دانلود مقاله و خرید ترجمه:مدلسازی و بهینه سازی خنک کننده های تبخیری نقطه ی شبنم بر اساس شبکه ی عصبی توسعه یافته ی GMDH
دانلود بهترین مقالات isi همراه با ترجمه فارسی

کارابرن عزیز، مقالات سایت ( همگی جزو مقالات isi می باشند) بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (حتی محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi مانند IEEE، Sciencedirect، Springer، Emerald و ... انتخاب گردیده اند.

ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیشنهادات ویژه
پکیج ویژه مقالات محاسبات ابری
پکیج ویژه مقالات زنجیره تامین
پیوندهای کاربردی
پیوندهای مرتبط
مقالات ترجمه شده شبکه های عصبی
  • مدلسازی و بهینه سازی خنک کننده های تبخیری نقطه ی شبنم بر اساس شبکه ی عصبی توسعه یافته ی GMDH

    سال انتشار:

    2017


    ترجمه فارسی عنوان مقاله:

    مدلسازی و بهینه سازی خنک کننده های تبخیری نقطه ی شبنم بر اساس شبکه ی عصبی توسعه یافته ی GMDH


    عنوان انگلیسی مقاله:

    Modeling and optimization of dew-point evaporative coolers based on a developed GMDH-type neural network


    منبع:

    Sciencedirect - Elsevier - Energy Conversion and Management 143 (2017) 49–65


    نویسنده:

    Hamoon Jafarian, Hoseyn Sayyaadi, Farschad Torabi


    چکیده انگلیسی:

    A precise model of a counter-flow indirect dew-point evaporative cooler was developed using the group method of data handling-type neural network while the network was trained by extracted data from a validated numerical model. After validating the model, it was employed in a multi-objective optimization problem that implements the non-dominated sorting genetic algorithm-II method. The system was optimized in diverse climatic conditions. In this regard, Yazd, Masjed-Soleiman and Ahvaz were chosen as representatives of cities with hot, hot semi-humid and hot-humid climates in Iran. In each city, optimum values of channel length, channel gap, inlet air velocity and return to intake air ratio were found so that these decision variables maximize the average coefficient of performance and minimize the specific area of the cooler, simultaneously. The results indicated that the developed model can predict the supply air temperature accurately with less than 1 C error and due to its quick calculation process it is possible to optimize the design based on hourly climate data without any needs to very fast processors. Moreover, using the optimization, the coefficient of performance and specific area for the system designed to be used in Yazd were improved 36.3% and 30.9%, respectively. This figure at Masjed-Soleiman and Ahvaz was 16% and 7.92% improvement in the specific area at the cost of 2.63% and 2.19% reduction in the coefficient of performance, respectively. These improvements allowed the system to reach its full potential and making dew-point evaporative coolers as a suitable cooling system in diverse climatic conditions.
    Keywords: Dew-point evaporative coolers | GMDH neural network | Numerical model | M-cycle | Multi-objective optimization | NSGA-II


    چکیده فارسی:

    یک مدل دقیق خنک کننده¬ی تبخیری نقطه شبنم ضد جریان غیرمستقیم ، با استفاده از روش گروهی شبکه عصبی – جابجایی داده توسعه یافت در حالی که شبکه با داده های استخراج شده از مدل عددی معتبر، آموزش داده شد. پس از اعتباربخشی مدل، مدل در مسئله بهینه سازی چند هدفه که روش الگوریتم ژنتیک دوگانه مرتب سازی غالب تحت سلطه را اجرا می کند، استفاده شد. بهینه سازی این سیستم در شرایط مختلف آب و هوایی انجام شد. در این راستا، یزد، مسجد سلیمان و اهواز به عنوان نماینده ای از شهرهای دارای آب و هوای گرم -خشک، گرم- نیمه مرطوب و گرم و مرطوب ایران انتخاب شدند. در هر شهر، مقادیر بهینه¬ی طول کانال، فاصله کانال، سرعت هوای ورودی و بازگشت مقدار هوای ورودی طوری به دست آمد، که این متغیرهای تصمیم گیرنده همزمان موجب افزایش ضریب عملکرد و کاهش منطقه خاصی از خنک کننده می شود. نتایج نشان داد که مدل توسعه یافته می تواند دمای دقیق هوا را با خطای پایین Cº 1 پیش بینی می¬کند و به دلیل فرایند محاسباتی سریع طراحی ، بهینه سازی بر مبنای داده های آب و هوایی ساعتی بدون نیاز به پردازنده های بسیار سریع انجام می شود. علاوه بر این، کاربرد بهینه سازی در سیستم طراحی شده¬ی کاربردی شهر یزد،منجر به بهبود ضریب عملکرد و منطقه خاص به ترتیب 36.3٪ و 30.9٪ میشود. بهبود منطقه خاص در مسجد سلیمان و اهواز به ترتیب 16٪ و 7.92٪ و با کاهش هزینه ضریب عملکرد 2.63٪ و 2.19٪ همراه بود. این پیشرفت ها به سیستم امکان دستیابی به پتانسیل کامل را میدهد و خنک کننده تبخیر نقطه ی شبنم را به سیستم خنك كننده مناسب در شرایط مختلف آب و هوایی تبدیل میکند.
    کلید واژه ها: خنک کننده تبخیر نقطه شبنم | شبکه عصبی GMDH | مدل عددی | چرخه M | بهینه سازی چند هدفه | NSGA-II


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 17
    تعداد صفحات فایل doc فارسی: 47

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 4041 کیلوبایت


    قیمت: 40000 تومان  36000 تومان(10% تخفیف)


    توضیحات اضافی:




تعداد نظرات : 0

الزامی
الزامی
الزامی
شبکه-های-عصبی
موضوعات
footer