آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,550 |
| تعداد مقالات | 18,888 |
| تعداد مشاهده مقاله | 63,329,459 |
| تعداد دریافت فایل اصل مقاله | 23,086,439 |
تخمین نیروی پیشران در پیشرانه گاز سرد با استفاده از شبکه عصبی چندلایه بهینه شده با الگوریتم ژنتیک | ||
| مهندسی مکانیک دانشگاه تبریز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 24 تیر 1405 اصل مقاله (742.15 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jmeut.2026.69084.3605 | ||
| نویسندگان | ||
| هادی محمدیان خلف انصار1؛ جعفر کیقبادی1؛ مرتضی فرهید* 2 | ||
| 1دانشگاه سراسری تبریز، دانشکده مهندسی مکانیک، تبریز، ایران | ||
| 2پژوهشگاه فضایی ایران، پژوهشکده رانشگرهای فضایی، تبریز، ایران | ||
| چکیده | ||
| این مقاله یک مدل داده‌محور برای تخمین دقیق پیشرانش تولیدشده توسط پیشرانه گاز سرد ارائه می‌دهد. داده‌های تجربی مورد استفاده از پایگاه Zenodo (DOI: 10.5281/zenodo.7765215) استخراج شده و برای آموزش و ارزیابی مدل به کار رفته‌اند. مدل پیشنهادی با استفاده از یک پرسپترون چندلایه (MLP) و بهینه‌سازی وزن‌ها و بایاس‌های شبکه به کمک الگوریتم ژنتیک (GA)، رابطه بین توان الکتریکی (Pe)، دبی جریان جرمی پیشران (ṁ) و بازده پیشرانه (η) را به پیشرانش خروجی (F) نگاشت می‌کند. معیار بهینه‌سازی در الگوریتم ژنتیک، خطای مربعات میانگین (MSE) داده‌های اعتبارسنجی بود. پیاده‌سازی و آزمایش‌ها با زبان پایتون انجام شده‌اند. با استفاده از یک مجموعه‌داده متشکل از ۲۰۰۰ نمونه، مدل پیشنهادی GA-MLP به مقادیر ۰.۰۵MSE= اعتبارسنجی و ۰.۱ MSE=آزمون و ضریب همبستگی ۰.۸۲ R≈دست یافت. علاوه بر این، یک تحلیل حساسیت و مقایسه با یک شبکه آموزش‌دیده با روش کاهش گرادیان استاندارد ارائه شده است. مقایسه‌های انجام‌شده با مدل‌های پایه‌ای یادگیری ماشین شامل جنگل تصادفی و XGBoost برتری چشمگیر مدل پیشنهادی را از نظر دقت تخمین و همبستگی با داده‌های واقعی نشان می‌دهد. | ||
| کلیدواژه‌ها | ||
| رانشگر گاز سرد؛ پیش‌بینی نیروی رانش؛ شبکه عصبی چندلایه (MLP)؛ الگوریتم ژنتیک؛ بهینه‌سازی؛ ضربه ویژه | ||
|
آمار تعداد مشاهده مقاله: 71 تعداد دریافت فایل اصل مقاله: 53 |
||