
تعداد نشریات | 43 |
تعداد شمارهها | 1,685 |
تعداد مقالات | 13,831 |
تعداد مشاهده مقاله | 32,712,214 |
تعداد دریافت فایل اصل مقاله | 12,926,785 |
مدلسازی جایگزین مبتنی بر یادگیری عمیق برای مسیر یک وسیله پرتابی | ||
پژوهش در مدیریت تولید و عملیات | ||
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 07 بهمن 1403 | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22108/pom.2025.143000.1580 | ||
نویسندگان | ||
مهدی کرامتی نژاد1؛ مهدی کرباسیان* 2؛ حمیدرضا علی محمدی3؛ کریم آتشگر4 | ||
1دانشگاه صنعتی مالک اشتر تهران | ||
2دانشگاه صنعتی مالک اشتر | ||
3پژوهشگر مستقل | ||
4دانشگاه صنعتی مالک اشتر- مجتمع مدیریت و مهندسی صنایع | ||
چکیده | ||
در سالهای اخیر، تحلیل و طراحی سیستمها با استفاده از شبیهسازی مبتنی بر کامپیوتر به طور گسترده برای پیشبینی عملکرد سیستمها مورد توجه پژوهشگران قرار گرفته است. چنین تحلیلهای مهندسی بر اجرای کدهای کامپیوتری گران قیمت و پیچیده متکی است. روشهای تقریبی به طور گستردهای برای کاهش بار محاسباتی تحلیل مهندسی مورد استفاده قرار گرفته و توسعه تکنیکهای مدلسازی امکان ارزیابی سریع، ارزان و دقیق سیستمهای مهندسی را فراهم میکند. برای تسهیل تحلیلهایی مانند بهینهسازی طراحی، تجزیه و تحلیل قابلیت اطمینان و غیره، نیاز به یک مدل سادهشده وجود دارد که بتواند نمایشی کارآمد از مدل دقیق و پرهزینه محصول ارائه دهد. به این مدلهای سادهشده پیشبین، مدلهای جایگزین(شبهمدل) نیز میگویند. این مقاله به بررسی توانایی مدلهای یادگیری عمیق بهعنوان یک روش جایگزین در مدلسازی مسیر پروازی یک وسیله پرتاب میپردازد. این رویکرد با استفاده از دادههای تجربی برای آموزش شبکههای عصبی و مقایسه دقت آن با روش سطح پاسخ (RSM) انجام میشود. نتایج نشان میدهند که استفاده از یادگیری عمیق بر دقت پیشبینیها تاثیر مثبت داشته و توانایی تخمین عملکرد در شرایط مختلف را فراهم میآورد. بنابراین در نقطه مورد مقایسه برای جرم کل وسیله پرتاب، مقدار کد شبیه سازی با روش یادگیری عمیق یکی بوده و مقدار آن 108500 کیلوگرم شد و با تکنیک RSM مقدار جرم کل برابر 108556.6 کیلوگرم شد که نسبت به روش یادگیری عمیق دقت مدل کمتر میباشد. | ||
کلیدواژهها | ||
مدل جایگزین؛ یادگیری عمیق؛ مسیر پروازی وسیله پرتاب؛ روش سطح پاسخ(RSM) | ||
آمار تعداد مشاهده مقاله: 18 |