الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 38000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
شماره
۱۷
کد مقاله
TXT17
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
انتخاب عدلهای پنبه همراه با شاخص سازگاری ریسندگی و میکرونیر با استفاده از شبکه‌های عصبی مصنوعی
نام انگلیسی
SELECTING COTTON BALES BY SPINNING CONSISTENCY INDEX AND MICRONAIRE USING ARTIFICIAL NEURAL NETWORKS
تعداد صفحه به فارسی
۱۸
تعداد صفحه به انگلیسی
۸
کلمات کلیدی به فارسی
ادوات حجم بالا / حجیم – میکرونیر- شبکه عصبی- نخهای حلقوی- شاخص سازگاری ریسندگی
کلمات کلیدی به انگلیسی
high volume instrument- micronaire- neural network- ring yarns- spinning consistency index
مرجع به فارسی
کالج تکنولوژی نساجی
مرجع به انگلیسی
College of Textile Technology
کشور
هند
انتخاب عدلهای پنبه همراه با شاخص سازگاری ریسندگی و میکرونیر با استفاده از شبکه‌های عصبی مصنوعی
چکیده
این مقاله ارائه دهنده روشی برای انتخاب عدلهای پنبه جهت انطباق با خصیصه‌های نخ حلقوی خاص با استفاده از شبکه‌های عصبی مصنوعی می‌باشد. بدین منظور پنج نوع از خصیصه‌ها و نمره‌های نخ بعنوان ورودی بکار گرفته شده و در مقابل شاخص سازگاری ریسندگی (SCI) و میکرونیر نیز بعنوان خروجی مدلهای شبکه عصبی انتخاب گردید. عدل‌ها بر اساس ترکیبات پیش‌بینی‌شده SCI و میکرونیر انتخاب شدند. خصیصه‌های نخ ریسیده از عدلهای انتخابی پیوستگی خوبی را با خصیصه‌های نخ هدف نشان می‌دهد.
کلمات کلیدی: ادوات حجم بالا، میکرونیر، شبکه عصبی، نخهای حلقوی، شاخص سازگاری ریسندگی
شبکه عصبی مصنوعی عدلهای پنبه
مقدمه
پنبه جزء الیاف طبیعی اصلی می‌باشد که گوناگونی زیادی را در خصیصه‌های خود نشان می‌دهد. برای قرنها، طریقه ارزیابی رتبه و طول متوسط الیاف پنبه بعنوان نقطه اتکای انتخاب الیاف پنبه برای صنایع ریسندگی بشمار می‌آمده است. بتدریج، در صنعت منسوجات، توجه کافی معطوف میکرونیر، استحکام کلافها و خصیصه‌های طولی الیاف گردید. در دهه ۱۹۷۰، ادوات حجم بالا (HVI) معرفی گردید. توانایی HVI در تولید چنین حجم بالایی از داده‌های الیاف با کیفیت، 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 که استفاده از فرآیندهای فراگرفته شده در این خصوص به منظور پیاده سازی آنها در محیطی حقیقی مشکل جلوه می‌نمود. از اینرو، انتخاب الیاف پنبه‌ای مناسب به منظور تحت پوشش قرار دادن نیازهای مشتریان نهایی بعنوان یک چالش همیشگی پیش روی ریسندگان قرار داشت. جهت رفع این معضل، محققین نسبت به توسعه چندین روش ریاضی، آماری و شبکه عصبی مصنوعی اقدام نمودند تا بدینوسیله بتوانند با استفاده از خصیصه‌های تشکیل 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، مشکل انتخاب عدل پنبه همچنان بعنوان معضلی حل نشده باقی مانده است.
در این مقاله، تلاش شده است تا با استفاده از مدل شبکه عصبی مصنوعی (ANN) نسبت به فرمولاسیون رویه انتخاب عدل اقدام شود و در این راستا تنها دو ویژگی الیاف پنبه، یعنی SCI و میکرونیر، مد نظر قرار گرفته است.
شبکه عصبی مصنوعی عدلهای پنبه
شاخص سازگاری ریسندگی (SCI)
شاخص سازگاری ریسندگی (SCI) یکی از روشهای محاسباتی جهت تخمین کیفیت 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 کشاورزی 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 که کلیه ویژگیهای اصلی پنبه بروشی کنترل شده بدست آمده و از اینرو، در خصیصه‌های پنبه و الیاف حاصل شده از عدلهای انتخابی در یک فصل سازگاری وجود دارد. بدون SCI ، ریسندگان با وظیفه‌ای دست به گریبان می‌باشند که تفوق بر آن بسیار مشکل خواهد بود.
شبکه عصبی مصنوعی عدلهای پنبه
شبکه عصبی و الگوریتم انتشار معکوس
محاسبه از طریق شبکه عصبی مصنوعی (ANN) از دهه گذشته بعنوان یک الگوی قوی ظهور نموده است و تقریبا در کلیه رشته‌های مهندسی کاربرد دارد. توسعه این روش در حقیقت از مکانیسمی که بر اساس آن نورونهای بیولوژیکی در مغز انسان کار می‌کنند الهام گرفته شده است. فرآیند تصمیم سازی مغز انسان بوسیله شبکه عصبی پردازش عناصر (PE) یا نورونها تقلید و شبیه‌‌سازی می‌گردد. یک شبکه کاملا آموزش دیده قادر به پیش‌بینی واکنشها یا پاسخهای خروجی به میزان بسیار بهتر و دقیقتری در مقایسه به مدلهای متعارف ریاضی و آماری می‌باشد. یک شبکه عصبی خروجی واحد متعارف در شکل ۱ نشان داده شده است. در این نوع از شبکه‌ها، هر یک از نورونها دریافت کننده سیگنالی از نورونهای لایه قبلی می‌باشند و هر یک از این سیگنالها با استفاده از یک وزن مجزا که بنام وزن سیناپسی یا پیوندگاهی معروف است تکثیر می‌شوند. ورودیهای وزن شده پس از آن جمع گردیده و از طریق یک تابع انتقال، که خروجی را به یک محدوده ثابتی از مقادیر تبدیل می‌کند، انتقال داده می‌شود. پس از آن خروجی تابع انتقال به نورونهای لایه بعدی انتقال می‌یابند.
شبکه عصبی مصنوعی عدلهای پنبه
موارد تجربی
آماده‌سازی نمونه
نمونه‌های نخ کاردی ریسیده حلقوی از الیاف پنبه شناخته شده مقادیر SCI و میکرونیر ساخته شده‌اند. کلیه عدلهای الیاف پنبه قبل از عملیات ریسندگی بوسیله HVI تست می‌شوند. نخها با توجه به سه نمره متفاوت تولید شده و بر این اساس ۹۰ نمونه تولید می‌شود. ما برای آموزش شبکه‌های عصبی از ۷۵ نمونه استفاده کرده‌ایم. ۱۵ نمونه باقیمانده نیز برای تست شبکه‌های آموزش دیده بکار گرفته شد. شش خصیصه اصلی نخ مثل CSP (محصول توان نمره یا تراکم)، قوام، کشیدگی، نایکنواختی، حالت پرز داشتن و نمره نخ بعنوان ورودیهای انتخاب شده برای مدل ANN بکار برده شد. خروجیهای شبکه‌های عصبی SCI و میکرونیر بودند.
شبکه عصبی مصنوعی عدلهای پنبه
پارامترهای شبکه عصبی
ساخت چارچوب مناسب شبکه 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 که 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 بکارگیری یک ساختار لایه مخفی واحد اقدام نمائیم، چرا که این ساختار توانایی انجام ارتباطات غیرخطی را دارد. با این وجود، تعداد نورونها در لایه مخفی از ۲ الی ۱۲ مورد در نوسان بوده و در هر مرحله ۲ مورد بدان اضافه می‌شود. مقادیر بهینه شده نرخ یادگیری و مقدار حرکت بترتیب ۱/۰ و ۰/۰ بوده است. روال فراگیری بعد از هر ۲۰۰ بار تکرار متوقف شده است و خطاهای این روال مورد بررسی قرار گرفته است. روال آموزش یا فراگیری به هنگامی که نرخ خطا در مجموعه تحت تست به صفر رسید بطور کامل متوقف می‌گردد. در این مطالعه، ما از تابع انتقال منطقی همانند زیر استفاده نمودیم.
شبکه عصبی مصنوعی عدلهای پنبه
نتایج و مباحث
پیش‌بینی SCI و میکرونیر با استفاده از مدلهای ANN
پس از تکمیل آموزش، داده‌های تست مشخص‌نشده، به مدلهای آموزش- دیده ANN معرفی شده تا بدینوسیله قدرت پیشگویی آنها مورد بررسی و تایید قرار گیرد. پارامترهای آماری بکار رفته برای قضاوت در مورد درستی دقت مدلهای مختلف عبارتند از ضریب همبستگی (R) و درصد خطای میانگین (%). نتایج حاصله در جدول ۱ نشان داده شده است. در این جدول مشاهده می‌شود که 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 میکرونیر بترتیب عبارتند از ۸۰۰/۰ و ۸۵۳/۰ . درصد خطای میانگین کلی تنها ۷۰/۴ می‌باشد. در حالیکه آنالیز تاثیرات تعداد گره‌ها بر روی عملکرد دقت صورت می‌گرفت، مشاهده گردید که به هنگامی که تعداد گره‌های مخفی افزایش می‌یابد، دقت پیشگویی نیز با بهبود روبرو می‌شود. عملکرد پیشگویی به هنگامی که شش گره در لایه مخفی مورد استفاده قرار می‌گیرند ارتقا می‌یابد.
شبکه عصبی مصنوعی عدلهای پنبه
خصیصه‌های نخهای، بدست آمده از عدلهای انتخابی
به منظور تایید میزان دوام روش انتخاب عدل پیشنهادی، ۱۴ نمونه جدید نخ از عدلهای پنبه‌ای، که بر اساس ترکیبات پیش‌بینی شده SCI و میکرونیر انتخاب شده بودند، ریسیده شد. تنها یکی از ترکیبات پیش‌بینی شده SCI و میکرونیر (۲/۱۰۷ و ۹۵/۴)، 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 (شکل ۶-۲). آنالیز خطای نشات گرفته از خصیصه‌های مختلف نخها در جدول ۳ نشان داده شده است. محدود خطای میانگین برای خصیصه‌های منحصربفرد نخها از ۸۲/۳% الی ۵۲/۷% می‌باشد. پارامترهای استحکام (CSP و قوام) نخ، که از نکته نظر ریسندگان بسیار مهم است، نشان دهنده یک خطای میانگین اسمی ۵% یا کمتر می‌باشند. علاوه بر این، مواردی که دارای بیش از ۱۰% خطا باشند، در مورد CSP یک درصد و در خصوص قوام صفر درصد گزارش شده است.
شبکه عصبی مصنوعی عدلهای پنبه
نتیجه‌گیری
ما روشی را برای انتخاب عدل پنبه از طریق خصیصه‌های نخی داده شده با استفاده از شبکه‌های عصبی مصنوعی ارائه نمودیم. با استفاده از SCI و میکرونیر، بعنوان شاخصهای جامع کیفیت الیاف پنبه، پیچیدگی انتخاب عدل کاهش یافت. نخهای ریسیده شده از عدل‌هایی که 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 ۸۲/۳% الی ۵۲/۷% بود. میزان دقت در خصوص موارد CSP، قوام و پرمویی بسیار خوب بود. با مشارکت کشیدگی 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.
