیصه‌های طولی الیاف گردید. در دهه 1970، ادوات حجم بالا (HVI) معرفی گردید. توانایی HVI در تولید چنین حجم بالایی از داده‌های الیاف با كیفیت، انقلابی را در زمینه مفاهیم تست الیاف و انتخاب آنها بوجود آورد. با این وجود، استفاده از داده‌های HVI بنظر بسیار پیچیده می‌بود، بدین طریق كه استفاده از فرآیندهای فراگرفته شده در این خصوص به منظور پیاده سازی آنها در محیطی حقیقی مشكل جلوه می‌نمود. از اینرو، انتخاب الیاف پنبه‌ای مناسب به منظور تحت پوشش قرار دادن نیازهای مشتریان نهایی بعنوان یك چالش همیشگی پیش روی ریسندگان قرار داشت. جهت رفع این معضل، محققین نسبت به توسعه چندین روش ریاضی، آماری و شبكه عصبی مصنوعی اقدام نمودند تا بدینوسیله بتوانند با استفاده از خصیصه‌های تشكیل دهنده اجزای الیاف به خصیصه‌های نخ پی برند. با این وجود، تلاشهای چندانی جهت تحت پوشش قرار دادن رویه انتخاب الیاف پنبه از طریق خصیصه‌های داده شده نخ صورت گرفته نشده است. بنابر این، مشكل انتخاب عدل پنبه همچنان بعنوان معضلی حل نشده باقی مانده است.
در این مقاله، تلاش شده است تا با استفاده از مدل شبكه عصبی مصنوعی (ANN) نسبت به فرمولاسیون رویه انتخاب عدل اقدام شود و در این راستا تنها دو ویژگی الیاف پنبه، یعنی SCI و میكرونیر، مد نظر قرار گرفته است.
شاخص سازگاری ریسندگی (SCI) یكی از روشهای محاسباتی جهت تخمین كیفیت جامع و داشتن قابلیت ریسندگی مطلوب الیاف پنبه می‌باشد. معادله رگرسیون از اغلب برآوردهای HVI واحد استفاده نموده و بر مبنای گزارشات واصله محصولات سالیانه از وزارت كشاورزی ایالات متحده (USDA) می‌باشد.
SCI با استفاده از اطلاعات میانگین مربوطه به الیاف و نخ بدست آمده از طریق گزارشات سالیانه محصولات USDA در پنج سال متوالی، محاسبه شده است. استفاده اصلی SCI در خصوص انتخاب عدل‌ها تحصیل این مزیت می‌باشد كه كلیه ویژگیهای اصلی پنبه بروشی كنترل شده بدست آمده و از اینرو، در خصیصه‌های پنبه و الیاف حاصل شده از عدلهای انتخابی در یك فصل سازگاری وجود دارد. بدون SCI ، ریسندگان با وظیفه‌ای دست به گریبان می‌باشند كه تفوق بر آن بسیار مشكل خواهد بود.
محاسبه از طریق شبكه عصبی مصنوعی (ANN) از دهه گذشته بعنوان یك الگوی قوی ظهور نموده است و تقریبا در كلیه رشته‌های مهندسی كاربرد دارد. توسعه این روش در حقیقت از مكانیسمی كه بر اساس آن نورونهای بیولوژیكی در مغز انسان كار می‌كنند الهام گرفته شده است. فرآیند تصمیم سازی مغز انسان بوسیله شبكه عصبی پردازش عناصر (PE) یا نورونها تقلید و شبیه‌‌سازی می‌گردد. یك شبكه كاملا آموزش دیده قادر به پیش‌بینی واكنشها یا پاسخهای خروجی به میزان بسیار بهتر و دقیقتری در مقایسه به مدلهای متعارف ریاضی و آماری می‌باشد. یك شبكه عصبی خروجی واحد متعارف در شكل 1 نشان داده شده است. در این نوع از شبكه‌ها، هر یك از نورونها دریافت كننده سیگنالی از نورونهای لایه قبلی می‌باشند و هر یك از این سیگنالها با استفاده از یك وزن مجزا كه بنام وزن سیناپسی یا پیوندگاهی معروف است تكثیر می‌شوند. ورودیهای وزن شده پس از آن جمع گردیده و از طریق یك تابع انتقال، كه خروجی را به یك محدوده ثابتی از مقادیر تبدیل می‌كند، انتقال داده می‌شود. پس از آن خروجی تابع انتقال به نورونهای لایه بعدی انتقال می‌یابند.
نمونه‌های نخ كاردی ریسیده حلقوی از الیاف پنبه شناخته شده مقادیر SCI و میكرونیر ساخته شده‌اند. كلیه عدلهای الیاف پنبه قبل از عملیات ریسندگی بوسیله HVI تست می‌شوند. نخها با توجه به سه نمره متفاوت تولید شده و بر این اساس 90 نمونه تولید می‌شود. ما برای آموزش شبكه‌های عصبی از 75 نمونه استفاده كرده‌ایم. 15 نمونه باقیمانده نیز برای تست شبكه‌های آموزش دیده بكار گرفته شد. شش خصیصه اصلی نخ مثل CSP (محصول توان نمره یا تراكم)، قوام، كشیدگی، نایكنواختی، حالت پرز داشتن و نمره نخ بعنوان ورودیهای انتخاب شده برای مدل ANN بكار برده شد. خروجیهای شبكه‌های عصبی SCI و میكرونیر بودند.
ساخت چارچوب مناسب شبكه عصبی و بهینه‌سازی پارامترهای فراگیری در این خصوص از اهمیت زیادی در جهت دستیابی به نتایج دارای دقت بالا، از مدلهای ANN، برخوردار است. پارامترهای ساختاری مهم كه می‌بایست نسبت به تعیین و تشخیص آنها اقدام نمود عبارتند از: تعداد لایه‌های مخفی و تعداد نورونها در هر لایه مخفی. ما تصمیم داریم تا نسبت به بكارگیری یك ساختار لایه مخفی واحد اقدام نمائیم، چرا كه این ساختار توانایی انجام ارتباطات غیرخطی را دارد. با این وجود، تعداد نورونها در لایه مخفی از 2 الی 12 مورد در نوسان بوده و در هر مرحله 2 مورد بدان اضافه می‌شود. مقادیر بهینه شده نرخ یادگیری و مقدار حركت بترتیب 1/0 و 0/0 بوده است. روال فراگیری بعد از هر 200 بار تكرار متوقف شده است و خطاهای این روال مورد بررسی قرار گرفته است. روال آموزش یا فراگیری به هنگامی كه نرخ خطا در مجموعه تحت تست به صفر رسید بطور كامل متوقف می‌گردد. در این مطالعه، ما از تابع انتقال منطقی همانند زیر استفاده نمودیم.
پس از تكمیل آموزش، داده‌های تست مشخص‌نشده، به مدلهای آموزش- دیده ANN معرفی شده تا بدینوسیله قدرت پیشگویی آنها مورد بررسی و تایید قرار گیرد. پارامترهای آماری بكار رفته برای قضاوت در مورد درستی دقت مدلهای مختلف عبارتند از ضریب همبستگی (R) و درصد خطای میانگین (%). نتایج حاصله در جدول 1 نشان داده شده است. در این جدول مشاهده می‌شود كه مدل ANN همراه با شش گره در لایه مخفی معرف بالاترین میزان دقت می‌باشد. ضرایب همبستگی (R) بین مقادیر حقیقی و پیش‌بینی شده برای SCI و میكرونیر بترتیب عبارتند از 800/0 و 853/0 . درصد خطای میانگین كلی تنها 70/4 می‌باشد. در حالیكه آنالیز تاثیرات تعداد گره‌ها بر روی عملكرد دقت صورت می‌گرفت، مشاهده گردید كه به هنگامی كه تعداد گره‌های مخفی افزایش می‌یابد، دقت پیشگویی نیز با بهبود روبرو می‌شود. عملكرد پیشگویی به هنگامی كه شش گره در لایه مخفی مورد استفاده قرار می‌گیرند ارتقا می‌یابد.
به منظور تایید میزان دوام روش انتخاب عدل پیشنهادی، 14 نمونه جدید نخ از عدلهای پنبه‌ای، كه بر اساس تركیبات پیش‌بینی شده SCI و میكرونیر انتخاب شده بودند، ریسیده شد. تنها یكی از تركیبات پیش‌بینی شده SCI و میكرونیر (2/107 و 95/4)، بواسطه عدم مهیا بودن عدلهای این طبقه، قابل استفاده نمی‌بود. خصیصه‌های این نخهای ریسیده شده جدید بوسیله خصیصه‌های نخ مقصد مورد ارزیابی و مقایسه قرار گرفت (شكل 6-2). آنالیز خطای نشات گرفته از خصیصه‌های مختلف نخها در جدول 3 نشان داده شده است. محدود خطای میانگین برای خصیصه‌های منحصربفرد نخها از 82/3% الی 52/7% می‌باشد. پارامترهای استحكام (CSP و قوام) نخ، كه از نكته نظر ریسندگان بسیار مهم است، نشان دهنده یك خطای میانگین اسمی 5% یا كمتر می‌باشند. علاوه بر این، مواردی كه دارای بیش از 10% خطا باشند، در مورد CSP یك درصد و در خصوص قوام صفر درصد گزارش شده است.
ما روشی را برای انتخاب عدل پنبه از طریق خصیصه‌های نخی داده شده با استفاده از شبكه‌های عصبی مصنوعی ارائه نمودیم. با استفاده از SCI و میكرونیر، بعنوان شاخصهای جامع كیفیت الیاف پنبه، پیچیدگی انتخاب عدل كاهش یافت. نخهای ریسیده شده از عدل‌هایی كه بر اساس روش پیشنهادی انتخاب شده بودند دارای پیوستگی مطلوبی بر حسب خصیصه‌های آنها با نخهای هدف بودند. خطای میانگین خصیصه‌های نخهای منحصربفرد در محدوده 82/3% الی 52/7% بود. میزان دقت در خصوص موارد CSP، قوام و پرمویی بسیار خوب بود. با مشاركت كشیدگی الیاف در معادله SCI می‌توان دقت انتخاب عدل را ارتقا داد.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
