Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Un amplio rango de acceso libre revista rápida y eficiente en línea experto presentación de
revisión por pares, la publicación rápida de alta visibilidad
IJCER
www.ijceronline.com
[2014]
Editor en jefe
Comités editoriales
DR.Qais Faryadi
Titulación: Doctorado Ciencias de la Computación Afiliación: USIM
(islámica Universidad de Ciencias de Malasia)
Mohamed Abdelatif
Titulación: Doctor tecnología inteligente de Afiliación: Facultad
de Ciencias Naturales y Tecnología
Meisam Mahdavi
Titulación: Phd Ingeniería Eléctrica e Informática
Afiliación: Universidad de Teherán, Norte Kargar st. (A través de la novena carril), Teherán, Irán
versión I
1. 01-13
Artificial Neural Network: una aplicación informática Soft En análisis de
secuencias biológicas
2. 14-16
El uso de telepeaje de navegación por satélite
3. 17-22
El efecto de Residuos de Aluminio en las propiedades del material de hormigón
4. 23-31
Cinco componentes Optimización Mezcla de Concreto de Residuos de Aluminio utilizando la teoría de
Scheffe
5. 32-38
Simulación de distribuciones de dosis de fotones y electrones por MCNP5
código para el área de tratamiento usando el acelerador lineal de electrones
(LINAC) en el Hospital General Dongnai, Vietnam
Nguyen Van Hai || Nguyen Van Hung || Dinh Thanh Binh || Duong Thanh Tai
6. 39-50
investigación experimental de la grieta en viga en voladizo de aluminio utilizando
la técnica de monitorización de la vibración
7. 51-55
-Inter imagen anatómica correspondencia y segmentación automática de los
huesos por volumétrico de modelado estadístico de rodilla MRI
8. 56-59
Una Investigación Experimental sobre el Efecto de GGBS y fibra de acero en el hormigón de
alta Rendimiento
10. 66-71
La identificación en tiempo real de gases tóxicos Sobre la base de redes neuronales artificiales
versión II
1. 01-15
Efecto de la reacción de primer orden químico en convección libre en un pasaje
vertical de doble canal para conducir el fluido
2. 16-18
Extended Kalman Filter seguimiento de misiles basados
3. 19-23
Desarrollo de las bases teóricas de modelado de dominio lógico de un sistema de
software complejo
4. 24-29
Evaluación del desempeño del enmascaramiento basado en la segmentación de cuencas
Evaluación del desempeño del consumo de energía de los protocolos de enrutamiento ad hoc
5.
30-37
Mohamed Otmani, Abdellah Ezzati
6. 38-42
Nube en línea de software basado en Captura de imagen de microscopio
Manjushree.k.chavan, Yogeshwary.BH
9. 58-62
La cuantificación de la delgadez en una Industria Textil
Pruthvi.HM, Sreenivasa.CG
10. 63-69
Estimación de la calidad del hormigón Viga puente Usando ultrasónico de prueba de impulso de
velocidad
11. 70-75
Evaluación de la Resistencia a la Compresión característico en vigas de puentes de hormigón
mediante la prueba de martillo de rebote
12. 76-81
Predicción series basado en el dirigido por eventos de Gestión de Procesos de Negocio
RESUMEN
La enorme cantidad de datos del nivel de expresión biológica disponible establece en todo el mundo requiere técnicas
automatizadas que ayudan a los científicos a analizar, comprender y proteínas clúster predicción de la estructura, la
alineación múltiple de secuencias, inferencias phylogenic etc. obstáculos principales en este punto incluir complejidad
computacional y fiabilidad de los algoritmos de búsqueda. redes neuronales artificiales un Computing Paradigm Soft
ampliamente utilizados en el análisis de los datos del nivel de expresión de genes producidos por la tecnología de
microarrays en la escala genómica, secuenciación de genes en la escala genómico, la secuenciación de proteínas y
aminoácidos, etc, debido a sus características, tales como una fuerte capacidad de mapeo no lineal, alta precisión para
el aprendizaje, y la buena robustez. ANN ser entrenado a partir de ejemplos, sin necesidad de un conocimiento
profundo de la tarea en cuestión,
Términos generales: Redes neuronales artificiales, Arquitecturas, algoritmos de aprendizaje, topologías, secuencias biológicas.
YO. INTRODUCCIÓN
El avance en el campo de la genómica como el Proyecto Genoma Humano (PGH), análisis de datos de microarrays puede producir grandes cantidades
de datos a nivel de expresión mediante el procesamiento en paralelo. Análisis de microarrays de datos
tiene como objetivo para medir los niveles de mRNA en células particulares o tejidos para muchos genes a la vez que se basa en las propiedades de
hibridación de ácidos nucleicos en una escala genómica. Microarrays han dado una nueva dirección hacia el estudio del genoma, permitiendo a los
investigadores estudiar la expresión de miles de genes simultáneamente por primera vez. Está siendo predijo que esto es esencial para la comprensión del
papel de los genes en diversas funciones biológicas.
La acción de descubrir un motivo (una ADN corto o secuencia de la proteína) de la expresión génica está íntimamente relacionada con la correlación de
secuencias de genes a las funciones biológicas específicas, ayuda en la comprensión del papel de los genes en las funciones biológicas.
El área más difícil de Biología Computacional es el estudio de miles de genes a través de diversas
condiciones simultáneamente. Las nuevas técnicas de minería de datos computacional y necesitan ser desarrollados para de bajo costo, baja precisión
(aproximada), buenas soluciones con el fin de comprender e interpretar correctamente la expresión. Análisis de la expresión génica incluye la selección /
análisis de marcador diferencial para buscar genes que se expresan diferencialmente en fenotipos distintos, Clase de predicción (aprendizaje supervisado),
el descubrimiento de Clase (aprendizaje no supervisado), análisis Pathway (búsqueda de conjuntos de genes expresados diferencialmente en distintos
fenotipos) y conversión de datos tareas, como el filtrado y normalización, que son requisitos previos estándar para el análisis de datos genómica.
Artificial Neural Network (RNAs) inspirado por Biológica de red neuronal (BNNs) y el aprendizaje estadístico se utilizan ampliamente
técnicas de reconocimiento de patrones en el análisis de datos de microarrays. ANN puede ser entrenado para identificar los genes relevantes que se
utilizan para hacer esta distinción que también es distinguir entre
ADN complementario ( cDNA) datos de microarrays de dos tipos de lesiones colorrectales.
Hemos estudiado una serie de Artificial Neural Network (RNA), algunos algoritmos de aprendizaje importantes
y técnicas que ayudan (se han utilizado) en el descubrimiento o la correlación de patrones de expresión de datos (por ejemplo datos de microarrays) a la función
biológica relacionada. Hemos dado un estudio cronológico de calcular número de neuronas ocultas en la red neuronal. En este documento se encuentra un resumen de
nuestra encuesta, junto con los conceptos básicos de las redes neuronales y algoritmos de aprendizaje de algunos importantes.
Las redes neuronales artificiales (RNA) es diferente a la informática tradicional (enfoque algorítmico) que requieren instrucción previa para
resolver un problema, pertenecen a la clase de adaptación de las técnicas en el aprendizaje automático
arena. ANNS se utilizan como una solución a varios problemas complejos no lineales; Sin embargo, su éxito como una metodología de reconocimiento de
patrones inteligentes ha sido lo más prominente anunciado.
RNAs fueron inspirados por las redes neuronales biológicas, cuyo rendimiento es análoga a las funciones más básicas de los cerebros humanos.
La mayoría de los modelos de RNAs están organizados en la forma de un número de unidades de procesamiento (también llamado neuronas artificiales, o
simplemente neuronas [1]), y un número de conexiones ponderadas (sinapsis artificiales) entre las neuronas.
Aunque las redes neuronales artificiales no son una copia exacta del cerebro humano biológica, es importante comenzar con la comprensión de
los conceptos fundamentales de la Organización del sistema nervioso y el cerebro.
Sistema nervioso:
El sistema nervioso humano puede ser dividido en tres etapas que pueden estar representados en forma de diagrama de bloques como:
Los receptores recogen información del entorno (por ejemplo, los fotones en la retina), Los efectores generan interacciones con el
entorno (por ejemplo, activar los músculos), el flujo de información / activación está representado por las flechas - feedforward y
retroalimentación. Naturalmente, este trabajo será principalmente de cómo funciona la red neuronal en el medio.
La mayoría de neuronas codificar sus activaciones o salidas como una serie de pulsos breves eléctricos (es decir, picos o los potenciales de
acción). Cuando se recibe de entrada suficiente (es decir se excede un umbral), la neurona genera un potencial de acción o ‗spike'(es decir, ‗fires').
Ese potencial de acción se transmite a lo largo del axón a otras neuronas, o para estructuras fuera de los sistemas nervioso (por ejemplo, músculos).
de la neurona cuerpo celular (soma) procesa las activaciones entrantes y las convierte en activaciones de salida mediante la suma de las
señales entrantes (espacial y temporalmente). de la neurona núcleo contiene el material genético en forma de ADN. Esto existe en la mayoría de tipos
de células, no sólo a las neuronas.
dendritas son fibras que emanan desde el cuerpo celular y proporcionan las zonas receptivas que reciben la activación de otras neuronas. Las
señales procedentes de neuronas conectadas son recogidos por las dendritas.
Los axones son fibras que actúan como líneas de transmisión que envían activación a otras neuronas. Las uniones que permiten la transmisión de señales
entre los axones y las dendritas se llaman sinapsis. El proceso de transmisión es por difusión de sustancias químicas llamadas neurotransmisores a través de la
hendidura sináptica. Si no se recibe entrada de suficiente (es decir, no se supera el umbral), las entradas se descomponen rápidamente y no se genera ningún
potencial de acción.
El tiempo es claramente importante - señales de entrada deben llegar juntos entradas fuertes generarán más potenciales de acción por unidad de tiempo.
El proceso de construcción de una red neuronal, similar a su inspiración biológica, implica un episodio de aprendizaje (también llamado entrenamiento).
Durante el aprendizaje episodio, la Red requiere una enorme cantidad de asignaciones asociativas de observar una secuencia de datos registrados, y ajusta la fuerza
de sus sinapsis de acuerdo con un algoritmo de aprendizaje y en base a los datos observados, de modo que una entrada en particular conduce a una salida de objetivo
específico.
Formación de una red neural es el proceso de encontrar un conjunto de valores de peso y de polarización de modo que para un conjunto dado de las
entradas, las salidas producidas por la red neural son muy cerca de algunos valores objetivo.
Una red neural puede ser pensado como una función matemática compleja que tiene diversas constantes llamados pesos y sesgos, que debe
ser determinado. El proceso de encontrar el conjunto de pesos y valores de sesgo que mejor responden a su búsqueda de datos existente se llama
entrenamiento de la red neuronal. Hay muchas maneras de entrenar una red neuronal.
La entrada escalar pag se transmite a través de una conexión que multiplica su fuerza por el peso escalar
w, para formar el producto wp, de nuevo un escalar. segundo es un valor de sesgo le permite cambiar la función de activación hacia la izquierda o hacia la derecha, lo
que puede ser crítico para el éxito del aprendizaje. La función de activación de un nodo define la salida de ese nodo dado una entrada o conjunto de entradas. Las
neuronas son -switches‖ que la producción de un -1‖ cuando están lo suficientemente activados y ‗0' cuando no. Aquí la entrada ponderada wp + b es el argumento
de la función de activación F,
típicamente una función de paso o una función sigmoidea, que toma el argumento norte y produce la salida escalar a.
El sesgo es mucho como un peso, excepto que tiene una entrada constante de 1. [2]
Una lista de función común de transferencia (funciones de activación) y sus nombres se puede encontrar en la siguiente Tabla
El entrenamiento de la red, pero nada de ajustar tanto w y segundo parámetros escalares de la misma manera que la neurona las funciones de coste se reduce al mínimo y
a exposiciones un comportamiento deseado o interesante.
función de coste:
C = (Σ (x yo - X yo ') 2) / N Donde x yo se desea salida y x yo 'S son la salida de la red neuronal. Los algoritmos supervisados requieren etiquetados número de neuronas
ocultas en número de redes neuronales de las neuronas ocultas en la red neuronal datos de entrenamiento y el agente externo para la supervisión. En otras
palabras, se requiere más de un conocimiento previo sobre el conjunto de entrenamiento.
El más importante y atractiva, característica de las redes neuronales es su capacidad de aprendizaje (generalizando) del ejemplo (conocimiento
extracción de datos) y adaptarse dinámicamente al sistema cambiante. Las RNA puede hacer esto sin ningún tipo de reglas pre-especificado que definen la
inteligencia o representan el conocimiento de un experto. Esta característica hace que las RNA una opción muy popular para el análisis de la expresión génica y la
secuencia.
Las RNA puede seleccionar su propia variable de entrada relevante de los datos disponibles, y el modelo se desarrolla posteriormente el cual a su vez
puede aumentar en gran medida el conocimiento y la comprensión del problema del experto.
En este trabajo se discuten algunos ANN importante como Redes Neuronales y Feedforward
Backpropagation.
Feedforward red neuronal - La red neuronal feedforward consistir en una serie de capas . En esto
la red la información se mueve en una sola dirección - hacia delante: A partir de los datos de capa de entrada pasa a través de la capa oculta (si existe) y
de la capa de salida. No hay ciclos o bucles en la red. Cualquier mapeo de entrada-salida finita es posible con las neuronas una capa oculta y suficientes
en el mismo.
La red consiste en neuronas distribuida en tres capas diferentes, cada uno de los cuales calcula una función (llamada función de
activación) de las entradas realizadas en los bordes en- (Bordes que señala en la neurona)
y envía el archivo en sus bordes fuera (Bordes apuntando fuera de la neurona) . Las entradas y salidas se pesan por pesos W yo y desplazado por parcialidad
factor específico para cada neurona. Se ha demostrado que para ciertas topologías de redes neurales, cualquier función continua se puede aproximar
con precisión por un conjunto de pesos y sesgos. Por lo tanto, nos gustaría tener un algoritmo que cuando se le da una función F, aprende un conjunto de
pesos y sesgos que se aproximan con precisión la función. por redes neuronales alimentación hacia adelante ( redes neuronales artificiales donde el
gráfico de topología no contiene ningún ciclos dirigida), el algoritmo de retropropagación se describe más adelante hace exactamente eso.
Salida = A (Σ W n * yo norte + sesgo) donde A es la función de activación de la neurona, W norte es el peso de la n º inedge, IN es la entrada llevado a través de
la n º en el borde, y el sesgo es el sesgo de la neurona.
Peso de una neurona puede calcularse a partir de los datos de entrenamiento de una pares de conjuntos de entradas y salidas (X yo, Y yo) donde X yo
es la entrada a todas las neuronas de entrada y Y yo es la salida de la red neural después de ejecutar las entradas en X yo.
Tenemos que encontrar los pesos de los bordes y los sesgos de las neuronas en la red que minimiza la suma de los cuadrados de error (SSE) de los datos de
entrenamiento. los SSE de la red con respecto a los datos de entrenamiento D se calcula utilizando la fórmula,
redes de alimentación hacia adelante no pueden realizar el cálculo temporal. Se requieren redes más complejas con caminos de realimentación internas
de comportamiento temporal.
El algoritmo de aprendizaje se puede dividir en tres fases para una instancia (X yo, Y yo) para i = 1,2,3, ....
calcular la producción - Calcular Z yo, la salida de la red para la entrada de la instancia de formación conjunto X yo.
calcular la culpa - Y yo es el valor deseado para Z yo, por lo que cuando son diferentes, hay algún error. De este error, deseamos calcular un valor culpa de
cada neurona. Culpa posteriormente serán utilizados para decidir en qué medida para ajustar los pesos y sesgos. La culpa son sólo el lineal error. La culpa
puede ser compartida con la ayuda de la Regla Delta.
Delta W ji = η * δ j * X yo
δ j = ( t j - Y j) * f '(h j)
Donde η es la tasa de aprendizaje de la red neuronal, t j ey j están dirigidos y la salida real de la j º neurona, h j es la suma ponderada de las entradas y
f de la neurona' es la derivada de la función de activación f.
Problema con múltiples capas de la red es que no sabemos el valor de salida específica para las neuronas de la capa oculta.
δ i = Σ (δ k * W ki ) * f '(h yo)
El primer factor en paréntesis que implica la suma sobre k es una aproximación a (t yo- una yo) para las capas ocultas cuando no sabemos t yo.
Calcular la culpa de las neuronas de salida - La culpa de cada neurona de salida se calcula como Y yo- Z yo. La culpa debe ser proporcional a las derivadas
parciales para el gradiente para minimizar la suma al cuadrado de error de toda la red.
Calcular la culpa de neuronas de entrada y ocultos - La culpa de una neurona de entrada o oculta se calcula en términos de la culpa de sus fuera
neuronas (las que se está señalando a). Debido a esta dependencia, la culpa necesita ser calculado en un orden topológicamente ordenados de la
inversa de la gráfica topología de red. Esto es similar a la orden en el que se calculan las salidas de las neuronas, excepto que el gráfico de topología
primero se debe invertir antes de la clasificación topológicamente. La fórmula para la culpa de una neurona de entrada o oculta es Σ W k * mi k donde E k es
el
culpa de un fuera de la neurona y W k es el peso del borde que se conecta a la fuera de la neurona. Este paso de propagar el error al revés, es por eso
que el algoritmo de aprendizaje se llama propagación hacia atrás.
Ajustar pesos y sesgos - Este último paso se realiza el descenso de gradiente real mediante el ajuste de los pesos con la fórmula: W ij = W ij + R * E j * UNA j '( yo j) *
O yo donde r es la tasa de aprendizaje, E j es la culpa de neurona j, Aj' es la derivada de la función de activación de la neurona de j, I j es la entrada
alimentado a la neurona j durante el cálculo de la salida en el primer paso, y O yo es la salida de neurona i durante el primer paso. Los sesgos se ajustan
de manera similar utilizando la fórmula: bias_i = bias_i + r * E yo.
El aprendizaje se completa con las todas las instancias de formación se ejecutan. Para lograr una mayor precisión, es posible que desee ejecutar los datos de
entrenamiento varias veces a través del algoritmo de aprendizaje sin más apropiado.
Las redes neuronales necesitan una gran cantidad de parámetros como la arquitectura NN, número de neuronas ocultas en la capa oculta, la función de activación, los
insumos y actualización de las ponderaciones, etc., y muchos de estos parámetros puede afectar significativamente la exactitud, estabilidad y tiempo de ejecución de las
redes neuronales. El algoritmo de propagación hacia atrás, uno sólo puede esperar que el algoritmo para tener un buen rendimiento con un conjunto de entrenamiento
finito.
UNA cuestión fundamental que se plantea a menudo en las aplicaciones de las redes neuronales es “Lo grande que hace la red trabajo tiene que ser para llevar a cabo
una tarea deseada?”. Las respuestas a esta pregunta están directamente relacionadas con la capacidad de las redes neuronales, y deben administrarse de forma
independiente de los algoritmos de aprendizaje empleadas.
La fijación de la neurona oculta es un importante para el diseño de modelo de red neuronal. La selección aleatoria de neurona oculta
puede causar más apropiado y bajo problema apropiado en la red. Varios investigadores intentaron y propusieron muchos enfoque para la
fijación de neurona oculta. La encuesta se ha realizado para encontrar el número de neuronas ocultas en la red neuronal se y descrito de manera
cronológica.
exactamente resuelve el problema de formación de redes neuronales multicapa, para cualquier formación Michael A. Sartori y
1991 arbitraria conjunto con los límites del tamaño de una red neuronal multicapa para implementar Panos J.
exactamente un conjunto de entrenamiento arbitraria; [3] Antsaklis
Límites en el número de neuronas en múltiples capas Ocultos perceptrones Shih-Chi Huang
y Yih Fang
Huang
1993 propuesto dos métodos de avión hiper paralelas para encontrar el número de Arai
neuronas ocultas. El 2 n / 3 neuronas ocultas son suficientes para este diseño de la
red. [4]
1995 Investigado la teoría de la estimación para encontrar el número de unidades ocultas en la red Li et al.
neuronal feedforward de orden superior. Esta teoría se aplica a la predicción de series de
tiempo. Se obtiene la determinación de un número óptimo de neuronas ocultas cuando se
supone que el número suficiente de neuronas ocultas. Según la teoría de estimación, el
número suficiente de unidades ocultas en la red neuronal de segundo orden y las redes
neuronales de primer orden son 4 y 7, respectivamente. Los resultados de la simulación
muestran que la red neuronal de segundo orden es mejor que el de primer orden en la
convergencia de entrenamiento. De acuerdo con esto, la red con pocos nodos en la capa
oculta no va a ser de gran alcance para la mayoría de aplicaciones. El inconveniente es larga
formación y el tiempo de prueba. [5]
1996 se presenta otro método para encontrar un número óptimo de unidades ocultas. El Hagiwara
inconveniente es que no hay garantía de que la red con un número determinado de
unidades ocultas encontrará el peso correcto. De acuerdo con los comportamientos
estadísticos de la salida de la oculto
unidades, si una red tiene gran número de nodos ocultos, un lineal
1997 desarrolló un método para fijar neurona oculta con un error despreciable basada Tamura y
en criterios de información de Akaike. El número de neuronas ocultas en la red neural de tres Tateishi
capas es N -1 y la red neural de cuatro capas es N / 2 + 3 en donde N es la relación de
entrada-diana [7]
1998 propuso una estimación estadística del número de neuronas ocultas. los Fujita
méritos son velocidad de aprendizaje. El número de neuronas ocultas depende principalmente del
error de salida. La teoría de la estimación se construye mediante la adición de neuronas ocultas,
uno por uno. El número de neuronas ocultas se formula como N h = K Conectarse || PAG do Z || / Log
S, donde S es el número total de candidatos que se buscan al azar para una óptima unidad oculta c
es error permisible. [8]
1999 presentado un método para determinar el número de unidades ocultas que Keeni et al
se aplican en la predicción de las células cancerosas. Normalmente, la formación comienza
con muchas unidades ocultas y luego podar la red una vez que se ha formado. Sin embargo la
poda no siempre mejora la generalización. Los pesos iniciales para la entrada a la capa oculta
y el número de unidades ocultas se determinan automáticamente. El demérito no es la
solución óptima. [9]
2001 presentó un enfoque estadístico para encontrar el número óptimo de oculta Onoda,
unidades en aplicaciones de predicción. Los errores mínimos se obtienen mediante el aumento
del número de unidades ocultas. Md. Islam y Murase propusieron un gran número de nodos
Md. Islam y Murase
ocultos en la congelación de peso de las redes de capa oculta individuales. La capacidad de
generalización de la red puede ser degradado cuando el número de nodos ocultos (N h) es grande
porque N º
2003 Implementado un conjunto que cubre algoritmo (SCA) de la red neural de tres capas. El Zhang et al
SCA se basa en la cobertura de la unidad de esfera (USC) de Hamming espacio. Esta
metodología se basa en el número de entradas. En teoría, el número de neuronas ocultas
se estima por búsqueda al azar. El error de salida disminuye con N h siendo añadido.
Entonces h es importante en la caracterización del rendimiento de la red. El número de
neuronas ocultas no debe ser demasiado grande para sistema de aprendizaje heurístico.
Entonces h
encontrado en el conjunto que abarca algoritmo
está neuronas donde L es el número de esferas de unidades contenidas en N espacio oculto
dimensional [11] 3L / 2 oculta
2003 desarrollado el modelo para la capacidad de aprendizaje y almacenamiento de la red de Huang
alimentación directa twohidden-capa. En 2003, Huang [12] formuló la siguiente: en capa
oculta sola y en dos capa oculta.
2004 Una red neuronal de tres capas (NN) con la arquitectura adaptativa novela Panayiota Poirazi,
ha sido desarrollado. La capa oculta de la red se compone de losas de modelos de Costas Neocleous,
neuronas individuales, donde las neuronas dentro de una losa-pero no entre slabs- tienen el Costantinos S.
mismo tipo de función de activación. Las funciones de activación de la red en todas las tres Pattichis
capas tienen parámetros adaptables.
2006 desarrollado un algoritmo de aprendizaje por separado que incluye un enfoque determinista y Choi et al.
heurística. En este algoritmo, los nodos ocultos-tooutput y la entrada a escondidas están
entrenados por separado. Se soluciona los mínimos locales en la red de alimentación directa de
dos capas. El logro es mejor velocidad de convergencia [14]
2007 Optimización del número de neuronas ocultas en las redes neuronales - yinyin Liu,
Se propone un método que utiliza, estándar cuantitativo basado en la relación señal a ruido la Janusz A. Starzyk, Zhen
figura (SNRF) para detectar más apropiado de forma automática mediante el error de Zhu
entrenamiento solamente, para optimizar el número de
neuronas ocultas en red neuronal para evitar la sobre problema apropiado. [16]
2008 presentada el límite inferior del número de neuronas ocultas. El número de neuronas Jiang et al
ocultas es N h = q norte donde se valora q función límite superior. Los valores calculados
representan que el límite inferior es más fuerte que los que ha existido. El límite inferior y
superior en el número de neuronas ocultas ayudar a diseñar algoritmos de aprendizaje
constructivo. El límite inferior puede acelerar la velocidad de aprendizaje, y el límite
superior da la condición de parada de algoritmos de aprendizaje constructivo. Se puede
aplicar al diseño de algoritmo de aprendizaje constructivo con formación conjunto de N
números. [17]
2009 investigado el efecto del aprendizaje de la estabilidad y la neurona oculta en la red neuronal. Shibata e Ikeda
Los resultados de simulación muestran que el peso conexión de salida oculta se hace pequeño
como el número de neuronas ocultas N h
se hace grande. Esto se implementa en números aleatorios problemas de mapeo. La
fórmula para nodos ocultos es N h = √N yo norte 0 donde N yo es la neurona de entrada y N 0 es la
neurona de salida. Desde la red neuronal tiene varios supuestos que se dan antes de iniciar
la discusión para evitar divergente. En los modelos inestables, número de neuronas ocultas
se hace demasiado grande o demasiado pequeño. Una disyuntiva se forma que si el
número de neuronas ocultas se hace demasiado grande, la salida de las neuronas se
vuelve inestable, y si el número de neuronas ocultas
se hace demasiado pequeña, las neuronas ocultas se vuelve inestable otra vez. [18]
2009 Bernoulli red neuronal con los pesos determinados y directamente Yunong Zhang,
Con el número de neuronas de la capa oculta- automáticamente determinado con base Gongqin Ruan
en la interpolación polinómica y teoría de la aproximación, un tipo especial de feedforward
neural-red se construye en este documento con neuronas de la capa oculta activados por
polinomios de Bernoulli para superar el inconveniente de la neural de retropropagación
convencional algoritmo de redes tales como la convergencia lenta y la existencia mínimos
locales. Un algoritmo de detección de peso también se propone que detecta pesos de la
red neural sin los largos procedimientos de formación de propagación inversa. Más sobre
un algoritmo de determinación automática estructura es propuesto que se puede obtener
el número óptimo de neuronas capas ocultas con el fin de lograr la más alta precisión de
aprendizaje. [19]
2010 propuesto una técnica para encontrar el número de neuronas ocultas en la red MLP utilizando Doukim et al.
la técnica de búsqueda de grueso a fino que se aplica en la detección de la piel. Esta técnica
incluye la búsqueda binaria y la búsqueda secuencial. Esta aplicación es entrenado por 30
redes y buscó más bajo de error cuadrático medio. La búsqueda secuencial se lleva a cabo
con el fin de encontrar el mejor número de neuronas ocultas [20]
2010 los algoritmos de aprendizaje propuesto para la determinación del número de neuronas ocultas. Wu y Hong
[21]
2011 Panchal propone una metodología para analizar el comportamiento de la MLP. Panchal et al.
El número de capas ocultas es inversamente proporcional al error mínimo. [22]
2011 La mejora de la eficiencia carácter reorganización de alimentación hacia adelante BP Neural Amit Choudhary,
Network- presenta un método para la mejora de la capacidad de reconocimiento de caracteres Rahul Rishi
de la red neural de retropropagación de alimentación hacia adelante mediante el uso de uno,
dos y tres capas. También se ha demostrado que con más capas ocultas y modificado impulso
plazo un sistema de tiempo real suave puede introducirse donde el rendimiento es más crítica.
[23]
Algunas fuentes afirman que una capa oculta de neuronas entre los nodos de entrada y nodos de salida son suficientes para aproximar con precisión
cualquier función continua.
Este es un hallazgo muy importante debido a que la complejidad computacional del algoritmo de aprendizaje aumenta cuadráticamente con
el número de neuronas en la red y este experimento muestra que sólo muy pocas neuronas son necesarias para este conjunto de datos.
Comparación con otros clasificadores: Las redes neuronales son aún una buena alternativa a otros algoritmos de clasificación tales como árboles de decisión,
red bayesiana, la programación lógica inductiva y Naïve Bayes. El siguiente gráfico muestra la precisión de la clasificación de las redes neuronales en
comparación con la de los árboles de decisión y de Bayes ingenuo. Parece que las redes neuronales funcionan más o menos los mismos que los dos
clasificadores y muchas veces producen un poco mejores resultados que Naïve Bayes. Redes neuronales Puede modelar funciones más arbitrarias (interacciones
no lineales, etc.) y por lo tanto pudieran ser más precisos, siempre y cuando haya suficientes datos de entrenamiento. Pero puede ser propensa a sobreajuste
también.
Capas, que, redes neuronales de retropropagación alimentación hacia adelante: Estos son una clase de RNAs cuyas neuronas se organizan en capas. Las
capas se conectan normalmente completamente, lo que significa que cada elemento (neurona) de una capa está conectado a cada elemento de la capa siguiente.
Sin embargo, también existen variedades de auto-organización en la que se inicia una red, ya sea con un número mínimo de conexiones sinápticas entre las capas
y se suma a la cantidad a medida que avanza la formación ( constructivo), o comienza como una red completamente conectada y conexiones ciruelas en base a los
datos observados en la formación ( destructivo).
Retropropagación [27] es un algoritmo de aprendizaje que, en su versión original, pertenece a los métodos de optimización de descenso de gradiente [28].
La combinación de algoritmo de aprendizaje de propagación hacia atrás y la alimentación hacia adelante, redes en capas proporcionan el tipo más popular
de ANNS. Estos ANNS se han aplicado a prácticamente todos los problemas de reconocimiento de patrones, y son típicamente las primeras redes probado
en un nuevo problema. La razón de esto es la simplicidad del algoritmo, y la gran cantidad de investigaciones que ha estudiado estas redes. Como tal,
en
secuenciación, muchos investigadores también han utilizado este tipo de red como una primera línea de ataque. Ejemplos pueden mencionarse en [29,30]. En
[29] Wu ha desarrollado un sistema llamado clasificación de genes sistema neural artificial (GenCANS), que se basa en una red de retropropagación de tres
capas, de alimentación hacia adelante. GenCANS fue diseñado para -classify nuevas secuencias (desconocidos) en clases predefinidas (conocidos). Se trata
de dos pasos, la secuencia de codificación y clasificación de la red neural, para mapear secuencias moleculares (de entrada) en familias de genes (salida) ‖.
En [30] el mismo tipo de red se ha usado para realizar búsquedas rápidas para las secuencias de las proteínas.
Otros ejemplos se pueden mencionar en el trabajo de Snyder y de Stormo en el diseño de un sistema llamado
GeneParser. [ 31] Aquí autores experimentaron con dos variaciones de una sola red de capa (uno totalmente conectada, y uno parcialmente conectada con un
BIOS de activación añadido a algunas entradas), así como una red twolayer parcialmente conectado. Los autores utilizan la programación dinámica como el
algoritmo de aprendizaje con el fin de entrenar el sistema de secuenciación de proteínas.
1 RNAs son el primer grupo de algoritmo de aprendizaje automático para ser utilizado en un problema de reconocimiento de patrones biológicos. [32]
2 Distinguir entre adenomas esporádicos y cáncer colorrectal (SAC), y enfermedad inflamatoria del intestino (IBD) displasias -asociado
y cánceres.
Auto-organización de redes neuronales: Estas redes son una clase muy grande de las redes neuronales cuya estructura (número de neuronas, el
número de conexiones sinápticas, número de módulos, o el número de capas) cambios durante el aprendizaje basado en los datos observados. Hay dos
clases de este tipo de redes: destructivas y constructivas. redes destructivas son inicialmente una topología totalmente conectado y las sinapsis ciruelas
algoritmo de aprendizaje (en algún momento neuronas enteras, módulos, o capas) en base a los datos observados. La red restante final después de
aprendizaje se ha completado, por lo general es una red escasamente conectados. algoritmos constructivos comienzan con una red conectada
mínimamente, y añadir poco a poco las sinapsis (neuronas, módulos o capas) como el entrenamiento progresa, con el fin de adaptarse a la complejidad de
la tarea en cuestión.
redes de auto-organización se dividen en algunos grupos grandes y muy conocidas. Abajo, se resume la aplicación de algunos de estos grandes
grupos de analys de datos de secuenciación y el nivel de expresión es Auto-organizador Mapa:
Un mapa de organización propia (SOM) [33] es un tipo de enfoque de red neural primera propuesto por Kohonen [34]. SOM se han utilizado como
una agrupación enfoque de división en muchas áreas, como la genómica. Varios grupos han utilizado SOM para descubrir patrones en los datos de
expresión génica. Entre estos Toronen et al. [35], Golub et al. [36], y Tamayo et al. [37] pueden mencionarse. Tamayo y colegas [37] utilizan mapas
auto-organizados para explorar los patrones de expresión de genes generadas usando vectores Affymetrix, y proporcionar la aplicación GeneCluster
de SOM. Tamayo y sus colegas explican la implementación de SOM para datos de nivel de expresión de la siguiente manera:
“ Un SOM tiene un conjunto de nodos con una topología simple y una función de distancia en los nodos. Los nodos son
iterativamente mapeado en space‖ expresión -Gene k dimensiones (en el que el yo º coordinar representa el nivel de expresión en el yo º muestra) ‖ [38]. A
SOM asigna genes a una serie de particiones en la base de la similitud de sus vectores de expresión para hacer referencia a vectores que se definen
para cada partición. El resumen de la algoritmo básico SOM es quizás mejor descrito en la revisión de Quackenbush [39]: -En primer lugar, los vectores
aleatorios se construyen y se asignan a cada partición. En segundo lugar, un gen es escogido al azar y, usando una distancia seleccionada métrica, el
vector de referencia que está más cerca se identifica el gen. En tercer lugar, el vector de referencia se ajusta entonces de manera que es más similar a
la del vector del gen asignado. Los vectores de referencia que son casi en la gird bidimensional también se ajustan de manera que sean más similares
al vector del gen asignado. En cuarto lugar, los pasos 2 y 3 se itera varios miles de veces, la disminución de la cantidad en la que se ajustan los
vectores de referencia y el aumento de la rigurosidad utilizado para definir cercanía en cada paso. A medida que el proceso continúa, los vectores de
referencia convergen a valores fijos. Por último, los genes se asignan a las particiones pertinentes en función del vector de referencia a los que tengan
mayor similar‖. SOM, como el afeitar gen enfoque [40], tiene la clara ventaja de que permiten un conocimiento a priori a ser incluido en el proceso de
agrupamiento. Tamayo et. Alabama. explicar esto y otras ventajas de la vía SOM de la siguiente manera: -La SOM tiene una serie de características
que los hacen especialmente adecuados para la agrupación y el análisis de los patrones de expresión de genes. Ellos son ideales para el análisis de
datos exploratorio, que permite una para imponer estructura parcial sobre los racimos (en contraste con la estructura rígida de la agrupación jerárquica,
las fuertes hipótesis anterior utilizados en la agrupación Bayesiano, y el no estructural del k-means clustering) facilitar la fácil visualización y la
interpretación. SOM tienen buenas propiedades computacionales y son fáciles de implementar, razonablemente rápido, y son escalables a grandes
conjuntos de datos ‖.
La desventaja más importante del enfoque de SOM es que es difícil saber cuándo parar el algoritmo. Si se permite que el mapa de crecer indefinidamente,
el tamaño de la MOS se incrementa gradualmente a un punto en el que se identifican claramente diferentes conjuntos de patrones de expresión. Por lo
tanto, al igual que con k-means clustering, el usuario tiene que depender de alguna otra fuente de información, tales como PCA, para determinar el número
de grupos que mejor representa los datos disponibles. Por esta razón, Sasik y sus colegas creen que -SOM, tal como se aplica por Tamayo et al l es
esencialmente una versión restringida de k-medias: Aquí, el k grupos están unidos por algunas restricciones topológicas-impuesta aleatorias del usuario
(por ejemplo, una cuadrícula de 3 x 2), y, como tal adolece de todos los problemas mencionados anteriormente para kmeans (y más), excepto que las
limitaciones acelera el process‖ optimización. [37]
Hay muchas variedades de SOM, entre las que cabe mencionar los mapas de características de auto-organización (SOFM). los creciente estructura
celular ( GCS) [41] es otro derivado de SOFM. Es un organizador auto y enfoque de aprendizaje incremental (constructiva) neuronal. La variedad no
supervisado de GCS fue utilizado por Azuaje [42] para el descubrimiento de patrones de expresión génica en el linfoma de células B. Utilizando los
datos de expresión de ADNc de microarrays, GCS fue capaz de -identify normal y grandes difuso de linfoma de células B (DLBCL) pacientes. Además,
se distingue pacientes con tipos distintos molecularmente de DLBCL sin conocimiento previo de los subclasses‖.
Auto-organización de los árboles: árboles de auto-organización son normalmente los métodos de redes neuronales constructivas que se convierten en un
árbol (generalmente árbol binario) topología durante el aprendizaje. Entre los ejemplos de estas redes aplicadas a la secuenciación de la obra de Dopazo et al.
[43], Wang et al. [44,45], y Herrero et al. [46] pueden mencionarse. Dopazo y Carazo introducen el algoritmo de árbol de auto-organización (SOTA). [43] SOTA
es una red neuronal jerárquica que crece en una topología de árbol binario. Por esta razón SOTA se puede considerar un algoritmo de agrupamiento
jerárquico [41]. SOTA se basa en SOM de Kohonen se discutió anteriormente y en crecimiento de células de Fritzke [34]. SOTA fue diseñado originalmente
para analizar secuencias de pre-alineado de genes (reconstrucción polygenetic).
Wang y sus colegas extendidos que el trabajo en [43,44] con el fin de clasificar las secuencias de proteínas: - (SOTA) está ahora adaptada
para ser capaz de analizar patrones asociados a la frecuencia de los residuos a lo largo de una secuencia, como la composición dipéptido
proteínas y otros n -gramo compositions‖. En [46], Herrero y colegas demuestran la aplicación de SOTA a los datos de expresión de
microarrays. El espectáculo que el rendimiento de SOTA es superior a la de las técnicas clásicas de agrupamiento jerárquico. Entre las
ventajas de SOTA en comparación con los algoritmos de conglomerados, se puede mencionar su complejidad tiempo, y su enfoque
jerárquico de arriba a abajo. tiempos de ejecución de SOTA son aproximadamente lineal con el número de temas que se clasifica, por lo que
es adecuado para grandes conjuntos de datos. Además, debido a SOTA formas superiores clusters en la jerarquía antes de formar los grupos
inferiores,
Hay muchos otros tipos de árboles de auto-organización que por razones de espacio no se pueden mencionar aquí. SOTA solamente fue elegido
para dar una breve introducción a este tipo de redes, y no porque creemos que estos son los tipos más comunes de árboles de auto-organización.
ART º y sus derivados: Teoría de Resonancia Adaptativa fue presentado por Stephen Grossberg [47] en
1976. Redes diseñado basado en el arte son sin supervisión y auto-organización, y sólo aprenden en la denominada
- Estado resonant‖. ART puede formar racimos (estables) de secuencias arbitrarias de patrones de entrada de aprendizaje (entrar en estados de
resonancia) y de auto-organización. Desde el inicio, han surgido muchos derivados de ART. Entre estos
ART-1 ( la versión binaria del arte; formularios grupos de datos de entrada binario) [48], ART-2 ( versión analógica de ART) [49], ART-2A ( versión
rápida de ART-2) [50], ART-3 ( Incluye "transmisores químicos" para controlar el proceso de búsqueda en una estructura jerárquica ART) [50], ARTMAP
( versión supervisada de ART) [51] se puede mencionar. Muchas variedades híbridas como Fuzzy-ART [ 52], Fuzzy-ARTMAP ( supervisado
Fuzzy-ART) [52] y simplificada Fuzzy-ARTMAP ( SFAM) [51] también han sido desarrollados.
La familia de las redes ART tiene una amplia aplicación en prácticamente todas las áreas de reconocimiento de patrones. Como tales, también se han aplicado en
problemas de secuenciación biológicos. En general, en los entornos de problemas donde no se conoce previamente el número de grupos, los investigadores tienden
a utilizar ART sin supervisión, en donde cuando el número de racimos se conoce a priori, por lo general la versión supervisada, ARTMAP, se utiliza.
Entre las implementaciones sin supervisión, el trabajo de Tomida et al. [53] debe ser mencionado. Aquí los autores utilizaron ART Fuzzy para el análisis de
datos del nivel de expresión. Este estudio es significativo en que compara los resultados de ART Fuzzy con los de la agrupación jerárquica, k-media
clustering, y SOM en el análisis y los datos del nivel de expresión de secuenciación en la escala genómica. En este estudio los autores consideran un
espacio de dos problema dimensional en el que la primera dimensión es el nivel de expresión y la segunda dimensión es el tiempo, a fin de considerar la
variación de los niveles de expresión en el tiempo. En este estudio, los autores informan de la brecha más bajo index3 entre los cuatro algoritmos
considerados para ART Fuzzy. En términos de solidez de los resultados de agrupación, los autores informan de una robustez de 82,2% para ART Fuzzy
frente a 71,1%, 44,4% y 46,7%, para la agrupación jerárquica, k- significa el agrupamiento, y SOM, respectivamente. Como resultado, el authorsconclude
que Fuzzy ART también se comporta mejor en los datos ruidosos.
Entre implementaciones supervisadas, el uso de Azuaje de SFAM en el análisis de datos de ADNc con el fin de descubrimiento de la función de genes en el cáncer
se puede mencionar. [54] En este estudio los autores utilizan un conjunto de datos generado para un estudio anterior [18] utilizando SOFM. Aquí los autores fueron
capaces de distinguir también entre las clases de cáncer utilizando MAFE en lugar de SOFM (reportado anteriormente en este documento).
Las redes neuronales ADN son la solución más reciente e innovadora ANN sugerido para el perfilado de datos de expresión y
secuenciación. Su naturaleza masivamente paralelo ofrece la computación muy rápido. El método presenta un alto potencial en varios
aspectos de la solución que ofrece y debe ofrecer avance avance en el campo.
Bayesianas Redes Neuronales: Hay una serie de redes recientes que han sido sugeridas como soluciones para el análisis de datos de secuenciación y
expresión. Por ejemplo, las redes neuronales bayesianos (BNNs), son otra técnica que se ha utilizado recientemente para el análisis de la expresión
génica. Liang et al. [57] han utilizado los BNNs con aprendizaje estructural para explorar datos de microarrays en expresiones de genes. Los BNNs son
una importante adición a la serie de soluciones ANN que se han ofrecido para el problema en cuestión, ya que representan una
grupo grande de RNA híbridos que combinan RNAs clásicos con las teorías de clasificación y predicción estadística.
CONCLUSIÓN
Hay una serie de soluciones ANN que se han ofrecido al problema de secuenciación biológica y el análisis de datos de expresión. Mientras que
muchos investigadores han aplicado soluciones -classical‖ ANN al problema y se informe de los resultados favorables en comparación con
homólogos no adaptativos, otros han sugerido o desarrollado pionero y RNAs revolucionarias. Muchas de estas técnicas ofrecen soluciones viables
a los problemas antes mencionados, mientras que algunos también ofrecen aceleración significativa en el logro de las soluciones. Creemos que la
realización de una técnica en última instancia, se debe medir en la solidez biológica y la relevancia de sus resultados. Como tal, creemos que las
técnicas que permiten la incorporación de un conocimiento a priori biológica muestran un mayor potencial.
3 En este estudio, los autores utilizan índice de brecha a -Evaluar la similitud de los perfiles como el área entre cada perfil y el perfil promedio durante phase‖
temporal. Esta opinión representa sólo una pequeña parte de la investigación que se llevó a cabo en la zona, y sólo se entiende como una complementaria /
continuación de la encuesta que otros han llevado a cabo en esta zona. Se debe en ningún caso debe tomarse como un estudio completo de todos los algoritmos.
Si no fuera por cualquier otra razón, por la razón de espacio limitado, algunos acontecimientos importantes en la zona tuvieron que ser dejados de lado. Además,
se proponen nuevas técnicas y algoritmo para el análisis de datos de microarrays sobre una base diaria, la fabricación de artículos de encuestas como este
altamente dependiente del tiempo.
Referencias
[1] McCulloch, WS y Pitts, W. 1943. Un cálculo lógico de las ideas inmanentes en la actividad nerviosa. Boletín de Matemáticas Biofísica. 5: 115-133. [2]
JY Li, Chow TWS, y YL Yu, -Estimación la teoría y la optimización del algoritmo para el número de unidades ocultas en el
De orden superior red neuronal feedforward, ‖ en las Actas de la Conferencia Internacional IEEE sobre redes neuronales, vol. 3, pp. 1229-1233, diciembre de 1995. [6]
M. Hagiwara, -Un método simple y eficaz para la eliminación de unidades ocultas y pesos, ‖ Neurocomputing, Vol. 6, no. 2, pp. 207-
218, 1994.
[7] S. Tamura y M. Tateishi, -Capabilities de una red neuronal feedforward de cuatro capas: cuatro capas frente a tres, IEEE Transactions ‖ en redes neuronales, vol. 8, no.
2, pp. 251-255, 1997. [8]
O. Fujita, estimación -Statistical del número de unidades ocultas para las redes neuronales feedforward, ‖ Redes Neuronales, vol. 11, no.
5, pp. 851-859, 1998.
[9] K.Keeni, K. Nakayama, y H. Shimodaira, -Estimación de pesos iniciales y unidades ocultas para el aprendizaje rápido de las redes neuronales multicapa para la clasificación de
patrones, ‖ en las Actas de la Conferencia Conjunta Internacional sobre Redes Neuronales (IJCNN '99) , vol.
3, pp. 1652-1656, IEEE, julio de 1999.
[10] T. Onoda, el criterio de información de red -Neural para el número óptimo de unidades ocultas, ‖ en Actas de la IEEE Conferencia Internacional sobre Redes
Neuronales, vol 1995. 1, pp. 275-280, diciembre de 1995. [11]
MM Islam y K. Murase, -A nuevo algoritmo para el diseño de redes neuronales artificiales de dos capas ocultas compactos, ‖ Redes Neuronales, vol. 14, no. 9, pp. 1265-1278,
2001 [12]
Z. Zhang, X. Ma, y Y. Yang, -Bounds sobre el número de neuronas ocultas en las redes neuronales binarios de tres capas, ‖ Neural Networks, vol. 16, no. 7, pp.
995-1002, 2003. [13]
GB Huang, -Learning capacidad de capacidad de almacenamiento y de las redes de alimentación directa de dos-capa oculta, IEEE Transactions ‖ en redes neuronales, vol. 14,
no. 2, pp. 274-281, 2003. Ver en Editorial · [14]
B. Choi, JH Lee, y DH Kim, -Solving problema de mínimos locales con un gran número de nodos ocultos en redes neuronales artificiales de alimentación directa de dos
capas, ‖ Neurocomputación vol. 71, no. 16-18, pp. 3640-3643, 2008 [15]
Teoh EJ, Tan KC, Xiang C., -Estimating el número de neuronas ocultas en una red de alimentación directa utilizando el valor singular decomposition‖ IEEE Trans Neural
Netw. 2006 Nov; 17 (6): 1623-9. [dieciséis]
Yinyin Liu, Janusz A. Starzyk, Zhen Zhu. -optimizing número de neuronas ocultas en networks‖ neuronal de 2007 [17].
N. Jiang, Z. Zhang, X. Ma, y J. Wang, -El límite inferior del número de neuronas ocultas en las redes neuronales múltiples umbrales -valued múltiples, ‖ en las Actas de
la 2ª Simposio Internacional sobre la Aplicación de la Tecnología de Información Inteligente (IITA '08), pp. 103-107, diciembre de 2008 [17]
K. Jinchuan y L. Xinzhe, el análisis de -empírico óptimas oculta neuronas en el modelado de redes neuronales para la predicción de valores, ‖, en Actas del Taller de
Asia-Pacífico en Inteligencia Computacional y Aplicaciones Industriales, vol. 2, pp. 828-832, diciembre de 2008 [18].
K. Shibata e Y. Ikeda, -Efecto del número de neuronas ocultas en el aprendizaje en redes neuronales en capas de gran escala, ‖ en Actas de la ICROS-SICE
Conferencia Conjunta Internacional 2009 (ICCAS-SICE '09), págs. 5.008-5.013 , agosto de 2009. [19]
Y Zhang. -Bernoulli red neuronal con pesos directamente determinados y con el número de neuronas de la capa oculta- automáticamente Determined‖ ISNN '09
Proceedings del 6º Simposio Internacional sobre Redes Neuronales sobre Avances en Redes Neuronales Páginas 36-45, 2009.
[20] CA Doukim, JA Dargham, y A. Chekima, -Encontrar el número de neuronas ocultas para una red neural MLP usando grueso a fino técnica de búsqueda, ‖ en las Actas
de la 10ª Conferencia Internacional sobre Ciencias de la Información, procesamiento de señales y sus Aplicaciones (ISSPA ' 10), pp. 606-609, mayo de 2010. [21].
YK Wu y Hong JS, -A revisión de la literatura de la tecnología de predicción eólica en el mundo, ‖ en Actas de la IEEE Power Tech Lausana, pp. 504-509, julio de 2007.
[22].
G. Panchal, A. Ganatra, YP Kosta, y D. Panchal, -Behaviour análisis de perceptrones multicapa con múltiples neuronas ocultas y capas ocultas, Journal ‖ Internacional
de Teoría de informática y Engineeringvol, vol. 3, no. 2, pp. 332-337, 2011. [23]
Amit Choudhary, Rahul Rishi -Mejora de la eficiencia de reconocimiento de caracteres de avance network‖ neuronal BP
[24] MR Silvestre -A Clustering basado en el método para fijar el número de neuronas Ocultos de MLP Redes Neuronales: Aplicaciones en el Patrón Recognition‖ TEMA
Tienden. Estera. Apl. Comput., 9, No. 2 (2011) [25]
Saurabh Karsoliya , ‖ Aproximación Número de Ocultos neuronas de la capa en múltiples BPNN capa oculta
Arquitectura -International Revista de Ingeniería y Tecnología Tendencias 2012,
[26] D. Hunter, H. Yu, MS Pukish III, J. Kolbusz, y BM Wilamowski, -Selección de tamaños adecuados de redes neuronales y arquitecturas: un estudio comparativo, IEEE
Transactions ‖ en Informática Industrial, vol. 8, no. 2, pp. 228-240, 2012
[27]. MH Hassoun. Fundamentos de redes neuronales artificiales. MIT Press, marzo de 1995.
[28] N Leroux, -Uso pendiente de descenso para la optimización y aprendizaje-2009
[29] Wu, CH (1995) Capítulo titulado -Gene Clasificación Artificial Neural System‖ en Methods in Enzymology: métodos informáticos para análisis de secuencias,
Macromoléculas Editado por Russell F. Doolittle, Academic Press, Nueva York. [30]
Wu, Cathy, S. Zhao, HL Chen, CJ Lo y J. McLarty. (1996). diseño neuronal motivo de identificación para una rápida y sensible de búsqueda familia de proteínas. CABIOS,
12 (2), 109-118. [31]
Snyder, EE, Stormo, GD (1995) Identificación de Codificación de Regiones en el ADN genómico. J. Mol. Biol. 248: 1-18. [32]
F Valafar. - Técnicas de reconocimiento de patrones en microarrays de análisis de datos: Un Survey‖, Número especial de Anales de la Academia de Ciencias de Nueva York, Técnicas
de Bioinformática y la Informática Médica. ( 980) 41-64, diciembre de 2002.
[33] T. Kohonen, Mapas de auto-organización, Tercera edición ampliada. Springer, Berlín, Heidelberg, Nueva York, 2001. [34]
Kohonen, T. -El auto-organización mapa" (1991) Proc. IEEE 78, 1464-1480
[35] Toronen, P. et al El análisis de datos de expresión génica utilizando la organización de auto mapas (1999) FEBS Letters, 451, 142-146 [36].
Golub, clasificación TR molecular del cáncer: descubrimiento clase y clase de predicción por la expresión de genes monitoreo (1999) Science, 286, 531-537 [37]
Tamayo, P. et al. Interpretación de patrones de expresión génica con mapas de auto-organización: métodos y aplicación a differtiation hematopoyéticas (1999) Proc. Natl.
Acad. Sci. EE.UU. 96, 2907-2912 [38]
Pablo Tamayo -Interpreting patrones de expresión génica con mapas de auto-organización: Métodos y aplicación a differentiation‖ hematopoyético Proc Natl Acad Sci
EE.UU. A. Mar 16, 1999; 96 (6): 2907-2912.
[39] Quackenbush, J. análisis computacional de Microarray Data (2001) Nature genetics 2, 418-427
[40] T Hastie‖ 'Gene afeitar' como un método para la identificación de distintos conjuntos de genes con expresión similar patterns‖ Genome Biol. 2000; 1 (2):
research0003.1-research0003.21. Publicado en línea el 4 Ago 2000.
[41] Fritzke B. 1994. Las crecientes estructuras celulares - Una red de auto-organización de supervisión y aprendizaje supervisado. Red Neuronal 7: 1141-1160. [42]
Azuaje F, red neuronal no supervisada para el descubrimiento de patrones de expresión génica en el linfoma de células B. Diario en línea de Bioinformática 1: 26-41, 2001
[43]
Dopazo J. & Carazo JM (1997) reconstrucción filogenético utilizando una red neuronal creciente sin supervisión que adopta la topología de un árbol filogenético. Journal
of Molecular Evolution 44, 226-233
[44] Wang HC, Dopazo J, Carazo JM (1998) de red cultivo de árboles auto-organización para clasificar los aminoácidos bioinformática 14 (4): 376-377 [45]
Wang HC, Dopazo J, de la Fraga LG, Zhu YP, Carazo JM (1998) auto-organización para la silvicultura de red para la clasificación de las secuencias de proteínas. Protein
Science 7: 2613-2622 [46]
J. Herrero, A. Valencia, y J. Dopazo. Una red jerárquica sin supervisión crecimiento neural para la agrupación de los patrones de expresión génica. Bioinformática, 17:
126--136, 2001 [47]
Stephen Grossberg. Clasificación de adaptación de patrones y recodificación universales: I. Desarrollo paralelo y codificación de los detectores de características neuronales. Cibernética
Biológica, 23: 121-134, 1976. Reimpreso en Anderson y Rosenfeld, 1988. [48]
Gail A. Carpenter y Stephen Grossberg. Arte 2: autoorganización de los códigos de reconocimiento categoría estables para los patrones de entrada analógicas.
Óptica Aplicada, 26: 4919 a 4930, 1987 [49]
Gail A. Carpenter, Stephen Grossberg, y DB Rosen. Art2-a: Un algoritmo adaptativo de resonancia para el aprendizaje y el reconocimiento rápido de la categoría. Redes neuronales, 4:
493-504, 1991. [50]
Gail A. Carpenter y Stephen Grossberg. Art3: búsqueda jerárquica utilizando transmisores químicos en las arquitecturas de reconocimiento de patrones de auto-organización. Redes
neuronales, 3: 129-152, 1990. [51]
T. Kasuba, "Simplified ARTMAP fuzzy", AI de Expertos, de noviembre (1993)
[52] Gail A. Carpenter, Stephen Grossberg, y DB Rosen. arte Fuzzy: estable de aprendizaje rápido y la categorización de los patrones analógicos por un sistema de resonancia
adaptativa. Redes neuronales, 4: 759-771, 1991. [53]
S. Tomida, T. Hanai, H. Honda, y T. Kobayashi. Análisis de la Expresión Génica Usando ART Fuzzy genoma Informática 12: 245- 246 (2001) 245 [54]
Azuaje, F. Un enfoque neural computacional para apoyar el descubrimiento de la función del gen y las clases de cáncer. IEEE Trans Biomed Eng 48: 332-339, 2001. [55]
Adleman, LM (1994) Molecular cálculo de soluciones a los problemas combinatorios. Ciencia 266, 11 de noviembre de 1021 a 1024.
[56] Mills, AP Jr. et al. (2000) DNA álgebra vectorial analógica y las limitaciones físicas sobre basado en el ADN cálculo de la red neural a gran escala. En el ADN equipos
basados V, (Winfree, E. y Gifford, DK, eds), pp. 65-73, American Mathematical Society [57]
Liang, Y. et al. Bayesiano red neuronal de datos de microarrays Actas de la Conferencia Conjunta Internacional IEEE sobre red neuronal, Hawai, (2002)
Maharashtra, India
RESUMEN:
Recientemente, la mayoría de los desarrollos se realizan en el campo de la Colección de peaje Autopistas red. La mayoría de
peaje electrónico se implementa la tecnología DSRC (dedicado comunicación de corto alcance) .En los últimos años en el
desarrollo ETC GPS técnica de sistema de posicionamiento global llevó a cabo la técnica DSRC (dedicado comunicación de corto
alcance). Sin embargo, una nueva generación de telepeaje se desarrolló rápidamente para reemplazar el sistema de cobro de
peaje electrónico basado dedicado comunicación de corto alcance. tecnología de sistema de posicionamiento global se ha
convertido en la nueva tendencia para el sistema de carga por carretera, que implementa el sistema de peaje electrónico basado
en el posicionamiento y el sistema global para comunicaciones móviles (tecnologías) MCT.
palabras clave: sistema de posicionamiento global, Dedicado comunicación de corto alcance, de telepeaje, la comunicación
móvil
YO. INTRODUCCIÓN
Ya que desde décadas mantienen y el costo de la carretera-formas se recogen de manera directa o de manera indirecta en la era mayor el coste incurrido fueron
compensados, ya sea por el pago de impuestos sobre el combustible o por la asignación del presupuesto de desventaja ingreso nacional de esta recaudación de impuestos era
contribuyentes tuvieron que pagan por caminos que no era en absoluto el uso por ellos eso significa que tienen que pagar dinero extra. Sin embargo, en otro método, los peajes
se toman directamente de los conductores que pasan por carretera / calle. Muchas ventajas son que es una fuente de la generación de capital, entonces la gestión del problema
de atasco de tráfico, gestión de solicitudes de firma
Los conductores va a los registros de centros de pago y los instala dispositivo de hardware de interfaz y se aplica para la tarjeta de prepago o
tarjeta de pospago.
Cuando el vehículo se mueve en el área de peaje, la interfaz controles de dispositivos de hardware posición del vehículo actual de coordenadas de GPS con
el nodo de peaje virtual de coordenadas, mantiene en el almacenamiento de la interfaz de dispositivo de hardware. Después de determinar logística, el dispositivo de
hardware de interfaz establece canal de comunicación inalámbrica a través del módulo GSM.
Interfaz dispositivo de hardware envía mensaje de transacción al sistema de control por el módulo GSM a través de la red móvil.
Después de auditoría para controlar el sistema guarda los datos de peaje y devuelve información de la transacción al dispositivo de hardware de
interfaz.
El dispositivo de hardware Interfaz recibe y muestra el resultado de transacciones luego de que funciona correctamente. Si hay un error en el
resultado de transacciones o bien hay un problema en el dispositivo de interfaz o puede ser la instalación no se realiza correctamente.
Cuando el vehículo cruza la zona de carga, si el dispositivo de hardware Interfaz tiene estado anormal o el vehículo no instalar un dispositivo de
hardware Interfaz se procesará la violación. La unidad de control de transacciones borra toda la información de acuerdo con los datos de peaje de la unidad de
control, y se divide en los proveedores de servicios de carreteras.
El Centro de dinero de pago de peaje y recoge los registros de datos de compensación para la cuenta de la consulta. Configuración del
problema y notaciones
• Módulo GSM: El dispositivo de hardware de interfaz y sistema de control se comunican entre sí a través de la VPN dedicado (red privada
virtual) basado en red de comunicación móvil GSM / GPRS.
• Pueblos de interfaz: que muestra el estado de interfaz de dispositivo de hardware, información del vehículo, la tarjeta de cantidad residual etc.El reglas y
leyes del dispositivo de hardware de interfaz de trabajo se describe como sigue: La red de carretera se divide en un número de secciones independientes
por su llegada, dejándola e intercambio opcional . Algunos puntos de las secciones se definen como nodo de peaje virtual y su coordenadas se almacenan
en la memoria del dispositivo hardware de interfaz.
Manual de equipo de recolección de peaje: Si en la cuenta de viajeros no tiene saldo suficiente para pagar el peaje a continuación, que los vehículos son
parada por el equipo de cobro de peaje manual y peaje recogerá. Y tienen menor prioridad pero en caso de saldo insuficiente en la cuenta del viajero que tiene mayor
prioridad.
• Unidad de control: La unidad de control es la parte central del sistema y sus funciones incluye como sigue:
• Puede cambiar el ámbito geográfico de la zona de carga al igual que añade o elimina una carretera de peaje.
• Centro de Servicios de Pago: Este centro lleva el registro de usuarios, etc, y proporciona servicio al cliente.
VI. CONCLUSIÓN
Así llegamos a la conclusión de que el automático de cobro de peaje idea de la tecnología electrónica de pagar por adelantado los peajes que tienen
características flexibles de la carga de zona y el modo de carga y también tienen una mejor compatibilidad con el sistema de transporte inteligente, objetivo principal de este
sistema de cobro electrónico de peaje son reducir la congestión del tráfico, reducir el tiempo de espera, ahorrar combustible y aumentar la capacidad de las carreteras.
VII. RECONOCIMIENTO
Nuestro proyecto es también un resultado de ideas aportadas por muchos y nos gustaría reconocer y agradecer aquí. Expresamos
nuestro sincero agradecimiento a todos aquellos que nos han proporcionado una valiosa orientación para la realización de este informe como
parte del programa de estudios de la carrera.
Agradecemos profundamente a nuestra HOD Prof.Mrs.Varsha D.Mhaske por su orientación útil. Agradecemos también a nuestra Guía de
proyectos Prof. Mr.Hemant R.Kumbhar y Co-Guía Prof.Ms. Monika P.Gagtap.without los cuales este proyecto hubiera sido una realidad lejana. También
les agradecemos por darnos apoyo oportuno en todas las fases de la project.We expresar nuestro sincero agradecimiento al coordinador del proyecto
Prof.Mr.Yogesh R.Khalate para nosotros motiva a lo largo del proyecto. También nos gusta gracias a todos los maestros y personal por sus valiosas
sugerencias y comentarios.
Referencias
[1] Saijie Lu, Tiejun Él, Zhaohui Gao Sistema de Transporte Inteligente Centro de Investigación de la Universidad de Nanjing Sudeste, [2]
Wei-Hsun Lee, Shian-Shyong Tseng, y Ching-Hung Wang, “diseñar e implementar de sistema de cobro de peaje electrónico basado en técnicas de sistema de
posicionamiento de vehículos,” Equipo de comunicaciones, vol. 31, 2008, pp. 2925-2933. [3]
Wei-Hsun Lee, Shian-Shyong Tseng, y Bor-Shenn Jeng, “Electronic Toll Collection basa en técnicas de sistemas de vehículos-Posicionamiento,” Proc. IEEE.
Conferencia internacional sobre redes, detección y Contro de Taipei, Taiwán. March.2004, pp.643-648. [4]
Murphy TJ, “Usuario de la vía de carga utilizando la tecnología de posicionamiento por satélite,” 12 de EEI Conferencia Internacional sobre la Carretera de Información y Control de Transporte
(RTIC 2004), Londres, Reino Unido, 2004, págs, 222-225. [5]
Juan Guillenno Jordan, etc., “Una comparación de diferentes tecnologías para la CFE y otras aplicaciones ITS” Conferencia IEEE 2001 Sistema de Transporte Inteligente, agosto
de el año 2000
RESUMEN
La investigación investigó la densidad, coeficiente de Poisson, el módulo de Young de elasticidad y módulo de rigidez del hormigón de
residuos de aluminio. residuos de aluminio que se obtuvo de extrusión de aluminio Industria (ALEX) Inyishi en Ikeduru Área de Estado,
Nigeria gobierno local, fue investigado. cubos de hormigón con diferentes componentes de ingrediente se moldearon y se curaron en agua a
temperatura ambiente durante 28 días. Algunas mezclas seleccionados se utilizaron para la prueba de ensayo y control de la relación de
Poisson, respectivamente. Un total de 66 cubos de hormigón fueron emitidos para la determinación de la densidad, relación de Poisson, el
módulo de elasticidad y módulo de rigidez de Young. Los resultados de la densidad, relación de Poisson, el módulo de Young de elasticidad
y módulo de rigidez varía de 2.35-2.55kg / m 3, 0,38 a 153, 2,89 x 10- 5 - 3,41 x 10- 5, y o.56 x 10- 5 - 1.24x 10- 5 respectivamente. El resultado de la
prueba de control de la densidad, relación de Poisson, el módulo de elasticidad y módulo de rigidez de Young oscila entre 2.41-2.56kg / m 3 0,53
a 2,01,
3,04 x 10- 5 - 3,41 x 10- 5 y 0,56 x 10- 5 - 1,38 x 10- 5 respectivamente. residuos de aluminio produce ningún efecto significativo en la
densidad, coeficiente de Poisson, el módulo de elasticidad de Young y módulo de rigidez del hormigón.
palabras clave: Densidad, la relación de Poisson, el módulo de módulo de elasticidad de la rigidez, de residuos de aluminio.
YO. INTRODUCCIÓN
El hormigón es una mezcla de cemento, agua, agregados y aditivos (si los hay) en una proporción dada. Aggregate representa algunos
60-80% del volumen de hormigón. Son granos inertes unidos por medio de un ciego que es de cemento. Aunque inerte, introducen una importante
contribución a estas importantes características que hacen que los materiales de construcción de hormigón más favorecidos [1]. Agregados ayudan a
reducir la contracción y la disipación de calor durante el endurecimiento y también contribuyen al incremento de la resistencia mecánica del hormigón [2].
Cemento representan generalmente 12-14% del peso de cemento. Durante el proceso de endurecimiento, que genera la contracción y calor fenómeno de
disipación que conduce al material de craqueo [3]. Agua ocupa 6-8% de la composición de hormigón fresco. Proporciona para la hidratación del cemento y
para la trabajabilidad de la mezcla de hormigón fresco [4]. [5] informó de que las pruebas de trabajabilidad estándar no son adecuados para el hormigón
agregado ya que son sensibles a la unidad de peso. [6] hecho observaciones similares cuando se trabaja con algunos materiales. La incorporación de
residuos de aluminio en la fabricación de hormigón puede proporcionar una solución satisfactoria al problema planteado por la producción de hormigón [7].
Por último, la incorporación de residuos de aluminio en el hormigón no debe poner en peligro la durabilidad del hormigón. Por lo
tanto, los métodos tradicionales de evaluación deben adoptarse para evaluar este material [8]. Este estudio contribuye al desarrollo de una
metodología para evaluar el hormigón fabricado a partir de los residuos de aluminio. La metodología se basa en el estudio de hormigón que
contiene este material. La durabilidad y el impacto ambiental de hormigón están estrechamente relacionados con sus propiedades de
transporte que controlan la cinética de la penetración de agua y agente agresivo en el hormigón [9]. El movimiento de las especies químicas
dentro del material y la lixiviación de ciertos productos químicos también están estrechamente vinculados al hormigón para difusividad
hormigón [10]. Finalmente, se utilizaron algunas relaciones de mezcla seleccionados para determinar la densidad, coeficiente de Poisson,
II. METODOLOGÍA
Algunas relaciones de mezcla seleccionadas se utilizaron para emitir cubos de hormigón para la determinación de la densidad, relación de Poisson, el módulo de elasticidad y
moduluss de rigidez de Young. También, se utilizaron algunas relaciones de mezcla seleccionados (pruebas de control) para emitir cubos de hormigón para la determinación de las mismas
propiedades. Un total de cuarenta y cinco cubos de hormigón fueron emitidos y veintiún cubos de hormigón también se colaron como pruebas de control. Los cubos de hormigón se
moldearon y se curaron en agua a temperatura ambiente durante 28 días período de hidratación. Al final del período de hidratación, los cubos de hormigón se ensayaron para determinar la
densidad, relación de Poisson, el módulo de elasticidad y módulo de rigidez de Young.
Los cubos de hormigón tienen la dimensión de 150 mm x 150 mm x 150 mm. El agregado fino utilizado fue arena de río limpia, libre de sustancias
nocivas con un peso específico de 2,62 y la densidad aparente de 1533kg / m 3. El agregado grueso se obtuvo de un proveedor local con un tamaño máximo de 20
mm, la gravedad específica de 2,65 y la densidad aparente de 1467kg / m 3.
Ambos agregados se ajusta a [11] y. [12], respectivamente, para los agregados gruesos y finos. El cemento utilizado fue Cemento Portland Ordinario (Dangote) que se
ajusta a [13]. El agua utilizada era un agua potable. Los residuos de aluminio utilizado se obtuvo de la industria de extrusión de aluminio (ALEX) Inyishi en Ikeduru zonas
de gobierno local del Estado de Imo, Nigeria. Los residuos se tamizó con un tamaño de tamiz de 150μm para obtener un material finamente dividido utilizado para este
trabajo.
Los resultados de la densidad, relación de Poisson, el módulo de elasticidad y módulo de rigidez de Young rangos de 2,35 a 2,55 kg / m 3, 0,38-1,53, 2,89 x
10- 5 - 3,41 x 10- 5 y 0,56 x 10- 5- 1,24 x 10- 5 respectivamente; mientras que los resultados de la prueba de control varía de 2,41 - 2.56kg / m 3, 0,53 - 2,01; 3,04 x 10- 5 - 3,41 x
10- 5, y 0,56 x 10- 5 - 1,38 x 10- 5 respectivamente.
A 21.78
7 B 33.82 29.09 2.54 0.88 2.95 0,78
C 31.69
A 30.22
8 B 35.38 32.56 2.42 0.46 3.14 1.08
C 32.09
A 31,78
9 B 36.44 32.09 2.48 1.08 3.28 0.79
C 28.04
A 38.27 33.63
10 B 33.02 2.48 0.47 3.34 1.44
C 29.60
A 27.56
11 B 30.58 28.36 2.42 0.58 3.00 0.95
C 26.93
A 23.33
12 B 34.04 30.19 2.35 1.59 2.89 0.56
C 33.24
A 26.67
13 B 28.00 28.45 2.52 0.98 3.26 0.82
C 30.67
A 26.31
14 B 27.47 25.30 2.45 0.64 2.96 0.90
C 22.13
A 32.44
15 B 30.89 30.15 2.55 1.04 3.40 0.83
C 27.11
CONCLUSIÓN
La conclusión del estudio se pueden resumir de la siguiente manera:
a) los residuos de aluminio se puede utilizar como una mezcla en la producción de hormigones.
b) los residuos de aluminio no tiene ningún efecto significativo sobre la densidad, relación de Poisson, el módulo de elasticidad y módulo de rigidez del hormigón de
Young.
de residuos de aluminio c) también se puede utilizar como un material cementoso suplementario en la producción de hormigón.
d) El curado es muy necesario en el hormigón con el fin de asegurar la completa hidratación del cemento.
Referencias
[1] Neville AM (1995): “Propiedades del hormigón” 4 º edición, Pitman Publishing Company Ltd, Nueva York. [2]
Él, C. Makovicky y Osbaeck, B. (1998): “sílice Medición del ácido soluble en agua salada” Diario de Ciencias Aplicadas, Vol.
8, pp 160-172.
[3] Machotra, VM (1988): Una revisión global con énfasis en la durabilidad y la Innovación concreto”. Journal of American Concrete Institute, Vol 30, pp 120-130. [4]
Neville, AM y Brooks, J. (1995): “Tecnología del Hormigón”; 3 rd Edición, editores Pearson, India. [5]
Cook, DJ (1997) “gruesos gránulos de poliestireno agregados mezcla para su uso es la unidad de albañilería, Obras Públicas y Medio Ambiente” 150-182. [6]
Sri Ravindrarajah, R (1999): “El uso de gránulos agregados de poliestireno en concreto” Journal of American Concrete Institute, Vol
30, pp 150-156.
[7] Basher M do Cabe, CC y Long, A (2005): “Las influencias de la mezcla sobre las propiedades del hormigón fresco y endurecido” Revista de Investigación Vol
industrial científica, 8, pp199-214. [8]
Chatterji, AK (1992): “La adsorción de cal y la actividad puzolánica” Revista de Investigación Científica industria, Vol. 19B, pp 493-
494.
[9] Pimienta P, Remond. S., Rodrigues, N., y Bournazel, JP (1999): “Evaluación de las propiedades del mortero que contiene cenizas volantes de incineración de residuos sólidos
urbanos”. Congreso Internacional de la creación de hormigón, Universidad de Dundee, pp 319-326. [10]
Remond, S, Pimienta, P y Bentz, DP (2002): “Efecto de la incorporación de las cenizas volantes residuos sólidos municipales en concreto”. Diario de cemento y hormigón de
Investigación, vol. 10, pp 12-14. [11]
British Standards Institution, BS 877 (1967): espumado o expandido escoria de alto horno áridos ligeros para hormigón, Londres, párrafo 8 del preámbulo. [12]
British Standards Institution, BS 3797 (1964): “agregados ligeros para hormigón”. Londres, pp 8. [13]
British Standards Institution, BS 12 (1978): “Especificaciones para cemento ordinario y endurecimiento rápido” Portland, Londres, pp 38.
Nigeria.
2 Profesor del Departamento de Ingeniería Civil, Universidad de Nigeria, Nsukka
RESUMEN
La investigación investigó algunas de las propiedades mecánicas del hormigón de Residuos de Aluminio para aprovechar sus propiedades
estructurales en el sector de la construcción. Residuos de aluminio que se obtuvo de extrusión de aluminio Industria (ALEX) Inyishi en
Ikeduru área del gobierno local de la OMI Estado, Nigeria fue investigado. El trabajo se extendió técnicas de optimización de Scheffe de la
cuarta a la quinta dimensión y obtuvo modelos matemáticos para la optimización de la resistencia a la compresión ya la flexión de una
mezcla de hormigón de cinco componentes. Se desarrolló un software para la optimización de las propiedades mecánicas del hormigón
de Residuos de Aluminio. técnicas de diseño experimentales de Seheffe se siguió para producir hormigón con diferentes componentes de
ingrediente que se utilizaron para emitir muestras de cubo y de la viga.
PALABRAS CLAVE: resistencia a la compresión, resistencia a la flexión, el modelo de Scheffe, de residuos de aluminio.
YO. INTRODUCCIÓN
La vivienda es un problema grave en los países en desarrollo como Nigeria. Como resultado la mayoría de la gente en Nigeria, especialmente los que ocupan
las zonas fluviales están viviendo en la casa deficiente [1]. El principal factor de lucha contra la provisión de viviendas asequibles en Nigeria es elevado coste de ms.academicjournals.org/
materiales de construcción.
Los materiales utilizados comúnmente en la industria de la construcción de hormigón incluyen agua, cemento, arena y granito [2]. El agua está siempre disponible
en su estado natural como agua de lluvia, agua de río, agua de mar fresca y agua de pozo. La arena también está disponible en su estado natural como arena del río, arena de
mar, arena y dunas del desierto Erosión (arena del desierto). Cemento y granito no están comúnmente disponibles en su estado natural. Son materiales procesados. En la
mayoría de los casos el punto de uso es diferente desde el punto de fabricación. De acuerdo con [3], el hormigón es cualquier producto o la masa hecha por el uso de cualquier
medio de cementación. Los agregados se definen como partículas de roca que, cuando se reúnen en un condiciones unido o no unido formar parte o la totalidad de una
estructura de ingeniería o de construcción [4].
= HACHA (1)
Z y X son cinco vectores de elementos en la que A es una matriz de cinco por cinco. El valor de la matriz A se obtiene a partir de los primeros cinco proporciones de
mezcla. Las relaciones de mezcla son: Z 1 [ 0,67: 1: 1,7: 2: 0,5], Z 2 [ 0,58: 1: 1,5: 1,9: 0,8], Z 3 [ 0,6: 1: 1,2: 1,7: 1], Z 4 [ 0,8: 1: 1: 1,8: 1,3], Z 5 [ 0,74: 1: 1,2: 1,3: 1,5],
Los primeros cinco proporciones de mezcla están situados en los vértices de la espacio factor de cuatro dimensiones. Otros diez coeficientes de pseudo
mezcla situadas en puntos medios de las líneas que unen los vértices del espacio factorial son:
Z 12 [ ½: ½: 0: 0: 0], X 13 [ ½: 0: ½: 0: 0], Z 14 [ ½: 0:
0: ½: 0], X 15[ ½: 0: 0: 0: ½], Z 23 [ 0: ½: ½: 0: 0], X 24
[ 0: ½: 0: ½: 0], Z 25 [ 0: 0: ½: 0: ½], X 34 [ 0: 0: ½:
½: 0], Z 35 [ 0: 0: ½: 0: ½], X 45 [ 0: 0: 0 ½: ½].
Sustituyendo estos valores en la ecuación (1) dará las correspondientes relaciones de mezcla reales, Z como; Z 12 [ 0,625: 1: 1,6:
1,95: 0,65], Z 13 [ 0.635: 1: 1,45: 1,85: 0,75], Z 14 [ 0.735: 1: 1,35: 1,90: 0,90], Z 15[ 0.705: 1: 1,45: 1,65:. 1], Z 23 [ 0,59: 1: 1,35: 1,80: 0,9], Z 24 [ 0,69: 1:
1,25: 1,85: 1,05], Z 25 [ 0,66: 1: 1,35: 1,60: 1,15], Z 34 [ 0,70: 1: 1,10: 1,75: 1,15], Z 35 [ 0,67: 1: 1,20: 1,50: 1,25], Z 45 [ 0,77: 1: 1,10: 1,55: 1,40].
Ningún componente de pseudo acuerdo con [9] debe ser más de una o menor que cero. La suma de todos los componentes de pseudo en
una relación de mezcla debe ser igual a uno [10,11]. Es decir 0≤ xi ≤ 1
(3)
Σ Xi = 1 (4)
pero sx i = 1
Es decir X 1 + X 2 + X 3 + X 4 + X 5 = 1 (7)
2+ X3 X4+ X3 X5= X3
X1 X3+ X2 X3+ X3 (11)
2+ X4 X5= X4
X1 X4+ X2 X4+ X3 X4+ X4 (12)
2= X5
X1 X5+ X2 X5+ X3 X5+ X4 X5+ X5 (13)
de xi 2 dará respectivamente
2= X 1- X 1 X 2 - X 1 X 3 - X 1 X 4 - X 1 X 5
X1 (14)
2= X 2- X 1 X 2 - X 2 X 3 - X 2 X 4 - X 2 X 5
X2 (15)
2= X3- X1 X3 - X1 X3 - X2 X3 - X3 X4- X3 X5
X3 (dieciséis)
2= X4 - X1 X4 - X1 X4 - X2 X4 - X3 X4 - X4 X5
X4 (17)
2= X5 - X1 X5 - X2 X5 - X2 X5 - X3 X5 - X4 X5
X5 (18)
Sustituyendo la ecuación (8) en las ecuaciones (14-18) y la ecuación (6) y re-organización y la sustitución con un α constante producirá.
+ α 12 X 1 X 2 + α 13 X 1 X 3 + α 14 X 1 X 4 + α 15 X 1 X 5
+ α 23 X 2 X 3 + α 24 X 2 X 4 + α 25 X 2 X 5 + α 34 X 3 X 4 + α 35 X 3 X 5
+ α 45 X 4 X 5 + mi (19)
Y = α 1 X 1 + α 2 X 2 + α 3 X 3 + α 4 X 4 + α 5 X 5 + α 12 X 1 X 2 + α 13 X 1 X 3 + α 14 X 1 X 4 + α 15 X 1 X 5 + α 23 X 2 X 3 + α 24 X 2 X 4 + α 25 X 2 X 5 +
α 34 X 3 X 4 + α 35 X 3 X 5 + α 45 X 4 X 5 (21)
La ecuación (21) es (5,2) ecuación del enrejado Polynomial del Scheffe. Estas respuestas son constantes y se determinan mediante la realización
de prácticas de laboratorio. Un total de quince (15) tales pruebas prácticas se llevaron a cabo para corresponder a los quince coeficientes de la ecuación (21).
Para validar el modelo extra quince proporciones de mezcla (control) se determinaron y se utiliza en el T-test estudiantes.
Los materiales se procesan por lotes en peso. El mezclado se realiza manualmente con pala y pala de mano. 150 mm x 150 mm x 150 mm
moldes cubo de hormigón se utilizaron para la prueba de resistencia a la compresión, mientras que los moldes de haz 100 mm x 100 mm x 100 mm x 500
mm se utilizaron para la resistencia a la flexión. Los cubos y vigas de hormigón se curaron durante 28 días a temperatura ambiente. Al final del período de
hidratación fueron aplastados los cubos y las vigas y las resistencias a la compresión y a la flexión se determinaron de acuerdo con el requisito de [14].
RESULTADOS Y DISCUSIÓN
Los resultados de la resistencia a la compresión y a la flexión obtenida mediante el enfoque de optimización se aplica en el trabajo se presentan en
la tabla 2 y la tabla 4.
Los resultados de la prueba experimental y Simplex Model (Scheffe) se presentan en la Tabla 3 y 5 respectivamente. Los modelos de regresión propuestos
para resistencia a la compresión y a la flexión se ensayaron para determinar la adecuación utilizando la prueba t de Estudiantes. Esto se muestra es la tabla 7 la
resistencia a la compresión y la tabla 9 para resistencia a la flexión. Tabla 6 presenta los resultados obtenidos a partir de pruebas llevadas a cabo para comprobar
experimentalmente el resultado de los modelos de regresión. Los resultados experimentales estuvieron de acuerdo favorablemente con el software derivado. La
resistencia a la compresión dio
29.81 N / mm 2 y la resistencia a la flexión 11.72N / mm 2.
Tabla 6 demostró que los residuos de aluminio no es débil en la flexión y por lo tanto será adecuada en miembros estructurales en el que el
hormigón puede ser necesaria para resistir un cierto grado de tensión de flexión tal como en pavimentos rígidos. Los resultados de la tabla 6 también
mostraron que el uso de los residuos de aluminio optimizado propuesto produce un ahorro de 16% en masa de hormigón. El análisis beneficio económico de
la trabajo demostró que cuatro mil naira se guarda por metro cúbico de hormigón, cuando se utiliza de residuos de aluminio en lugar de un componente
estándar 1: 2: 4 mezcla de hormigón.
Scheffe (N / mm 2)
1 29.41 29.41
2 19.66 19.66
3 21.93 21.93
4 20.99 20.99
5 20.22 20.22
6 14.38 14.38
7 19,87 19,87
8 25.50 25.50
9 23.29 23.29
10 23.31 23.31
11 20.49 20.49
12 21.72 21.72
13 29.81 29.81
14 25.79 25.79
15 15.41 15.41
dieciséis 24.26 21.841
17 20.59 20.688
18 20.60 18.913
19 21.66 23.349
20 21.58 23.783
21 18.16 21.666
22 22.52 19.618
23 22.43 19.08
24 17.26 18.959
25 26.21 24.506
26 18.90 24.923
27 20.47 23.807
28 23.76 23.794
29 17.01 20.33
30 18.49 25.052
1 6.48 6.48
2 8,87 8,87
3 9.82 9.82
4 6.40 6.40
5 11,72 11,72
6 7.37 7.37
7 8.17 8.17
8 7.03 7.03
9 8.95 8.95
10 9.60 9.60
11 8.33 8.33
12 10.53 10.53
13 8.63 8.63
14 11.12 11.12
15 9.28 9.28
dieciséis 11,47 8,336
17 9.17 9,324
18 7.97 8,689
19 8.99 8,993
20 12,76 9,771
21 11.38 9,047
22 9.23 8,397
23 9.27 8,764
24 9.13 8,086
25 11.32 8,439
26 8.44 9,325
27 8.58 8,741
28 9.15 8.181
29 11.16 7,955
30 10.70 8,534
Mesa 6: Masa y s t rength del estándar y opti metro ización metro ixes comparación
ít Cemento El agregado de residuos de El agregado Agua Resistencia a la Resistencia a
(kg) fino (kg) aluminio (kg) grueso (kg) (kg) compresión (N / mm 2) la flexión (N /
mm 2)
BENEFICIOS ECONÓMICOS
A partir de la tabla 6, el ahorro en la masa de hormigón por masa de diseño. =
0,9 + 2,25 + 0,15 = 3,3 kg.
Masa de hormigón de 1 m 3 hormigón = 2400kg [15] Por lo tanto masa
de hormigón guardan en 1m 3
= 0.2867
= 5,892
estadísticas t, t = re = 0.2867
Sd / √10 2.427 / √10
= 0.37
Para el caso de dos pruebas de cola y para 5% de nivel de importante y 9 grados de libertad, obtenemos t 0,975,
9 = 2,26.
Debido a que el valor t calculado es menor que la obtenida a partir de la tabla (es decir, 2,26), se concluye que no hay diferencia
significativa en los dos métodos. Es decir, se acepta la hipótesis nula.
estadísticas t, t = re = 0,3774 S
sd / √10 2,8043 / √10
= 1,484
Para el caso de dos pruebas de cola y el 5% nivel significativo y el grado de libertad de 9, obtenemos t 0,975, 9 = 2,26. Debido a que el t
calculado, el valor es menor que la obtenida a partir de la tabla (es decir, 1,484 <2,26), concluimos que el resultado no es significativo al nivel de
5%. Por lo tanto, aceptamos la hipótesis nula.
CONCLUSIÓN
La investigación concluye que los residuos de aluminio se puede utilizar en la construcción como aditivo en concreto, pero no debe exceder el 16%. residuos
de aluminio también puede ser utilizado como un quinto componente de la producción de hormigón.
de residuos de aluminio tiene la ventaja de material de alta resistencia a la compresión y ahorro de costes sobre su contraparte estándar.
REFERENCIA
[1] Kashi, MG, Malloy, RA y Swan, CW (2002); “Las cenizas volantes agregada / plástico sintético para materiales de construcción” centro de Chelsea para el reciclaje y el desarrollo
económico, Universidad de Massachustts Lowel, informan 45. [2]
Neville, AM (1983): “Creep del Plan y el hormigón estructural” Longman Publishers Limited, de Londres. [3]
Neville, AM y Brooks, JJ (2002): “Tecnología del Hormigón”. Pearson Education Pte Limited, India. [4]
Majid, NZA (2002): “La influencia de las propiedades globales de la resistencia del hormigón”. Ingeniería Civil y Estructural trabaja, Malasia. [5]
Ghose, DN (1989): “Los materiales de construcción” TATA editorial McGraw-Hill co-Ltd, New Delhi. [6]
Orie, OU (2005); "Ingeniería estructural". Historia y filosofía de la ciencia y la tecnología, Universidad de Benin Press, Benin City, Nigeria. [7]
David J y Galliford, N. (2000): “La construcción de puentes en el Canal de Huddersfield”. Concrete 34, Número 6. [8]
Scheffe, H, (1958): Los experimentos con la mezcla. Diario de Estadísticas Royal Society B series, 20: 344-360. [9]
Scheffe, H. (1958): Los experimentos con mezclas, Journal of Royal estadísticas de la sociedad serie B, 344-360. [10]
Obam, SA (1998): Un modelo para la optimización de la fuerza de almendra de palma Shell agregado de concreto. Tesis AMSC, Universidad de Nigeria, Nsukka. [11]
Scheffe, H, (1958). Los experimentos con mezclas. Diario del Real Sociedad de Estadística de la Serie B, 344-360. [12]
Simon, MJ, Lagergreen, ES y Synder, KA (1997). El uso de mezclas de concreto Optimización Estadística Mezcla Métodos Diseño. Actas de la / Simposio Internacional
FHWA PCI en el concreto de alto rendimiento, New Orieans, PP 230-244. [13]
British Standards Institution, BS 12 (1978): “normal y cemento Portland de endurecimiento rápido: Londres, párrafo 8 del preámbulo. [14]
Institución norma británica BS 1881 (1986): Métodos de ensayo del concreto, Londres. [15]
Oyenuga, VO (2001): “Diseño de Hormigón Armado”. Asros Limited, Lagos, Nigeria.
Simulación de distribuciones de dosis de fotones y electrones por MCNP5 código para el área
de tratamiento usando el acelerador lineal de electrones
(LINAC) en el Hospital General Dongnai, Vietnam
Nguyen Van Hai 1, Nguyen Van Hung 2, Dinh Thanh Binh 3, Duong Thanh Tai 3
1 Dalat Colegio de Educación Profesional, 2 Centro de Técnicas Nucleares en la ciudad de Ho Chi Minh,
3 Dongnai general Hopital, Vietnam
RESUMEN:
Hoy en día, la radioterapia por aceleradores de electrones lineal (LINAC) se ha convertido en popular y dado efectos altos para el
tratamiento del cáncer en los hospitales de Vietnam. En el documento se presenta la simulación para la distribución de los campos de
dosis de radiación por código MCNP5 de radiaciones de electrones y fotones dentro y fuera de la sala de tratamiento en el Hospital
General Dongnai. A partir de eso, se podría llevar a cabo comparación entre los resultados de cálculo y los de medidas
experimentales en el Hospital General Dongnai.
Los resultados del cálculo describen las distribuciones de campos de dosis de radiación en algunas posiciones de dentro y fuera
de la sala de tratamiento. Esta es una de las basises importantes para el cálculo de la seguridad radiológica en radioterapia, así como la
construcción y puesta en marcha de habitaciones.
palabras clave: Radioterapia, acelerador lineal de electrones (Acelerador lineal), la seguridad radiológica, la dosis de campo, el código MCNP5
YO. INTRODUCCIÓN
Los LINAC pueden emitir uno de los dos tipos de radiación que son fotones, electrones con alta dosis, por lo que la distribución de la dosis en el
área de tratamiento es relativamente compleja. A partir de la recepción de los resultados de la distribución de dosis completa y precisa, vamos a tener
recomendaciones sobre la seguridad radiológica para centros de salud utilizando los LINAC. código MCNP5 se utiliza para calcular la distribución simulada
de dosis de fotones y electrones dentro y fuera de la sala de tratamiento. Objeto de simulaciones en este informe está disponible en máquinas Primus
Centro de Cáncer, Hospital General de Dongnai, Vietnam.
II. EXPERIMENTAL
La terapia de radiación en una sala de hospital construido está configurado de acuerdo con las normas generales de producción [1] con dimensiones de la
sala de la máquina se muestran en la Figura 1.
Las paredes internas y externas se hicieron por el hormigón con una densidad de 2,5 g / cm 3. puerta de la habitación La terapia de radiación se hizo por el
plomo juntos en el sistema de control / off semi-automática.
+ Dirección -: la celda con coordenadas de (0, -5120), (0, -10.120) ... (0, -400.120), respectivamente.
+ Dirección -: la celda con coordenadas de (-5,0,120), (-10,0,120) ... (-590,0,120), respectivamente; origen de coordenadas es
de la tierra, y el eje central de la fuente.
Después de usar el modo de simulación de software y calculado por el ejecutable de Visual Editor (formato de comando), los resultados son los
siguientes:
alojamientos de sistema observado en el espacio de 3 dimensiones con múltiples ángulos de visión y de diferentes tamaños se presentan en la
Figura 2.
Figura 2. Departamento de Radioterapia en Dongnai Hospital General (1: Acelerador; 2: dentro de las paredes; 3, 4, 5, 6:
paredes de concreto; 7: puertas conducen; 8: pasillo).
A partir de las imágenes de dispersión, que se muestran: rango de dispersión de fotones es muy grande y compleja distribución en el caso de
grandes partículas hechas con un rango de propagación por toda la habitación, incluyendo locomotoras. En el caso de la planta en 0 o ubicación,
dispersando principalmente dirección es hacia la cama del paciente. Para el caso de la planta en 90 o ubicación, la dirección de dispersión es hacia los
operadores con relativamente alta cantidad, y la gama de dispersión de electrones tiene tendencia a concentrarse en la dirección de la fuente a la cama del
paciente.
Desde el cálculo de la tasa de dosis para cada posición, se obtiene la distribución de la dosis con distancias de la fuente (y en comparación con
los resultados experimentales medidos por el fotón portátil metro-tasa de dosis de Inspector, EE.UU.).
Cálculo y simulación mostraron los resultados coherentes con los valores experimentales. Los valores medidos experimentalmente son
insignificantes mayor debido a fondo del medio ambiente.
Tabla 4. T que la dosis distribu t ion de 15 MeV ph enery o tonelada en el directorio reflejo de -.
120.000,00
100.000,00
de dosis/ GIO
80,000.00
la tasa Sivert
Nghiem
60,000.00
Phân BODistribución
40,000.00
20.000,00
-
0 50 100 150 200 250 300 350
Khoang cách với Trúc
Distancia al ejeTrung
centralTam (cm)
Figura 8. Comparación gráfico entre los resultados calculados y mediciones experimentales (interpolación a partir de
Tabla 4).
20
16
14
12
10
46
02
Figura 8. Comparación gráfico entre los resultados calculados y mediciones experimentales (interpolación a partir de
Tabla 5).
La radiación se disminuyó rápidamente en el muro de hormigón, de manera que el blindaje de hormigón es en un partido. La simulación de mediciones de
la tasa de dosis de radiación y puede ayudar a conseguir protección óptima.
Lengüeta le 6. El DOS mi distribución de 10 MeV ele enery do tron en el re irección o F - (en conc rete). Distancia desde la fuente (cm)
La tasa de error Distancia La tasa de error Distancia La tasa de error
dosis calculada relativo desde la dosis calculada relativo desde la dosis calculada relativo
por MCNP ( • Sv en MCNP fuente (cm) por MCNP ( • Sv en MCNP fuente (cm) por MCNP ( • Sv en MCNP
/ h) (%) / h) (%) / h) (%)
5 110,343.21 0.54 70 315,30 3.75 135 50.51 4.46
10 10,584.36 0.65 75 238,65 3.81 140 45.13 4.51
15 4,301.56 0.95 80 226,22 3.97 145 36.60 4.53
20 2,428.68 1.12 85 196.75 3.99 150 45.79 4.57
25 1,713.48 2.12 90 152.66 4.10 155 45.14 4.58
30 1,247.11 2.90 95 169.23 4.16 169 42.98 4.61
35 858,82 2.95 100 135.26 4.19 165 33.64 4.64
40 793,20 2.99 105 110.87 4.23 170 21.83 4.72
45 637,62 3.12 110 71.10 4.25 175 19.50 4.79
50 650,96 3.13 115 78.93 4.27 180 19.42 4.81
55 506,20 3.41 120 74.60 4.28 185 18.41 4.82
60 458,73 3.52 125 56.88 4.30 190 14.26 4.83
sesenta y cinco 302,26 3.67 130 53.41 4.42 195 11,53 4.87
120.000,00
100.000,00
Distribución de la tasa de dosis
80,000.00
Suat Lieu
40,000.00
20.000,00
0.00
Figura 9. Comparación gráfico entre los resultados calculados y mediciones experimentales (interpolación a partir de
Tabla 6).
De la figura 9 se muestra que las tasas de dosis de electrones se disminuyen rápidamente con la distancia, debido a la absorción más fuerte de fotones ..
IV. CONCLUSIÓN
A partir de la simulación de forma independiente por el software MCNP, se obtuvieron los resultados que son bastante consistentes con las mediciones
experimentales. Esto permite al usuario para confirmar que el método de simulación para calcular la distribución de dosis para toda la radiación en diferentes niveles de
energía en todas las posiciones de dentro y fuera de la sala de la radiación. A partir de eso, se podría establecer una hoja de 3 dimensiones en la distribución del campo
dosis dentro y fuera de la sala de tratamiento.
Uno de los objetivos importante de nuestra investigación está dirigida hacia los cálculos de blindaje de seguridad para la sala de radioterapia sólo
para garantizar la seguridad radiológica y la eficiencia en el más alto grado de desarrollo económico, cambiando espesores de hormigón, así como el tamaño
y la estructura de la habitación.
Referencias
[1]. MED AID, Inc Vietnam (2010), Requisito de la preparación de la sala de máquinas Siemens Primus, 12-BT1-X2 Bac
Linh Dam, Hoang Mai, Hanoi, Vietnam. [2]. Siemens Medical Solutions EE.UU. (2003), Acelerador lineal Primus, Ins.,
Siemens AG. [3]. Laboratorio Nacional de Los Álamos (2006), MCNP / MCNPX, Los Álamos, Nuevo México.
DE ABTRACT:
Se ha observado que el comportamiento dinámico de una estructura cambia debido a la presencia de una fisura. El análisis de estos fenómenos
es útil para el diagnóstico de fallos y la detección de grietas en estructuras. Una configuración experimental se ha diseñado en el que una viga en
voladizo de aluminio con grietas es excitada por un excitador de potencia y el acelerómetro unido a la viga proporciona la respuesta. Las grietas se
asumen para ser abierta para evitar la no linealidad. Los efectos de la grieta y posiciones en las frecuencias fundamentales de vigas en voladizo
delgadas con grietas de borde se investigaron experimentalmente. Los experimentos se llevaron a cabo usando muestras que tienen fisuras en los
bordes de diferentes profundidades en diferentes posiciones para validar los resultados numéricos obtenidos. Los resultados experimentales de
frecuencias pueden ser obtenidos de osciloscopio de almacenamiento digital (DSO).
Las tres primeras frecuencias naturales se consideraron como criterio básico para la detección de grietas. Para localizar la grieta,
gráficos en 3D de la frecuencia normalizada en función de la profundidad de la grieta y la ubicación se trazan. La intersección de estos tres
contornos da ubicación grieta y profundidad de la grieta. Fuera de varios estudios de caso realizados los resultados de un estudio de caso de la
que se presenta para demostrar la aplicabilidad y eficacia del método sugerido.
Índice plazo: - Viga en voladizo, osciloscopio, oscilador de potencia, vibración Exciter, acelerómetro, etc.
YO. INTRODUCCIÓN
El interés en la capacidad de supervisar una estructura y detectar daños en la etapa más temprana posible es un fenómeno generalizado en
todas las comunidades de ingeniería civil, mecánica y aeroespacial. métodos daño de detección actuales son ya sea visual o localizada métodos
experimentales tales como métodos acústicos o ultrasónicos, métodos de campo del imán, radiografías, los métodos corrientes de Foucault o métodos de
campo térmico. Todas estas técnicas experimentales requieren que la proximidad de los daños se conoce a priori, y que la porción de la estructura que
está siendo inspeccionado es fácilmente accesible. Sometido a estas limitaciones, estos métodos experimentales pueden detectar daños en la superficie o
cerca de la estructura. La necesidad de métodos de detección de daños globales adicionales que se pueden aplicar a estructuras complejas ha llevado al
desarrollo de métodos que analizan los cambios en las características de vibración de la estructura. El daño o la detección de fallos, como se determinó por
los cambios en las propiedades o la respuesta de estructuras dinámicas, es un tema que ha recibido considerable atención en la literatura. La idea básica
es que los parámetros modales (en particular, las frecuencias y formas de los modos) son funciones de las propiedades físicas de la estructura. Por lo
tanto, los cambios en las propiedades físicas causarán cambios en las propiedades modales. Idealmente, un esquema de detección de daños robusta será
capaz de identificar que el daño se ha producido en una etapa muy temprana, localizar el daño dentro de la resolución del sensor que se utiliza,
proporcionar una estimación de la gravedad de los daños, y predecir la vida útil restante de la estructura. El método también debe estar bien adaptado a la
automatización. En la mayor medida posible, el método no debe confiar en el juicio de ingeniería del usuario o de un modelo analítico de la estructura. A
menos ambiciosa, pero más asequible, el objetivo sería desarrollar un método que tiene las características mencionadas anteriormente, pero que utiliza
una medición inicial de una estructura en buen estado como línea de base para futuras comparaciones de respuesta medida. Además, los métodos deben
ser capaces de tener en cuenta las limitaciones operativas. Por ejemplo, una suposición común con la mayoría de los métodos de identificación Daños a
reportados en la literatura técnica hasta la fecha es que la masa de la estructura no cambia apreciablemente como resultado de los daños. Sin embargo,
hay ciertos tipos de estructuras tales como plataformas petrolíferas en alta mar, donde esta suposición no es válida. Otra característica importante de los
métodos de daños de identificación, y específicamente de los métodos que utilizan los modelos anteriores, es su capacidad para discriminar entre las
discrepancias modelo / de datos causada por el modelado de errores y las discrepancias que son el resultado de daños estructurales. Los efectos de los
daños en una estructura se pueden clasificar como
lineal o no lineal. Una situación de daño lineal se define como el caso cuando la estructura inicialmente lineal-elástica permanece
lineal-elástica después de daño. Los cambios en las propiedades modales son el resultado de cambios en la geometría y / o las
propiedades materiales de la estructura, pero la respuesta estructural todavía se pueden modelar usando una ecuación lineal de
movimiento. daño no lineal se define como el caso cuando la estructura inicialmente lineal-elástica se comporta de una manera no
lineal después de que el daño se ha introducido. Un ejemplo de los daños no lineal es la formación de una grieta de fatiga que,
posteriormente, se abre y cierra bajo el entorno normal vibración operativo. Otros ejemplos incluyen conexiones flojas que sonajero y
comportamiento del material no lineal. Un método daño de detección robusta será aplicable a ambos de estos tipos generales de
daño.
Scott W. et. Alabama.[ 1] Estudió este informe contenía una revisión de la literatura técnica relativa a la detección, localización y caracterización
del daño estructural a través de técnicas que examinan los cambios en la respuesta de vibración estructural medido. El informe fue primero categoriza los
métodos de acuerdo con los datos medidos requeridos y técnica de análisis. El análisis categorizado incluye cambios en las frecuencias modales, cambios
en formas de los modos de medida y los cambios en los coeficientes de flexibilidad medidos. también se resumen los métodos que utilizan la propiedad
(rigidez, masa, amortiguación) la actualización de la matriz, la detección de respuesta no lineal, y la detección de daños a través de redes neuronales.
Prasad Ramchandra Baviskar et. Alabama.[ 2] Este documento aborda el método de detección múltiples grietas en partes o vigas en movimiento
mediante el control de la frecuencia natural y la predicción de la localización de grietas y la profundidad utilizando redes neuronales artificiales (ANN).
Determinación de las propiedades de la grieta como la profundidad y la localización es vital en el diagnóstico de fallo de la rotación de equipos de la máquina.
Para el análisis teórico, método de elementos finitos (FEM) se usa en el que la frecuencia natural de la viga se calcula mientras que la experimentación se
realiza usando Transformada Rápida de Fourier analizador (FFT). En la experimentación, simplemente apoyada viga con sola grieta y viga en voladizo con se
consideran dos grietas. Los resultados experimentales se validan con los resultados de software de FEM (ANSYSTM). Esta formulación se puede extender
para diversas condiciones de contorno, así como para distintas áreas de sección transversal. La base de datos obtenida por FEM se utiliza para la predicción
de la localización de grietas y la profundidad utilizando Artificial Neural Network (ANN). Para investigar la validez del método propuesto, algunas predicciones
de Ann se comparan con los resultados dados por FEM. Se ha encontrado que el método es capaz de predecir la localización de grietas y profundidad para
individual, así como dos grietas. Este trabajo puede ser útil para mejorar acondicionado en línea y seguimiento de los componentes de la máquina y la
evaluación de la integridad de las estructuras.
Lee et. Alabama.[ 3] presentado un método para detectar una grieta en una viga. La grieta no fue modelado como una masa de resorte menos de
rotación, y el problema se resolvió hacia adelante para las frecuencias naturales utilizando el método de elementos límite. El problema inverso se resolvió de
manera iterativa para la ubicación de grietas y el tamaño de grietas por el método NewtonRaphson. El presente procedimiento de identificación de grietas se
aplicó a los casos de simulación que utilizan las frecuencias naturales medidos experimentalmente como entradas, y los parámetros de crack detectados
están en buenas acuerdos con los reales. El presente método permite a uno para detectar una grieta en una viga sin la ayuda de la masa de modelo resorte
menos de rotación.
Rizos et. Alabama.[ 4] Siguiendo el modelo de la grieta como una masa de resorte menos de rotación, cuya rigidez se calculó utilizando fracturas
mecánica. También llevó a cabo experimentos para detectar profundidad de la grieta y la ubicación de los cambios en los modos de vibración de vigas en
voladizo. Una desventaja importante de la utilización de técnica basada modo de forma es que la obtención de formas de los modos precisos implica la medición
ardua y meticulosa de desplazamiento o aceleración sobre un gran número de puntos en la estructura antes y después de los daños. La precisión en la medición
de formas de modo depende de la cantidad y distribución de sensores empleados altamente.
Owolabi et. Alabama.[ 5] frecuencia natural utilizado como el criterio básico para la detección de grietas en las vigas simplemente apoyadas y fijas
fijo. El método propuesto se ha extendido a las vigas en voladizo para comprobar la capacidad y la eficiencia. Existe la necesidad de ver si este enfoque se
puede utilizar para vigas fijo-libres.
Kisa et. Alabama.[ 6] Se analizan las características de vibración de un rayo Timoshenko agrietada. El estudio integra la síntesis
FEM y el modo de componente. El haz divide en dos componentes relacionados por una matriz de flexibilidad que incorpora las fuerzas de
interacción. Las fuerzas se derivaron de mecánica de fractura
expresiones como la inversa de la matriz de cumplimiento se calcula usando los factores de intensidad de tensiones y expresiones de tasa de liberación de energía de
deformación.
3.2 METODOLOGÍA
El modelo de haz libre-fija se sujeta en un extremo, entre dos placas de acero rectangulares de espesor. El haz se
excitó con un excitador de vibraciones. Se midieron las tres primeras frecuencias naturales de la viga agrietada-un. Entonces,
las grietas se generaron a la profundidad deseada utilizando la cuchilla hexa. La grieta siempre permaneció abierta durante la
prueba dinámica total 64 modelos de haz se ensayaron con grietas en diferentes lugares a partir de una ubicación cerca de
extremo fijo. La profundidad de la grieta varió de 2 mm a 10 mm en cada posición de la grieta. Cada modelo fue excitado por
excitador de vibraciones. Esto sirvió como entrada al sistema. Es de notar que el modelo se excita en un punto, que era de unos
pocos milímetros de distancia del centro del modelo. Esto se hizo para no excitar el haz en un punto nodal. Ya que el haz no
respondería de modo que en ese punto.
TABLA: - 1 Fundamental relación de frecuencia natural (Ω do/ Ω) como una función de la ubicación de la grieta (X) y el crack
De profundidad (A)
X a = 2 mm a = 4 mm a = 5 mm a = 6 mm a = 7 mm a = 8 mm a = 9 mm a = 10mm
40mm 0.9859 0.9286 0.8998 0.8699 0.8232 0.7736 0.7214 0.6725
100mm 0.9862 0,9325 0.9101 0.8778 0.8465 0.7863 0.7446 0.6969
150mm 0.9911 0.9621 0,9326 0.8998 0.8665 0.8126 0.7864 0.75
200mm 0.9925 0.9587 0.9262 0.9046 0.8821 0.8629 0.8156 0.7956
220mm 0,983 0.97 0.9565 0.9256 0.9121 0.8956 0.8524 0.8259
250mm 0,9962 0.9762 0.9746 0.9598 0.9498 0.9356 0.9021 0.8835
300mm 0.9991 0,9897 0.9762 0.9746 0.9729 0.9721 0.9682 0.9571
360mm 1 1 1 1 1 1 1 1
TABLA: -2 segunda relación de Frecuencia Natural (ω do/ ω) como una función de la ubicación de la grieta (X) y la profundidad de la grieta (a)
TABLA: -3 Tercera relación de frecuencia natural (ω do/ ω) como una función de la ubicación de la grieta (X) y la profundidad de la grieta (a)
A partir de la figura 5 se observa que, para los casos considerados, la frecuencia natural fundamental fue la menos afectada cuando la profundidad de la
grieta era de 6 mm. La grieta fue mayormente afectado cuando la profundidad de la grieta fue de 10 mm. Por tanto, para una viga en voladizo, se podría inferir que la
frecuencia fundamental disminuye significativamente a medida que el aumento de profundidad de la grieta a 61% de la profundidad de la viga. Esto podría explicarse por
el hecho de que la disminución de las frecuencias es mayor para una profundidad de la grieta más porque como más material se elimina la rigidez de la disminución del
haz y, por tanto, la frecuencia natural. Por tanto, parece que el cambio en las frecuencias es una función de profundidad de la grieta también.
Figura 2. proporción de frecuencia natural fundamental en términos de profundidad de la grieta para varias posiciones de crack
Fig. 3. Segunda relación de frecuencia natural en términos de profundidad de la grieta para varias posiciones grieta Fig.6 se observa que la segunda
frecuencia natural era principalmente afectado para una profundidad de grieta de 10 mm en la ubicación de la grieta 150 mm. La segunda frecuencia natural fue menos
afectada cuando la profundidad de la grieta fue de 10 mm. De la figura 7 se observa que la tercera frecuencia natural del haz cambió rápidamente para una profundidad
de grieta de 10 mm. Tercera frecuencia natural fue no se vio afectado cuando la profundidad de la grieta era de 6 mm. Tercera frecuencia natural se mantuvo sin
cambios en grieta ubicaciones 55 mm, 220 mm, y 300 mm debido a la presencia de punto de nodo en esa posición. La figura 8 a la figura 10 muestran las tres parcelas
dimensionales de frecuencia normalizada frente grieta Ubicación y el crack de profundidad para el modo de primero, segundo y tercero, respectivamente, para la
localización de la grieta de 250 mm y el crack profundidad de 6 mm. Para conseguir estas tres parcelas dimensionales. En la figura 8 a la figura 10, la línea de contorno
no está presente debido a la presencia de puntos de nodo.
IDENTIFICACIÓN 4.3 CRACK técnica que utiliza cambios en las frecuencias NATURALES
Como se dijo anteriormente, tanto la ubicación de grietas y la profundidad de la grieta influyen en los cambios en las frecuencias naturales de una viga
agrietada. En consecuencia, una frecuencia particular podría corresponder a diferentes lugares de la grieta y profundidades de fisura. Esto se puede observar a partir de
las parcelas tridimensionales de las tres primeras frecuencias naturales de vigas en voladizo como se muestra en la figura 8 a la figura 10. Sobre esta base, una línea de
contorno, que tiene el mismo cambio de frecuencia normalizada que resulta de una combinación de diferentes profundidades de grietas y ubicaciones de grietas (para
un modo particular) podría ser trazada en una curva con la ubicación de la grieta y crack profundidad como sus ejes.
Fig.4. relación de frecuencia natural Tercera en términos de profundidad de la grieta para varias posiciones de crack
Fig.5. En primer lugar de las frecuencias de modo en condiciones de crack Posición para distintas profundidades de fisuras
Fig.6. En segundo lugar de las frecuencias de modo en condiciones de crack Posición para distintas profundidades de fisuras
Fig.7. En tercer lugar de las frecuencias de modo en condiciones de crack Posición para distintas profundidades de fisuras
Fig.8. trama tridimensional con líneas de contorno de frecuencia natural normalizada frente a la localización de grietas y
agrietarse profundidad para el primer modo para la ubicación grieta de 250 mm y crack profundidad de 6 mm
Fig.9. trama tridimensional con líneas de contorno de frecuencia natural normalizada frente a la localización de grietas y
agrietarse profundidad de segundo modo para ubicación grieta de 250 mm y crack profundidad de 6 mm
Para un haz con una sola grieta con parámetros desconocidos, se requieren los siguientes pasos para predecir la ubicación crack, y la
profundidad, a saber, (1) las mediciones de las tres primeras frecuencias naturales; (2) normalización de las frecuencias medidas; (3) el trazado de líneas
de contorno de diferentes modos en los mismos ejes; y (4) la ubicación del punto (s) de intersección de las diferentes líneas de contorno. El punto (s) de
intersección, común a todos los tres modos, indicar (s) la ubicación crack, y crack profundidad. Esta intersección será único debido al hecho de que
cualquier frecuencia grieta normalizado puede ser representado por una ecuación de control que es dependiente de profundidad de la grieta (a), la
ubicación (X) grieta. Por lo tanto se requiere un mínimo de tres curvas para identificar los dos parámetros desconocidos de ubicación grieta y profundidad
de la grieta.
Fig.10. trama tridimensional con líneas de contorno de frecuencia natural normalizada frente a la localización de grietas y
agrietarse profundidad por el tercer modo para ubicación grieta de 250 mm y crack profundidad de 6 mm
De las Tablas 1-3, se observa que para una profundidad de grieta de 6 mm situado a una distancia de 250 mm desde el extremo fijo de la viga,
las frecuencias normalizadas son 0,9598 para el primer modo, 0,9612 para el segundo modo y
0,9589 para el tercer modo. Las líneas de contorno con los valores de 0,9598, 0,9612 y 0,9589 fueron recuperados de los tres primeros modos con la ayuda de
software MINITAB como se muestra en la figura 11 a la figura 13 y se representa en los mismos ejes, como se muestra en la figura 14. A partir de la Fig.14 se
pudo observar que hay dos puntos de intersección en las líneas de contorno de la primera y la segunda modalidades. En consecuencia, el contorno de la tercera
modo se utiliza para identificar la ubicación de grietas (X = 250 mm) y la profundidad de la grieta (a = 6 mm), de forma única. Las tres líneas de contorno dieron
sólo un punto común de intersección, lo que indica la ubicación de grietas y la profundidad de la grieta. Dado que las frecuencias dependen de la profundidad de
la grieta y la ubicación, estos valores se pueden determinar de forma única por la solución de una función que tiene soluciones de uno de orden superior (en
este caso, tres) que el número de incógnitas (en este caso, dos, a saber grieta profundidad y ubicación) que se determine. Esta es la razón por la exigencia de
los tres modos. Si hubiera más parámetros que influyen en la respuesta (además de la profundidad de la grieta y la ubicación), entonces se requerirá más
modos para identificar la profundidad de la grieta desconocido y el crack ubicación.
V. CONCLUSIONES
investigaciones experimentales detallados de los efectos de la grieta en los tres primeros modos de vibración vigas en
voladizo se han presentado en este documento. De los resultados es evidente que el comportamiento de vibración de las vigas
es muy sensible a la ubicación crack, profundidad de la grieta y el número de modo. También se presenta un método simple
para la predicción de la localización y profundidad de la grieta en base a los cambios en las frecuencias naturales de la viga, y
discutido. Este procedimiento se hace posible debido al hecho de que bajo robustos condiciones de prueba y medición, los
parámetros medidos de frecuencias son valores únicos, que seguirá siendo el mismo (dentro de un nivel de tolerancia), donde
vigas similares se prueban y respuestas medidas.
Fig.14. Grieta técnica de identificación mediante el uso de contornos de frecuencia de los tres primeros modos de haz (modo 1, la frecuencia normalizada
(0,9598), el modo 2, la frecuencia normalizada (0,9612); y 3: el modo 3, frecuencia normalizada
(0,9589).
REFERENCIA:-
[1]. Scott W “Identificación de daños y Vigilancia de la Salud de los sistemas estructurales y mecánicas de los cambios en su vibración
Características”Una revisión de la literatura LA-13070-EM UC-900 Publicado: Mayo de 1996. [2]. Prasad Ramachandra Baviskar, “múltiples grietas Evaluación
utilizando medida de frecuencia natural y predicción de la grieta
Propiedades de red neuronal artificial”Revista Internacional de Ciencia y Tecnología Avanzada vol. 54, mayo de 2013. [3]. J. Lee, “Identificación de una grieta en un
haz por el método de elementos de contorno”, Revista de Ciencia y Tecnología mecánica, vol. 24 (3), pp. 801-804, 2010. [4]. Rizos de RF, N.Aspragathos, ADDimarogonas,
(1990), identificación de la ubicación y magnitud grieta en una viga en voladizo desde
los modos de vibración, Journal of Sound and Vibration 138 (3) 381-388. [5]. GM Owolabi, ASJ Swamidas, R. Seshadri, “detección de grietas en las vigas utilizando
cambios en las frecuencias y amplitudes de funciones de respuesta de frecuencia”, Journal of Sound and Vibration, vol. 265 (1), pp. 1-22, 2003. [6]. M. Kisa, J. Brandon y
M. Topcu, análisis de vibración libre de vigas agrietadas por una combinación de elementos finitos y métodos de síntesis de modo de componente, Computers and
Structures, 67, (1998), 215-223. [7]. ADDimarogonas, “vibración de las estructuras agrietadas: un estado de la revista de arte”, Ingeniería Mecánica de Fractura, vol. 55,
pp. 831-857, 1996. [8]. AVDeokar, VDWachaure “investigación experimental de detección de fisuras en Cantilever Beam Uso de Frecuencia natural como básica Criterio”,
08-10 de diciembre de 2011. [9]. H. Nahvi, M. Jabbari, “detección de grietas en las vigas usando datos modal experimental y el modelo de elementos finitos”, Revista
Internacional de Ciencias Mecánicas 47 (2005) 1477-149.
Resumen:
Uno de los problemas difíciles en la osteoartritis es la detección de la pérdida de cartílago debido a la progresión de la
enfermedad. La sensibilidad de la detección de imágenes de RM en 3D puede ser mejorada significativamente, centrándose en
las regiones de 'en riesgo' el cartílago se ha mostrado, definido consistentemente a través de temas y los puntos temporales.
Definimos estas regiones en un marco de referencia basado en los huesos, que requiere que las superficies óseas se dividen en
segmentos en cada imagen, y se establece que la correspondencia anatómica entre estas superficies. Los resultados han
demostrado que esto se puede lograr automáticamente utilizando modelos basados en superficie activa apariencia (AAMS) de los
huesos. En este documento, mediante la construcción de un volumétrico (conjunto de superficie) modelo de apariencia, que
estamos describiendo un método de refinar las segmentaciones y correspondencias con la ayuda de diagramas de flujo y
algoritmos.
palabras clave: Aspecto Modelo activa (AAM), modelo de contorno activo, resonancia magnética, búsqueda Modelo, la osteoartritis, la
segmentación.
YO. INTRODUCCIÓN
La segmentación de los objetos anatómicos de grandes conjuntos de datos médicos tridimensional (3-D), obtenido de la rutina Imágenes por
Resonancia Magnética (MRI) exámenes, por ejemplo, representa un problema aún difícil necesaria en análisis de imágenes médicas. Con el aumento constante
del uso rutinario de los métodos de imagen 3-D como la resonancia magnética, la tomografía computarizada (TC), y 3-D de ultrasonido en el diagnóstico
radiológico, el seguimiento, la radioterapia y la planificación quirúrgica, por ejemplo, hay una clara necesidad de mejora y los métodos eficientes para la
extracción de las estructuras anatómicas y para una descripción por análisis morfométrico [1]. En algunas aplicaciones limitadas, la segmentación se puede
lograr con mínima interacción del usuario mediante la aplicación de métodos de procesamiento de imágenes simples y eficientes, que se pueden aplicar de
forma rutinaria.
El análisis cuantitativo de cartílago de alta intensidad de campo imágenes de RM es reconocido como un biomarcador potencial para la medición de la
osteoartritis (OA) progresión de la enfermedad y la eficacia de los tratamientos modificadores de la enfermedad. OA es una enfermedad lentamente progresiva y pérdida
de cartílago es difícil de detectar en escalas de tiempo razonablemente corto. La sensibilidad a la pérdida de cartílago se puede lograr en los estudios de cohortes,
centrándose en las regiones “en riesgo", que son consistentes entre los puntos de tiempo y en todas las materias.
En este artículo se presenta una mejora en el enfoque AAM superficie para segmentar automáticamente los huesos y el establecimiento de la
correspondencia anatómica entre imágenes. El método construye un modelo Aspecto del volumen de la imagen entera ( Volumétrica AM) que proporciona una
imagen de referencia media y un mapeo de puntos de correspondencia de la imagen media de cada una de las imágenes de estudio. El enfoque volumétrica
AM ofrece ventajas operativas en comparación con los AAM de superficie, y las posibles ventajas de rendimiento. A diferencia de la AM superficie, el método
no requiere un entrenamiento conjunto de segmentaciones manuales de los huesos con el fin de construir el modelo - se requiere sólo una segmentación
ósea manual, para la imagen modelo de la media. La identificación de las regiones de alta tensión, propensos a experimentar cambios en el espesor del
cartílago, se simplifica, ya que se puede hacer referencia a la tanto la forma media de hueso y a puntos de referencia de tejidos blandos que son también
visibles en la imagen modelo de la media [2].
Nuestros resultados demuestran que la AM volumétrico ofrece segmentaciones más precisas de los huesos, tal como se evaluó mediante la aplicación de esta técnica para el
conjunto de las superficies obtenidas a partir de imágenes de RM en 3D en imágenes de resonancia magnética de la rodilla utilizando AAM superficie.
II. MÉTODO
Esta sección describe un método eficiente para la generación de mapas de espesor del cartílago y el volumen de la tibia y el fémur. La Fig. 1 proporciona
una descripción esquemática de las etapas implicadas en el seguimiento de los cambios de cartílago con el tiempo.
posición de las correspondencias en todas las imágenes que realizan a nivel de pieza deformación afín de todas las imágenes a la forma media y el cálculo de un modelo de la textura para
las imágenes registradas computar el mejor ajuste del modelo de forma que cada uno de las imágenes de ejemplo y la modificación de las posiciones de las correspondencias cada imagen
de ejemplo en minimizar el coste de codificación de la imagen usando el modelo actual la estrategia de optimización utiliza tres niveles de resolución de imagen y empleado un régimen de
curso-a bien para la manipulación de las correspondencias en cada resolución. Los huesos de la rótula, fémur distal y la tibia proximal fueron segmentados en cada rebanada de la imagen
modelo de la media utilizando el paquete de software de punto final. Adicionalmente, la ubicación de otros puntos de interés de imagen, como los huesos "puntos de contacto y la extensión
de las ventanas maníacas, fueron marcados en las segmentaciones rebanada. superficie cerrada representaciones de malla triangular de los huesos medios se construyen a partir de las
segmentaciones rebanada paralelas que proporcionan 60,456 39,238 y 11.808 puntos en el fémur, la tibia y la rótula superficies respectivamente. regiones anatómicas de interés fueron
dibujados en las formas óseas implicar el uso de una herramienta de anotación 3D, usando ambas señales de las siluetas y la imagen emblemáticos, siguiendo las definiciones sugeridas por
Eckstein: tibia y superficies de rótula respectivamente. regiones anatómicas de interés fueron dibujados en las formas óseas implicar el uso de una herramienta de anotación 3D, usando
ambas señales de las siluetas y la imagen emblemáticos, siguiendo las definiciones sugeridas por Eckstein: tibia y superficies de rótula respectivamente. regiones anatómicas de interés
fueron dibujados en las formas óseas implicar el uso de una herramienta de anotación 3D, usando ambas señales de las siluetas y la imagen emblemáticos, siguiendo las definiciones
Análisis de componentes principales (Karhunen-Loeve o Hotelling Transform) - PCA pertenece a lineal transformadas sobre la base de las técnicas
estadísticas. Este método proporciona una herramienta poderosa para el análisis de datos y reconocimiento de patrones que se utiliza a menudo en la señal y el
procesamiento de imágenes como una técnica para la compresión de datos, la reducción de dimensión de datos o su descorrelación también. Existen varios algoritmos
basados en el análisis multivariante o redes neuronales que pueden realizar PCA en un determinado conjunto de datos. Trabajo presentado introduce PCA como una
Los siguientes son los diagramas de flujo (Fig. 3 y Fig. 4) que representan el proceso de subdivisión de la superficie total y el área femoral del
hueso subcondral (TAB) y la zona de superficie del cartílago (AC) en la tibia [3], [4].
Fig. 3. Diagrama de flujo que representa el proceso de subdivisión para el área Fig. 4. Diagrama de flujo que representa el proceso de subdivisión para el
total de hueso subcondral (TAB) y cartílago área femoral del hueso subcondral (TAB) y
III. RESULTADOS
Las técnicas descritas anteriormente se usaron en aplicación de médico. Aquí mostramos los resultados utilizando los modelos de rodilla descritas
anteriormente. La Fig. 5 muestra las cuatro imágenes que se ha utilizado como entrada. La Fig. 6 muestra las imágenes para la detección de huesos de la rodilla y después
de analizar esas imágenes y la combinación de los modelos que obtenemos los resultados finales como se muestra en la fig. 7.
Fig. 5.
Fig. 6.
Fig. 7.
IV. CONCLUSIÓN
En este trabajo se describe la construcción de un AM volumétrica para refinar la correspondencia entre imagen proporcionada por la AAMS
superficie. Encontrar y describir el objeto de imagen en una prueba, utilizando el modelo de múltiples escala. Comenzamos con la forma media de la ubicación, y
utilizamos el modelo de búsqueda para encontrar la ubicación de la rodilla, la forma y la apariencia.
Los resultados demuestran que el enfoque volumétrica AM mejora la precisión de las segmentaciones de hueso, en comparación con el AAM
superficie. Además, la AM volumétrica también proporciona robustez y es capaz de estructuras del segmento más pequeño, tales como el hueso de rótula,
que no era posible utilizando el enfoque basado en AAM superficie. Esto se debe a la "s capacidad volumétrica AM para localizar la rótula en relación con las
otras estructuras dentro de la imagen. Los resultados sobre la reproducibilidad de las medidas de espesor medio regionales indican que la AM volumétrica
proporciona una mejor reproducibilidad intra-sujeto a través de múltiples imágenes, lo que indica que las medidas longitudinales de cambio en el grosor del
cartílago es probable que sean más sensibles.
Referencias
[1] Robert Toth; Anant Madabhushi, “multi-característica Landmark-libre activo Apariencia modelos: Aplicación a la RM de próstata segmentación”, IEEE Transactions
on Medical Imaging, vol. 31, no. 8, agosto de 2012. [2]
Martin A. Lindquist; Cun-Hui Zhang; Gary Glover; Lawrence Shepp; Qing Yang X., “Una generalización del método bidimensional prolatas esferoidal función de onda de
resonancia magnética de datos rectilíneo métodos de adquisición”, IEEE Transactions on Image Processing, vol. 15, no. 9, septiembre de 2006. [3]
Wolfgang Wirth; Felix Eckstein, “una técnica de análisis regional de femorotibiales cartílago Espesor Basado en Quantitative Magnetic Resonance Imaging”,
IEEE Transactions on Medical Imaging, vol. 27, no. 6, junio de 2008. [4]
Tomos G. Williams; “La segmentación automática de los huesos y el Inter-imagen anatómica correspondencia por volumétrico de modelado estadístico de resonancia magnética de la rodilla”,
IEEE 2010 ISBI.
RESUMEN
El presente documento se centra en la investigación de características del hormigón M40 con Varios propotional de la sustitución del
cemento con granulada molida escoria de alto horno (GGBS) y la adición de 1% de steelfibre. Hormigón de alto rendimiento (HPC) es una
reunión de hormigón combinaciones especiales de requisitos de rendimiento y uniformidad que no puede ser siempre se logra de forma
rutinaria mediante el uso de mezcla normal de arena constituyente convencional. Esto lleva toexamine los aditivos para mejorar el
rendimiento del hormigón. Teniendo en cuenta la construcción costof también llama la atención de los investigadores a explorar nuevos
reemplazos de componentes de hormigón. Diez mezclas se estudiaron con GGBS y fibra de acero utilizando una proporción de aglutinante
de agua de 0,35 y súper plastificante Conplast SP-430. Los cubos, cilindros y prismas se ensayaron tanto para la compresión, a la tracción
Split, Flexión y sacar fortalezas GGBS puede mejorar los aspectos de durabilidad de HPC comparación con el control de mezcla. Entre las
mezclas de la mezcla con el nivel de reemplazo como 0%, 10%, 20%, 30%, 40% y 50% de GGBS y fibra de acero 1% es mejor con
respecto a la resistencia y durabilidad. El hormigón es una mezcla de cemento, agregado fino, agregado grueso y agua. Se ha encontrado
que por la sustitución del 40% de cemento con GGBS y fibra de acero ayudó en la mejora de la resistencia del hormigón sustancialmente
comparado con el control de hormigón.
palabras clave: Concreto de Alto Rendimiento (HPC), granulada molida escoria de alto horno (GGBS), fibra de acero.
YO. INTRODUCCIÓN
Concreto ha sido el principal instrumento para la provisión de infraestructura estable y fiable desde los tiempos de la civilización griega y
romana. El hormigón es una mezcla de cemento, agua, y los agregados, con o sin aditivos. Sólo para aplicaciones especiales, el grado de concreto se
puede aumentar a 40 Mpa y por encima. Estas aplicaciones especiales de hormigón de alto rendimiento (HPC) no pueden ser alcanzados por
Cemento Portland Ordinario (OPC). Esto se logra no sólo mediante la reducción de relación de agua y cemento, sino también por la sustitución del
cemento con alguna mezcla mineral como humo de sílice, granulada molida de alto horno Escoria (GGBS), metacaolín y cenizas volantes, etc, con
aditivos químicos.
Mezclar% de GGBS% de cemento fibra de acero % De plastificante de Super Comp. Resistencia a TA 28 días
M1 0 100 1 2 41.55
M2 10 90 1 2 42.60
M3 20 80 1 2 45.85
M4 30 70 1 2 50.45
M5 40 60 1 2 56.85
M6 50 50 1 2 52.7
Se determinó la resistencia a la tracción indirecta del cilindro de hormigón basado en IS: 516-1959. se aplica la carga hasta que falla la muestra, a lo largo
del diámetro vertical.
Mezcla % De GGBS % De cemento fibra de acero % De plastificante de Super Dividir Resistencia a la tracción de 28 días @
M1 0 100 1 2 6.10
M2 10 90 1 2 6.25
M3 20 80 1 2 6.55
M4 30 70 1 2 7.90
M5 40 60 1 2 8.95
M6 50 50 1 2 8.10
La resistencia a la flexión del hormigón se determinó a la edad de 28 días. Las muestras se moldearon y se ensayaron como por IS: 516-1.959.
Mezclar% de GGBS% de cemento Fibra de acero de súper plastificante% Resistencia a la flexión 28 días @
M1 0 100 1 2 9.20
M2 10 90 1 2 9.85
M3 20 80 1 2 10.50
M4 30 70 1 2 11.20
M5 40 60 1 2 12.6
M6 50 50 1 2 11.5
La fuerza de extracción del hormigón se determinó a la edad de 28 días. Las muestras se moldearon y se ensayaron como por IS: 516-1.959.
Mezclar% de GGBS% de cemento Fibra de acero de súper plastificante% Fuerza a la extracción @ 28 días
M1 0 100 1 2 9.50
M2 10 90 1 2 10,78
M3 20 80 1 2 11,76
M4 30 70 1 2 12.55
M5 40 60 1 2 13.5
M6 50 50 1 2 12.85
Los niveles de porcentaje óptimo de 40% GGBS y sustitución de fibra de acero 1% al peso del cemento se toma con la
relación de mezcla HPC M40 de 1: 1,09: 1,89: 0,35, que dio los mejores resultados. Con el fin de aumentar la capacidad de trabajo, se
utiliza Superplasticizer. La Resistencia a la compresión de 56,85 N / mm2 se consigue en la mezcla de HPC debido a la presencia de
GGBS que exhibe más efecto de relleno. Gráfico 1, 2,3 y 4 representa la resistencia a la compresión, resistencia a la tracción split,
resistencia a la flexión Tire de fuerza de varias mezclas con diferente nivel de reemplazo de GGBS y fibra de acero a la edad de 28
days.As hubo un aumento apreciable en la trabajabilidad del hormigón con el aumento de la sustitución por ciento de cemento con
GGBS, por lo tanto wlc relación se puede reducir manteniendo constante la caída, lo que resultará en un aumento de la resistencia a la
compresión. 2 se logra por el uso de Superplasticizer y las propiedades de la fibra de acero en la mezcla de HPC.
IV. CONCLUSIÓN
[1]. Se observa que se obtiene la resistencia a compresión óptima de Alto Rendimiento de hormigón
sustitución de 40% de cemento por GGBS [2]. De los resultados experimentales anteriores se demuestra que, GGBS puede utilizarse como material
alternativo para la
cemento. Basándose en los resultados de la compresión, resistencia a la tracción de división, de flexión y extraiga fortalezas se incrementan como el porcentaje
de GGBS aumentó hasta 40% y por encima de disminución. [3]. desarrollo de la fuerza superior es debido al efecto de relleno de GGBS y las propiedades de fiibre
acero [4]. GGBS puede ser utilizado como uno de los materiales alternativos para el cemento. [5]. A partir de los resultados experimentales 40% de cemento puede ser
reemplazado con GGBS.
Referencias
[1]. D.Neeraja “Revista Internacional de la investigación científica y de ingeniería” Volumen 4, número2, febrero de 2013 [2]. Dr.P.Muthupriya “Revista Internacional de Ingeniería
Civil y Tecnología” Volumen 4, número4, 7 hasta 08, 2013, PP Nº 29 - 35 [3]. Prashant Y.Pawade 1, Nagarnaik PB 2, Pande AM 3 “ Revista Internacional de Ingeniería Civil y
Estructural “Volumen 2, No 2,
2011 [4]. Elavenil S. y Samuel Knight GM (2007), “Comportamiento de fibra de dirección vigas de hormigón armado y placas bajo carga estática”,
Journal of Research in Science, Computing, e Ingeniería, pp 11-28 [5]. P.Ramadoss, V.Prabakaran, K.Nagamani, “rendimiento mecánico dinámico de la fibra de alto
rendimiento de hormigón armado” Conferencia internacional sobre la evolución reciente instructural Ingeniería, Manipal (RDSE-2010)
RESUMEN
La emisión de documentos Systemwill garantizar que todos tengan acceso a diversos documentos orcertificatesone
necesidades del gobierno en el clic del botón de la página web en cualquier device.We electrónica computacional objetivo
de transformar configuración administrativa convencional para organizationremovedelays más eficientes y transparentes y
una enorme cantidad de papeleo con un servicio rápido y fiable electrónicamente. Nuestra línea de emisión de documentos
de gobierno de apoyo Sistema de oficina colector mediante la emisión de documentos sistema más eficaz y transparente,
con objeto de optimizar los antiguos métodos de gobierno y los servicios. Esta forma mejorada de la publicación del
documento guaranteesthe entrega rápida y la estabilidad de los documentos electrónicos. Al utilizar los servicios de
almacenamiento y emisión en línea, que son uno de los servicios básicos,
PALABRA CLAVE: E-Gobierno, Expedición de Documentos Electrónicos, Interdepartamental Verificación, número de identificación único, la suma de
comprobación MD5.
YO. INTRODUCCIÓN
El documento es requerido por cada indio en casi todas admisión paso a favor o por unirse a un curso profesional, por participar en una
subasta del gobierno o hacer uso de los planes de asistencia social del gobierno como pública subvencionada. En un movimiento que bien podría
engendrar más corrupción, cada indio tiene el derecho de emitir varios documentos de la oficina de colector, que se emite más de tres certificados
lakh anualmente. Certificados y documentos serán emitidos por la oficina del recaudador adjunto sobrecargado y poco personal. Además, hay una
implicación de los agentes, la falta de transparencia, proceso prolongado con largas colas y abrumar a requerimiento de los documentos conduce al
sistema de emisión de documentos ineficiente y agitado en la India
El propósito del servicio Web en línea es hacer que todo el proceso transparente de manera que cualquier profano puede seguir fácilmente las
instrucciones paso a paso para obtener el certificado deseado sin complicaciones y el tiempo. Este servicio asegura que el proceso es conveniente, rápido y
totalmente beneficioso para el hombre común.
De nuestro estudio hemos encontrado que el proceso de emisión de documentos es muy agitado, consume tiempo y que alienta la corrupción. Es
muy difícil para un hombre común para la emisión de un documento y esperar hasta que su documento es entregar en este proceso se vuelve impotente y
frustrado porque sus porciones de tiempo útil se pierde y no tiene otra opción para la creación de documentos. También se encontró que los empleados del
gobierno tiene que enfrentarse a más carga de trabajo de oficina debido a la falta de empleados frente a una población tan grande y también que no están
entrenados adecuadamente y sobre todo tienen una apretada agenda por lo que no son capaces de hacer su trabajar de manera más eficiente.
También se encontró que hay mucha corrupción en el sistema de pequeños vendedores a grandes oficiales máxima de ellos aceptan
soborno. Los bajos salarios de la gente les hacía susceptibles, trayendo consigo más ineficiencias y la manera fácil de hacer dinero con menos o
ninguna responsabilidad. El delito de corrupción es fácil de olvidar, la ley ofrece manera fácil de nuevo en la corriente principal y la aceptación por la
sociedad. Además de que es el atractivo de lujo, mejora la condición personal y la falsa sensación de elitismo que hace que los corruptos vulnerables a
medios ilegales y poco éticas de la adquisición de la riqueza.
De acuerdo con la encuesta que hemos realizado en la oficina colector Nagpur, wefound que los documentos emitidos cada año en la India están
creciendo tan drásticamente muestran en el gráfico. A medida que la población indígena se expande a una velocidad muy alta por lo que el requisito de los
documentos están aumentando drásticamente a improvegovernment. Después de recoger los datos y cuidadosamente examinándola nos dimos cuenta de que el
número de certificados creados en el año 2000 fue de alrededor de 2 lakh y llegando hasta el año de 2011 era de aproximadamente 14 lakh que fue un gran aumento.
También nos dimos cuenta de que para hacer una cantidad tan enorme de trabajo que el empleado no eran adecuadas que aumenta la carga de trabajo sobre ellos y
lo que no son capaces de funcionar correctamente y de manera eficiente. El resultado de esto es que el tiempo los documentos de emisión y la corrupción aumenta.
La razón detrás de la introducción de nuevo sistema de gobierno electrónico es la mini carga de trabajo de los empleados del gobierno disminuirá,
el tiempo de emisión del documento conseguirá disminuido y esto sin duda ayudará a reducir la corrupción en la función de gobierno.
A. Fase 1):-
En la fase 1 que hemos hecho una encuesta antecedentes detallados en la oficina del colector (Nagpur) y el Departamento de Justicia de
Bienestar Social (Nagpur). Decidimos que primero vamos a crear cinco documentos (certificado moldeada, moldeada de validez, certificación de ingresos,
certificado de domicilio, no de capa cremosa). Entonces hemos hecho una encuesta sobre cómo se crean estos documentos, autenticados y qué tiempo se
requiere para el mismo.
En fase 1 habrá usuario general que puede iniciar sesión después de registrarse, se puede ver diferentes tipos de documentos que están
disponibles para él / ella toissue, puede solicitar un documento rellenando formulario de solicitud, puede solicitar un cambio en el documento emitido
por EIDOL y puede pagar en línea cuando se requiere.
C.Phase (3): -
En la fase 3 del nivel 2 del empleador EIDOL se conectará primero y luego realizar el procedimiento completo del documento creation.when el
documento listo que él / ella lo verificará y lo pasará al nivel 3 del empleador EIDOL para su aprobación.
D.Phase (4): -
Cuando el nivel 2 Patrón de E-IDOL remitirá el caso a nivel de 3 Patrón de E-IDOL. El usuario de nivel 3 se visualizarla y aprobar y enviar el
documento al usuario a través de correo electrónico y también dará usuario una notificación por SMS. El documento generado se almacena en la base de
datos y el usuario puede ver en el futuro en el buzón de documentos de su perfil.
IV. INSTANTÁNEA
V. SEGURIDAD
La seguridad juega un papel muy importante en cualquier proceso de compra. Seguridad es probablemente una de las preocupaciones más importantes para
nosotros lo que hemos utilizado diversas medidas para hacer que nuestro proceso en línea segura mediante el uso de protocolos y algoritmos apropiados para hacer que
nuestro proceso seguro. MD5 Algoritmo: -
La MD5 mensaje de digerir algoritmo es una función de hash criptográfica ampliamente utilizada la producción de un valor de hash de 128 bits (16 bytes),
típicamente expresado en formato de texto como un número hexadecimal de 32 dígitos. MD5 se ha utilizado en una amplia variedad de aplicaciones criptográficas, y
también es comúnmente utilizado para verificar la integridad de datos.
MD5 procesa un mensaje de longitud variable en una salida de longitud fija de 128 bits. El mensaje de entrada se divide en trozos de
bloques de 512 bits (dieciséis palabras de 32 bits); el mensaje se rellena de modo que su longitud es divisible por 512. El relleno funciona como
sigue: primero un solo bit, 1, se añade al final del mensaje. Esto es seguido por tantos ceros como se requiere para llevar la longitud del mensaje
de hasta 64 bits menos que un múltiplo de 512. Los bits restantes se llenan con 64 bits que representan la longitud del mensaje original, módulo 2 64.
El algoritmo MD5 principal opera en un estado de 128 bits, dividido en cuatro palabras de 32 bits, que se denota UNA, ANTES DE CRISTO
y RE. Estos se inicializan a ciertas constantes fijas. El algoritmo principal utiliza entonces cada bloque de mensaje de 512 bits a su vez para modificar el estado. El
procesamiento de un bloque de mensaje se compone de cuatro etapas similares, denominado rondas;
cada ronda se compone de 16 operaciones similares sobre la base de una función no lineal F, Además modular, y la rotación izquierda. La Figura 1
ilustra una operación dentro de una ronda. Hay cuatro funciones posibles F; una diferente se utiliza en cada ronda:
Los directores son los individuos, grupos y procesos concedido acceso a SQL Server. “Asegurable” son el servidor, base de datos y objetos de la
base de datos contiene. Cada uno tiene un conjunto de permisos que se pueden configurar para ayudar a reducir la superficie area.Securing SQL Server SQL
Server se puede ver como una serie de pasos, que afecta a cuatro áreas: la plataforma, la autenticación, los objetos (incluyendo los datos), y las aplicaciones
que acceden la plataforma system.The para SQL Server incluye los sistemas de hardware y de redes físicas que conectan los clientes a los servidores de
bases de datos y los archivos binarios que se utilizan para procesar las solicitudes de base de datos.
Los cortafuegos también proporcionan medios eficaces para poner en práctica la seguridad. Lógicamente, un firewall es un separador o limitador de tráfico
de la red, que puede ser configurado para hacer cumplir la política de seguridad de los datos de su organización. Si utiliza un servidor de seguridad, se aumenta la
seguridad a nivel de sistema operativo, proporcionando un cuello de botella en sus medidas de seguridad se pueden enfocar.
C. Certificado SSL: -
SSL (Secure Sockets Layer) es una tecnología de seguridad estándar para establecer una cifrados vínculos entre un servidor y un cliente
normalmente un servidor web y un navegador o un servidor de correo electrónico y un cliente. SSL permite que la información confidencial, como números de
tarjetas de crédito, números de seguridad social, y las credenciales de acceso para ser transmitidos de forma segura. Normalmente, los datos enviados entre
navegadores y servidores web se envía en texto plano dejándole vulnerable a intrusos. Si un atacante es capaz de interceptar todos los datos que se envían
entre un navegador y un servidor web que pueden ver y utilizar esa información. Más específicamente, SSL es un protocolo de seguridad. Protocolos describen
cómo se deben utilizar algoritmos; en este caso, el protocolo SSL determina variables de la encriptación, tanto para el enlace y los datos que se transmiten.
Los certificados SSL tienen un par de claves una clave privada y pública. Estas teclas funcionan en conjunto para
establecer una conexión cifrada. El certificado también contiene lo que se llama el “sujeto”, que es la identidad del propietario del
certificado / sitio web. Para obtener un certificado, debe crear una solicitud de firma de certificado (CSR) en el servidor. Este RSE crea
la clave privada y un archivo de datos de RSC que se envía al emisor del certificado SSL (llamado una autoridad de certificación o
CA). El CA utiliza el archivo de datos de RSC para crear una clave pública para que coincida con su clave privada sin comprometer la
clave. El CA nunca ve la clave privada. Una vez que reciba el certificado SSL, lo instala en su servidor. También instala un par de
certificados intermedios que establecen la credibilidad de su certificado SSL al vincularlo al certificado raíz de la entidad emisora.
VIII. CONCLUSIONES
En el presente trabajo, hemos considerado el problema de desconectar el sistema de expedición de documentos de la India, con el fin de maximizar la
eficiencia, la seguridad y la facilidad de este sistema. Hemos desarrollado un eficiente sistema de emisión de documentos haciendo ADHAAR como la base del
sistema. Este sistema da esencialmente el mejor rendimiento posible para la generación, el procesamiento y la entrega de los documentos al usuario destinado
real. Además la mayor parte de los inconvenientes del sistema de conexión se reducen al mínimo tomando sólo en consideración los hechos relevantes. Creemos
que nuestros resultados proporcionan un paso interesante para un estudio de principio de la generación de documentos de la India y la recopilación de
información.
IX. RECONOCIMIENTO
El principal proyecto descrito aquí fue un esfuerzo de colaboración entre los estudiantes de ingeniería de Yeshwantrao Chavan Facultad de
Ingeniería de la Universidad de Nagpur; el proyecto se desarrolló entre mediados de septiembre de 2013 a mediados de marzo de 2014.The autores desean
reconocer sincero agradecimiento a la señorita. Rasika Ingle por su esfuerzo y apoyo en el desarrollo de proyectos ,.
Referencias
[1] Shailendra C Jain Palvia, Sushil Sharma S,”Gobierno Electrónico y E-Gobierno: Estado de definations / dominios en todo el mundo” de 2007 [2]
RESUMEN
La evaluación de la contaminación del aire por medio de sensores es todavía generalizado calidad, especialmente de aire interior. Las redes
neuronales artificiales (RNAs) constituye un enfoque comúnmente utilizado para la identificación de los contaminantes del aire. En este
trabajo, se propone el desarrollo de Perceptrón Multicapa (MLP) de red neuronal de tipo on-line para la identificación en tiempo real. Por esta
razón, se utilizó la base de datos obtenida del sistema multisensor diseñado para la detección de tres gases tóxicos. En comparación con
algunas investigaciones previas que utiliza múltiples métodos de regresión lineal y MLP off-line tipo, nuestro modelo se prueba que es mucho
más éxito en términos de la correcta identificación en tiempo real incluso con baja concentración (una parte por millón) con una mejor
cuadrada media errores (MSE <4.10 - 04 ) .
palabras clave: Los gases tóxicos, redes neuronales artificiales, Perceptrón Multicapa, el aprendizaje on-line, real
Identificación de tiempo.
YO. INTRODUCCIÓN
En los últimos años, los modelos de redes neuronales se han desarrollado y aplicado con éxito para modelar la contaminación atmosférica
en los problemas generales [1-2] y la calidad del aire, en particular [2-8]. A diferencia de otras técnicas de modelado, Artificial Neural Networks (ANN)
es capaz de modelar las relaciones altamente no lineales [9-10] rendimiento .La RNAs es superior en comparación con los métodos estadísticos como
la regresión lineal múltiple [11,12]. Entre los diversos modelos basados-NN, la red neuronal de alimentación hacia adelante, también conocido como el
perceptrón multicapa tipo de red neuronal (MLPNN), es los muchos problemas difíciles y diversas más comúnmente utilizados y se ha aplicado para
resolver [13-17] .
Nuestro enfoque en este trabajo consiste en la formación de un MLPNN para la identificación de los gases tóxicos de una manera en tiempo real.
Para esto, se utilizó una base de datos obtenida a partir de un sistema de sensores múltiples que consta de seis sensores químicos de tipo TGS (llamado narices
electrónicas) a base de óxido de metal [18]. Cada sensor emite una señal eléctrica que se caracteriza por tres variables: De acuerdo con ello, a) la inicial
conductancia (G0), b) la pendiente dinámica de la conductancia (DGS / dt), y c) la conductancia de estado estacionario GS [2, 18- 20].
El primer paso consiste en una cuidadosa selección de los parámetros adecuados de la estructura, a saber, la arquitectura, la activación de las
funciones y los pesos de las neuronas de nuestro método desarrollado de red neuronal (MLP) para averiguar la configuración correcta para cada aplicación
de estas redes. El segundo paso está destinado a analizar el rendimiento de este modelo que nos permite comparamos con los modelos desarrollados
anteriormente [21-22] en cuanto a la identificación correcta.
El presente estudio tiene por objeto desarrollar un método rápido y fácilmente fiable para clasificar e identificar los gases tóxicos de baja
concentración, en el estudio real de tiempo.El es significativo en virtud de tres ventajas principales: La primera es que la aplicación del aprendizaje en línea
puede ser utilizado para la seguridad de la calidad del aire en tiempo real. La segunda es seleccionar un diseño óptimo estable con un mínimo de capas
ocultas y las neuronas en cada capa. La última ventaja es para demostrar el poder del sistema de evaluación del olor (nariz electrónica) incluso con baja
concentración (una parte por millón).
El resto del trabajo se organiza como sigue: La segunda sección se llama Materiales y Métodos. Se trata principalmente de extracción de
características y redes neuronales artificiales. Este último se trata de las propiedades generales de los RNAs entrenado, que constaba de algoritmo MLP
desarrollado. La tercera parte está dedicada a los resultados y las discusiones sobre el rendimiento de nuestro modelo durante el aprendizaje y prueba de
fases. En la última sección, vamos a sacar algunas conclusiones y sugerir futuras investigaciones.
La matriz de sensores que comprende seis TGS-XX (con XX = 800, 813, 822, 825, 832 y 2105), Sensor de Gas Taguchi obtiene a
partir de Figaro Engineering, Incorporación [23]. Queremos aprovechar mejor la información obtenida de cada experimento.
Para lograr este objetivo, tanto la respuesta de estado estacionario tradicional, sino también características adicionales que pueden caracterizar
mejor el sistema de sensores y el análisis se utilizaron. Por cada sensor dentro de la matriz y la medición realizada, se extrajeron tres características
representativas de la señal de respuesta:
• G0: la conductancia inicial de un sensor calculado como el valor medio de su conductancia durante el primer minuto de la medición.
• GS: la conductancia de estado estacionario calculado como el valor medio de su conductancia durante la última hora de la medición.
• dG / dt: la pendiente dinámica de la conductancia calculada entre 2 y 50 min de una medición. Esto corresponde a una fase en la que se
observa un rápido aumento de la conductancia del sensor [24].
Estas tres características se extrajeron de la respuesta de cada sensor. Dado el hecho de que había 6 sensores dentro de la matriz,
cada medición fue descrito por 18 características.
La forma de utilizar las RNA tiene dos partes. Uno se llama “formación”, y como dice la propia palabra, consiste en un proceso en el que el
sistema es capaz de identificar las diferentes entradas con las salidas y sus relaciones. Se dice que el sistema es, en cierto modo, “aprendizaje”. En la
segunda parte, (pruebas), la ANN proporciona una salida cuando se introducen nuevas entradas. Esta respuesta se basa en la información que el propio
sistema era capaz de atrapar en la parte de entrenamiento. Nuevas salidas será correcta si los insumos utilizados para la formación y las pruebas son
similares [27 -28].
La segunda etapa es la identificación (pruebas) de los tres gases tóxicos, mediante el uso de back-propagación redes neuronales (un algoritmo basado en
Matlab fue desarrollado en nuestro laboratorio), [29].
1. Inicialización: Conjunto de todos los pesos y sesgos a los valores reales aleatorios pequeños.
2. Presentación de la entrada y salidas deseadas:. Presentar la matriz de entrada, x (1),, x (N) y la correspondiente deseada respuesta d (1), d (2),, d (N), un par a
la. tiempo, donde N es el número de patrones de entrenamiento.
3.Calculation de salidas reales: Usar la ecuación. (2) para calcular las señales de salida
(2)
(3) (4)
Dónde y (5)
. (6)
. (7)
Con
(9)
(10)
en la que x j ( n) = salida del nodo j en la iteración n, l es la capa, k es el número de nodos de salida de la red neural, M es la capa de salida, y
es la función de activación. La tasa de aprendizaje está representado por, la [36-37].
Nuestra elección se centra en una red no recurrente de múltiples capas, basado en el algoritmo de aprendizaje de propagación hacia atrás. El
propósito de este algoritmo de aprendizaje es reducir al mínimo los errores cuadráticos medios (MYPE). La red consta de dos capas ocultas de neuronas. La
primera capa oculta contiene 36 neuronas. Para aumentar la precisión, se optó por una segunda capa oculta en los que se varió el número de neuronas de 1 a
18. Nos reservamos los elementos esenciales en la Tabla 1.
Precisión = ( ) * 100
Resultados estadísticos de nuestra
Fig.5 y Fig.6.
modelo
Precisión (clasificación) = ( * 100) = 100%
El subconjunto de prueba se utilizó para evaluar la precisión de la clasificación de la MLP después del proceso de formación [39, 40]. Se utilizó el
análisis de errores para examinar el desarrollado del modelo diseñado.
El criterio explotada en este estudio fue el error cuadrático medio (MSE). Para ser conciso y directo sólo los resultados correspondientes a la
arquitectura (I / 36 neuronas en -H1 / 3 neuronas en-H2 / O), como se explica en la Tabla 1 anterior, se muestran. La Figura 2 muestra las funciones de
activación utilizados en las capas ocultas de nuestra arquitectura seleccionada. La Figura 3 muestra la evolución MSE proceso de formación en línea en
términos de individuos de formación. Como podemos ver, el MSE es muy pequeño. El MSE en términos de individuos de prueba se ilustra en la Figura 4 y
se tarda valores pequeños; esto demuestra la eficacia de nuestro modelo neuronal.
Los resultados de la clasificación (formación de personas) e identificación (pruebas de individuos) se muestran en la Figura 5 y la Figura 6. Se puede
observar fácilmente que todos los individuos se ven afectados en sus grupos correctos.
Fig.2.Activation funciones utilizadas en este estudio Fig. 3. Evolución de las MYPE mínimos durante el aprendizaje
0.9 1
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fig .4.Evolution de los mínimos MSES la durante la prueba Fig.5.Classification de tres gases tóxicos (aprendizaje)
Los resultados obtenidos han dado una mejor clasificación e identificación. En comparación con la investigación anterior que ha sido efectuada por
la gran arquitectura que utiliza bach caja de herramientas (off-line) de aprendizaje. [21,22].
Los resultados son muy alentadores y muestran que los sistemas multisensoriales inteligentes tienen un poder de discriminación de gases
tóxicos a baja concentración (1 ppm) en tiempo real. Este sistema puede ser muy aplicable cuando existe el peligro de que no puede ser alarmado por el
sentido olor humano. El siguiente trabajo se dedicará a la utilización de un modelo de red neuronal no supervisada basado en el mapa de auto-organización
y la comparación de resultados.
Referencias
[1] MW Gardner, SR Dorling. Las redes neuronales artificiales (el perceptrón multicapa, revisión de las solicitudes de la atmosférica Sciences.Atmos Environ, Volumen. 32,
Nº 14/15, pp.2627-2636 de 1998, [2]
KDKaratzas, S.Kaltsatos, modelado La contaminación del aire con la ayuda de métodos de inteligencia computacional en Tesalónica, Grecia, Simulación Practice
Modelado y Theory, vol 0.15, pp 1310-1319, 2007 [3]
M Boznar, M Lesjack, método basado en red neural P Mlakar.A para las predicciones a corto plazo de las concentraciones de SO2 ambiente en las zonas industriales altamente
contaminadas de terreno complejo, Atmospheric Environment, vol, B 27, Nº 2, pp 221-230, 1993 [4]
MW Gardner, SR Dorling. modelado Red de los nervios y la predicción de las concentraciones de NOx y NO2 por hora en aire urbano en Londres .Atmospheric Medio
Ambiente, vol 33, No 5, pp.709-719, 1999. [5]
MW Gardner, SR Dorling. Los modelos estadísticos de ozono de la superficie: una metodología mejorada para tener en cuenta el comportamiento no lineal. Atmospheric Environment,
vol B 34, No.1, pp, 21-34, 1999.
[6] A .Chaloulakou, M Saisana, N Spyrellis. Evaluación comparativa de las redes neuronales y modelos de regresión para la predicción de ozono verano en Athens.Sci total
Environ, vol, 313, NO.1-3, pp1-13, 2003. [7]
F Karaca, O Alagha, F Ertürk. La aplicación de aprendizaje inductivo: pronóstico contaminación del aire en Estambul, Turquía. Intell Autom Soft Co2005, vol 11, No 4,, pp
207-216, 2005. [8]
F Karaca, A Nikov, O Alagha. NN-AIRPOL: un método basado en redes neuronales para la evaluación y control de la contaminación del aire. Int J Environ 2006a Pollut, vol 28,
No (3/4), pp 310-325, 2006. [9]
U.Brunelli, V.Piazza, L., Pignato, M Sorbello, S.Vitabile. De dos días por delante predicción de las concentraciones máximas diarias de SO2, O3, PM10, NO2, CO en el
área urbana de Palermo, Italia. Atmospheric Environment, vol.41, 2967-2995, 2007. [10]
aplicación S.Palani et al .ANN para la deposición de predicción de nitrógeno atmosférico a ecosystems.Marine acuático Pollution Bulletin, vol .62.pp, 1198-1206, 2011.
doi: 10.1016 / j .marpolbul .2011.03.033. [11]
CORRIENTE CONTINUA. Parque, optimización de la estructura de Bilineal Recur-alquiler redes neuronales y su aplicación a la predicción del tráfico Ethernet trabajo neto, Ciencias de la
Información, vol.22 nº 10, pp 1448-1462, diciembre de 2009., doi: 10.1016 / j. ins.2009 [12]
J. Yi, VR Prybutok, un modelo de red neural la previsión para la predicción de la concentración de ozono máximo diario en una
área urbana industrializada, la contaminación ambiental, vol. 92. Pp, 349-357, 1996. [13]
I. Athanasiadis, K. Karatzas, P.Mitkas, los métodos de predicción de la calidad del aire modernas: un análisis comparativo entre los métodos estadísticos y algoritmos de
clasificación, en: R. Sokhi, J. Brexhler (Eds.), Actas de la quinta Conferencia Internacional sobre Urban Calidad del aire Medición, Modelado y Gestión, (España) Valencia,
29-31 de marzo de 2005. [14]
EI Vlahogianni, MG Karlaftis, JC Golias, optimizado y redes neuronales meta-optimizado para el flujo de tráfico a corto plazo
predicción: un enfoque genético, Transportation Research Parte C, vol. 1, pp, 211-234, 2005. [15]
A. Eswaradass, X.-H. Sun, M. Wu, un mecanismo predictivo basado en redes neuronales para el ancho de banda disponible”, procedimiento de 19a Conferencia
Internacional IEEE sobre Paralela y Distribuida Procediendo Simposio,, Taller 10, vol 11, 228, 2005. doi> 10.1109 / IPDPS.2005.234 [16]
H. Yousefi Zadeh, EA Jonckheere, JA Silvester, utilización de redes neuronales para reducir la pérdida de paquetes en el tráfico de tele auto-similares, provenientes del IEEE
Internacional. Conferencia sobre Comunicaciones, vol.3.pp, 1942-1946, 2003. [17]
M. Badura et al, la evaluación estadística de los métodos de cuantificación utilizados en el sistema sensor de gas”, sensores y actuadores B: vol.188 Química, pp, 815- 823, 2013.
noviembre [de 18]
BW Licznerski, K. Nitsch, H. Teterycz, T. Sobanski, K. Wisniewski, “Caracterización de parámetros eléctricos para sensores SnO2gas multicapa”, sensores y actuadores
B: vol.103 Química, No, (1-2), pp. 69-75, 2004 .. [19]
O.Helli. “Multicapteurs de gaz pour la concepción d'un nez électronique de la vigilancia de la contaminación atmosphérique”, estos Université d'Metz (2003). [20]
K una ONG, “Etude d'un système multiplicateur pour la Detección selectiva des gaz”, estos d'Université, Université Paul Cesanne Aix Marseille III, 2006. [21]
Un .Lfakir, “Identificación y Cuantificación d'une atmosphère gazeuse Complexe à l'aide multicapteures d'un système inteligentes. La aplicación détectionde mélanges
composés de H 2 S, NO 2, ASI QUE 2 en atmosphère humide variable”, estos Université d'Metz,
2006.
[22] N. El Barbri, O.Helli, M. Lumbreras, M. SIDT, B. Bouchikhi, et A. Roukhe, “Analizar cualitativos et cuantitativos des gaz polluants H2S, NO2 et leur mezcla, par les
reseaux de neuronas Artificiels”, IXèmes Journées Maghrébines des Sciences des Matériaux JMSM'2004, Tomo 3, Oran 8-11, Mai (2004), pp 867-873 [23]
T.Seiyama, N.Yamazoe, S.Yamauchi, “La tecnología de sensores químicos”, vol. 1, 2, 3 et 4. Elsevier Science Ltd, 1988.
[24] WS McCulloch, WH Pitts, “Un cálculo lógico de las ideas inmanentes en la actividad nerviosa”, Boletín de Biofísica Matemática, vol. 5, pp115-133, 1943. [25]
Obispo, redes neuronales para el patrón CM recognition.NY: Oxford University Press, 1995. [26]
S.Haykin. Redes neuronales y Máquinas de aprendizaje; Pearson Prentice Hall: Nueva Jersey, 2009
[27] JR Hilera, VJ Martine-. Redes neuronales artificiales. Fundamentos, Modelos y Aplicaciones, Addison-Wesley Ibero Americana
SA Madrid, España, 1995.
[28] S. Haykin, Neural Networks: Una base completa Prentice Hall: Nueva Jersey, 2008.
[29] S.Ouhmad, A .Roukhe, Clasificación de las tóxico gases contaminantes por el uso de redes neuronales artificiales tipo multicapa
perceptrón, XI Simposio Internacional sobre el Medio Ambiente, Catálisis y Procesos de Ingeniería (ECGP'11) Francia, Villeneuve, d'Ascq, pp. 27, 26-28 de junio de
2013. [30]
R. Pasti, LN de Castro, Bio-inspirada y algoritmos basados en gradiente para entrenar MLP: La influencia de la diversidad, Ciencias de la Información, vol. 179, pp.
1441-1453, 2009. [31].
E. Rumelhart, Hinton GE, todos, de aprendizaje representaciones por errores de propagación de la espalda, Nature, vol 0.322, pp533-536, 1986.
[32] DERumelhart, JLMcClelland, Processing.Foundations distribuido en paralelo, Cambridge, MA, vol.1, 1986, MIT Press,
[33] Y. Chauvin, DERumelhart, de vuelta de propagación (Eds.): Teoría, arquitecturas y aplicaciones, Lawrence Erlbaum Associates,
1995.
[34] J. Ramesh, PTVanathi, K.Gunavathi, la clasificación de fallas en los bucles de enganche de fase usando redes neuronales back-propagación, ETRI de diario, vol. 30, pp.546-553,
2008. [35]
D.Panagiotopoulos, C.Orovas, D.Syndoukas, Un algoritmo heurísticamente mejorada aproximación gradiente (HEGA) para las redes de formación neural,
Neurocomputing, vol. 73, pp.1303-1323, 2010. [36]
R. Ceylan, Y. Ø zbay, la comparación de FCM, las técnicas de PCA y WT para arritmias clasificación ECG usando la red neuronal artificial, sistemas expertos con
Aplicaciones, vol 33, pp.286-295, 2007. [37]
Y. Kutlu y todo, optimizar el rendimiento de un clasificador MLP para la detección automática de puntas epilépticas, los sistemas expertos con Aplicaciones, vol. 36,
pp7567-7575, 2009. [39]
MM Mostafa, perfilado donantes de sangre en Egipto: Un análisis de redes neuronales, sistemas expertos con Aplicaciones, vol 0.36, 5031 a 5038, 2009. [40]
S.Chabaa, A. Zéroual, J.Antari, MLP redes neuronales para el modelado de Gauss señal no, Taller STIC Wotic 09 en Agadir, (Marruecos) 24-25, diciembre, pp.58, 2009.
RESUMEN:
Esta investigación informes en papel en la convección libre laminar en un canal de paso doble vertical para eléctricamente conductor de fluido
en presencia de una reacción química de primer orden. El canal está dividido en dos pasajes mediante la inserción de un plano delgado
realización de deflector. Después de colocar el deflector uno del pasaje es concentrado. Una solución analítica se ha desarrollado para las
acoplados ecuaciones diferenciales ordinarias no lineales utilizando el método de perturbación regular. Los resultados muestran que el número
térmica y masa Grashof y número Brinkman mejora el flujo donde como número Hartmann y el parámetro de primera reacción química orden
suprime el flujo en todas las posiciones deflectoras en ambos las corrientes.
palabras clave: Baffle, la realización de fluido, la primera reacción química orden, la convección libre, método de perturbación.
YO. INTRODUCCIÓN
El estudio de calor y transferencia de masa para un fluido eléctricamente conductor bajo la influencia de campo magnético transversal ha atraído investigadores en el pasado
reciente debido a su relevancia en muchos problemas de ingeniería tales como generadores MHD, intercambiadores de calor, tratamiento térmico, reactores nucleares refrigerados por gas y
otros. En ausencia de campo magnético, las referencias [1-3] darán algunas ideas acerca de flujo de fluido y las características térmicas dentro de un canal vertical con las condiciones
térmicas de borde simétricos o asimétricos. Para una placa vertical infinito, Raptis y Kafoussias [4] estudiaron las características de flujo y de transferencia de calor en presencia de campo
magnético. Más tarde Raptis [5] extendió el problema placa vertical a un problema canal vertical en presencia de campo magnético. Malashetty et al. [6, 7, 8], Umavathi et al. [9], y Prathap
Kumar et al., [10] estudiaron la convección mixta en un canal vertical para una y dos modelos de fluidos. Umavathi et al. [11] analizaron magneto hidrodinámica flujo de convección libre en
un conducto rectangular vertical para laminar, completamente desarrollado régimen tomando en consideración el efecto de calentamiento óhmico y la disipación viscosa. Umavathi y Sridhar
[12] estudiaron la de dos fluidos de flujo de Poiseuille-Couette Hartmann en un canal inclinado. Shah y Londres [13] han resumido los laminares convección forzada resultados de
transferencia de calor para diferentes secciones transversales de canal, que fueron reportados en la literatura hasta 1970. plenamente desarrollado régimen tomando en consideración el
efecto de calentamiento óhmico y la disipación viscosa. Umavathi y Sridhar [12] estudiaron la de dos fluidos de flujo de Poiseuille-Couette Hartmann en un canal inclinado. Shah y Londres
[13] han resumido los laminares convección forzada resultados de transferencia de calor para diferentes secciones transversales de canal, que fueron reportados en la literatura hasta 1970.
plenamente desarrollado régimen tomando en consideración el efecto de calentamiento óhmico y la disipación viscosa. Umavathi y Sridhar [12] estudiaron la de dos fluidos de flujo de
Poiseuille-Couette Hartmann en un canal inclinado. Shah y Londres [13] han resumido los laminares convección forzada resultados de transferencia de calor para diferentes secciones
En vista de las aplicaciones de la reacción química y el aumento de la tasa de transferencia de calor mediante la introducción de un deflector,
motivados para investigar el efecto de la reacción química de primer orden para la realización eléctricamente fluido en un canal vertical. Después de insertar
el deflector se concentra el líquido en la corriente-I.
sol
La corriente I Stream-II
Y
Y h• • Y h•
Las ecuaciones que rigen para la velocidad, la temperatura y las concentraciones son
La corriente I
2
dP dU
• sol• • T1 Tw • • • g CC
• • • • • • BU
2
• • •• • 0
1
T 2 do W 2 eo 1
(1)
2
dX dY
2 2
dT • • dU 1 • • 2
BU
2
• • • 0 (2)
1 mi
• • o 1
k dY k
2
dY • •
2
d CD
2
dY • KC • 0 (3)
Stream-II
2
dP dU
• sol• • T2 Tw • • • • BU
2 2
T
• 2
•• 2 mi o 2
• 0 (4)
dX dY
2 2
dT • • dU 2 • • 2
BU
2
• • • 0 (5)
2 mi
• • o 2
k dY k
2
dY • •
Sujeto a las condiciones de contorno y de interfaz sobre la velocidad, temperatura y concentración como
T ••
10
TT
1
• W1
, CC• W 1
aY • •h
T ••
20
TT
2
• W2
aYh•
dT dT dy
T •• T •• TT • , CC•
*
•
2
, a Y h• (6)
1
10 20 1 2 W 2
dy
U ii TTTT
• W sol• • Th
3
sol• • ch
3
CCCC
• W U 1Br•
2
y *
, •
yo T
• • , Gr • , Gc • , • •
2
, Re T• h
1
, • , Y* •
2 do
yo
UU 1 W1
• W2 •
2
•
2
W 1
• W 2
• kT • h
2 22
dp y • B 0h M
•CV • CCC • •
mi
, • TTT • •
2
• W
• W1
, W W1
, , . (7)
• U 1
dX
2 2
Yh •
Se obtiene el impulso, energía y concentración ecuaciones adimensionales correspondiente a la corriente I y corriente-II como
La corriente I
2
du GR1 2
2
• T
• 1
• GRAMO
do
• • PM
• T 1
• 0 (8)
dy
• • du •
2
•
2
re •
• Br • • • • M u dy1 • • 0
1 2 2
(9)
1
dy
2
•• • •
• •
2
d dy•
• • • • 0 (10)
2
Stream-II
2
du GR
2 2
• T
• 2
• PM
• T 2
• 0 (11)
2
dy
• • du • •
2
•
2
re
• Br • • • • Mu • • 0
2 22
(12)
2
dy
2
• • dy • 2
•
• •
Sujeto a las condiciones de contorno,
u1 ••
0 • 1 1• , 1• • ,a y•• 1
u 2••
0 • 2 0• ,a y• 1
re• d•
u1 ••
0 u 2••
0 • • •2,
1
1
•
2
, • • norte
,a yy• *, (13)
dy dy
2
gr Gc kh CC
2
•n W 2
dónde GR T• , GR •do ,• • , • .
Re Re D CC 1
• W 2
III. SOLUCIONES
Solución de la ecuación (10) se puede obtener directamente a través de condición de contorno (13) y está dada por
• • BCosh y•B
• Sinh
•• y 1 2 •• • (14)
Las ecuaciones (8), (9), (11) y (12) están acoplados ecuaciones diferenciales no lineales. soluciones aproximadas se pueden encontrar utilizando el
método de perturbación regular. El parámetro de perturbación br por lo general es pequeña y por lo tanto método de perturbación regular puede ser fuertemente
justificado. La adopción de esta técnica, las soluciones para la velocidad, la temperatura y la concentración se supone en la forma
2
uyuy
yo
• Br
• •uy Br
yo0
uy
• •• 1
yo
• •• yo2
• • • ... (15)
2
• yo
• y •• • yo0
• y •Br• • yo1
• y •Br• • yo2
• y • • ... (dieciséis)
Sustituyendo las ecuaciones (15) y (16) en las ecuaciones (8), (9), (11) y (12) e igualando los coeficientes de potencia como de br a cero y uno,
obtenemos las ecuaciones de cero y de primer orden como
La corriente I
•• •
2
• 11
2
du d10 •
• •• • • 0
2
• • M u dy10
2
(20)
2 dy• •
•• • •
Stream-II
ecuaciones de orden cero
2
du GR
20 2
• T
• 20
• PM
• T 20
• 0 (21)
2
dy
2
d dy•
• 0 (22)
20 2
• • du d • •
2
•
2
• •• • • 0
21 20 2
• • Mu
2
(24)
2 dy•dy 20
•
• • • •
u10••0 • 10 1 • , 1• • ,a y•• 1
u 20••0 • 20 0• ,a y• 1
re• d•
u10••0 u 20••0 • 10 • • 20
,
10
•
20
, • • norte
,a yy• * (25)
dy dy
Primer orden
u11••0 • 11 0• a y•• 1
u 21••0 • 21 0• a y• 1
re• d•
u11••0 u 21••011 • • • 21
,
11
•
21
a yy• * (26)
dy dy
Las soluciones de orden cero y ecuaciones de primer orden (17) a (24) usando las condiciones de contorno como en las ecuaciones (25) y
(26) son Cero orden Stream-I
• 10 • ZYZ• 1 2
(27)
u 10 • Mi1 acosh( Un )Sinh
• 2Mi rryr( Cosh
) •año •y Sinh
• (• )• (• )
1 2 3 4
(28)
Stream-II
• • ZYZ•
20 3 4
(29)
u 20 • Un Cosh( Mi Un
) • Sinh Mi rry
( )• •
3 4 5 6
(30)
Primer orden
Stream-I
4
• • EE2 yqyqyqyq
• 1 • Cosh •yq Sinh yq
• Cosh (• (• • yq) Sinh • y)
2 3
11 1 2 3
• 4
)• 5
)• 6
(2 • 7 (2
• q 8q Cosh(2Mi Sinh
) •Mi q9 q Cosh
(2 Mi Sinh
) • Mi10 q q yCosh
( Mi) ySinh
• 11 Mi yCosh
( q) yq
• ySinh
12
yq Cosh
( )• 13
( )
• (• )• (• )• • • • Cosh
• yq• M17 • • • M yq
• S• inh • • • M i • (31)
14 15 dieciséis 18
• q 19Sinh •• • M i •
4
• E 5Cosh Mi
( Correo
) • Mi6 Sinh HH y )H• y H1y•H y H y•H Cosh Sinh
• y4 H Cosh
• • (• )• (• )
2 3
u 11 ( 2 3 5 6 7
• 8
(2 • y )H• Sinh 9
(2 • y )H• Cosh
10
Mi H Sinh
(2 Mi)H• yCosh
11
Mi H(2ySinh) Mi
• 12
( )• 13
( )
• H 14
y aporrear(• y )H• ySinh
15
y H Cosh
(• )• dieciséis
• • • M y• H Cosh
• 17
• • • M i •SA • 18
inh • • • M i • (32)
2
• H 19
Sinh • • • M y• H y• Cosh Mi H y Sinh Mi) • )
2
20
( 21
(
Stream-II
4
• • EE •y F y3 F •y F 1y F Cosh
• 2 Mi F
• Sinh Mi• F Cosh Mi(2F Sinh) •Mi F5 yCosh
(2 Mi F )ySinh
• 6 Mi )• )
2 3
21 4 3 4
( 7
(
• ( )• ( ) (33)
8 9
4
• E 7Cosh Mi
( E ) • Mi HH
) • y H 22y H
• y H23y H• Cosh Mi H• Sinh mi • • )• )
2 3
u 21 8
sinh ( 24 25 26 27
(2 28
(2
• H yCosh Mi H
( ySinh
) • Mi H y H Cosh
( Mi) y• Mi Sinh
2
( )•
2
( ) (34)
29 30 31 32
El efecto del número de Hartmann en el flujo se muestra en las Figs. 2a, b, c y 3a, b, c. Como el número Hartmann aumenta, la velocidad y la
temperatura disminuye en ambos las corrientes en todas las posiciones deflectoras. Como el número Hartmann aumenta líquido disminuye, que es el
resultado clásico Hartmann. Cuando el deflector está cerca de la pared caliente de la velocidad máxima es en la corriente-II, cuando el deflector está
cerca de la pared fría la velocidad máxima se ve en la corriente-I y cuando el deflector está en el centro del canal se ve la velocidad máxima en la
corriente-I.
El efecto de número de Grashof térmica en el campo de velocidad y la temperatura se muestra en las Figs. 4a, b, c y 5a, b, c en las tres posiciones
diferentes deflectoras. Como el número térmica aumenta Grashof, la velocidad y la temperatura aumenta, tanto en los flujos en todas las posiciones deflectoras.
Este es un resultado esperado debido a aumento en los resultados de número de Grashof térmicas en aumento de la fuerza hinchable y por lo tanto aumenta el
flujo en ambas las corrientes en todas las posiciones deflectoras.
El efecto de la masa número Grashof en el campo de velocidad y la temperatura se muestra en las Figs. 6a, b, c y 7a, b, c, respectivamente. A medida
que el número de Grashof masa aumenta el flujo se mejora tanto en las corrientes en todas las posiciones deflectoras. La mejora en la velocidad es significativo en la
corriente-I cuando se compara con la corriente II .Este es debido al hecho de que el fluido se concentra solamente en la corriente-I. Aunque el líquido no se concentra
en la corriente-II todavía se observa su efecto en la corriente-II cuando la posición del deflector está en el centro del canal, esto es debido a la razón que hemos
considerado el deflector que se va llevando a cabo. Eso es decir que, no hay transferencia de calor desde la corriente de flujo de I-II, pero no hay transferencia de
masa de la corriente de flujo de I-II. Debido a la transferencia de calor desde la corriente I de flujo-II resultados en aumento tanto de fuerza de flotabilidad térmica y
fuerza de flotabilidad concentración y por lo tanto incremento de velocidad en la corriente-II ligeramente a medida que los medios de número de Grashof aumenta
como se ve en la Fig. 6. Como masa Grashof número aumenta la temperatura aumenta de manera significativa en la corriente-I cuando la posición deflector está en
el centro de la pared fría. No hay mucha variación en el campo de la temperatura cuando la posición del deflector está cerca de la pared caliente.
El efecto del número Brinkman se muestra en las Figs. 8a, b, c y 9a, b, c en los campos de velocidad y temperatura respectivamente.
Como el aumento de número Brinkman tanto la velocidad y la temperatura aumenta, tanto en los flujos en todas las posiciones deflectoras. Esto es
debido al hecho de que aumentar en Brinkman número aumenta la disipación viscosa y por lo tanto el flujo es mayor.
El efecto de parámetro de reacción química de primer orden en los campos de velocidad, temperatura y concentración se muestran en las
Figs. 10a, b, c, 11a, b, c y 12a, b, c, respectivamente. Como • aumenta la velocidad, temperatura y concentración disminuye en la corriente-I, y se
mantiene constante en la corriente-II. El resultado similar también fue obtenido por Srinivas y Muturajan [22] para el flujo de convección mixta en un
canal vertical. Esto es debido al hecho de que el fluido en la corriente-I se concentra. El valor máximo de la velocidad y de la temperatura se ve en la
corriente-II para la posición deflector en * 0,8
y•• y en la corriente-I para la posición deflector en 0 * y • y 0.8.
V. CONCLUSIONES
El efecto de la reacción química de primer orden en un canal de paso vertical de doble lleno de fluido eléctricamente conductor mediante la
inserción de un deflector delgada se investiga. se llegó a las siguientes conclusiones:
.
1. El aumento de los valores de número Hartmann reduce el campo de flujo donde como aumento en el número Grashof térmica y el número
de Grashof masa mejorar el flujo en ambas las corrientes en diferentes posiciones deflectoras.
2. Aumento en el parámetro de perturbación (número Brinkman) mejora la velocidad y la temperatura en ambas las corrientes.
3. Aumento en el parámetro de reacción química suprime la velocidad, temperatura y concentración en la corriente-I y permanece
invariante en la corriente-II.
Referencias
[1] S. Habchi y Archarya. convección mixto laminar en un canal vertical climatizada simétrica o asimétricamente. Numer. Transferencia de Calor, 9: 605-618, 1986. [2]
Aung W. y G. Worku. El desarrollo de flujo y la inversión en un canal vertical con temperaturas de pared asimétricas. J. transferencia de calor, 108: 299-304, 1986. [3]
M. Iqbal, BD Aggarwala y AG Fowlere. Laminar combina libre y convección forzada en una vertical de conductos no circulares bajo flujo de calor uniforme. En t. Transferencia
de Masa Heat J., 12: 1123-1139, 1969. [4]
N. Raptis, Kafoussias. La transferencia de calor en un flujo a través de un medio poroso delimitada por un plano vertical infinito bajo la acción del campo magnético, Energy Res., 6:
241-245, 1982. [5]
Raptis. El flujo a través de un medio poroso en presencia de campo magnético. Energía Res., 10: 97-100, 1986. [6]
MS Malashetty, JC Umavathi y J. Prathap Kumar. Dos flujo magnetoconvection fluido en un canal inclinado. En t. J. Fenómenos de Transporte, 3: 73-84,
2000. [7]
MS Malashetty, JC Umavathi y J. Prathap Kumar. Convectiva magnetohidrodinámica flujo de dos fluidos y transferencia de calor en un canal inclinado. El calor y la
transferencia de masa, 37: 259-264, 2001. [8]
MS Malashetty, JC Umavathi y J. Prathap Kumar. Magnetoconvection de dos fluidos inmiscibles en un recinto vertical, de calor y de masa Transfer, 42: 977-993,
2006 [9]
JC Umavathi, B. Mallikarjun Patil y I. Pop. En flujo de convección mixto laminar en un estrato poroso vertical con condiciones de calentamiento pared simétricas. En t. J.
Fenómenos de Transporte, 8: 1-14, 2006. [10]
J. Prathap Kumar, JC Umavathi y Basavaraj M Biradar. convección mixta de medio poroso compuesto en un canal vertical con condiciones de calentamiento pared
asimétricos. J. Medio Poroso, 13: 271-285, 2010. [11]
JC Umavathi, IC Liu, J. Prathap Kumar y I. Pop. Plenamente desarrollado flujo de convección magneto en un conducto rectangular vertical. El calor y la transferencia de masa, 47:
1-11, 2011. [12]
JC Umavathi y KSR Sridhr. Hartmann dos fluidos flujo Poisulle-Couette en un canal inclinado, Int. J. Appl. Mech. Engg., 14: 539-557, 2009. [13]
RK Shah y A. Londres. El flujo laminar forzado transferencia de calor por convección y la fricción de flujo en conductos-A rectas y curvas resumen de soluciones analíticas. La
Universidad de Stanford, Stanford, California, EE.UU., Tech. Rep.vol. 75, 1971. [14]
Das ONU, RK Deka y VM Soundalgekar. Efectos de la transferencia de masa en el flujo más allá de una placa vertical infinita impulsivamente comenzado con flujo de calor
constante y reacción química. Forsch Ingenieurwes, 60: 284-287, 1994. [15]
R. y P. Muthucumaraswamy Ganesan. En movimiento impulsivo de una placa vertical con flujo de calor y la difusión de las especies químicamente reactivas. Forsch
Ingenieurwes, 66: 17-23, 2000. [16]
R. y P. Muthucumaraswamy Ganesan. reacción de primer orden químico sobre el pasado flujo placa vertical impulsivamente estratificado con calor uniforme y flujo de masa.
Acta Mech., 147: 45-57, 2001. [17]
MA Seddek. método de los elementos finitos para los efectos de la reacción química, la viscosidad variables, termoforesis y la generación de calor / absorción de un flujo
magnético capa hidro límite con el calor y la transferencia de masa sobre una superficie de calor. Acta Mech., 177: 1-18, 2005. [18]
R. Kandasamy, K. Perisamy y KK Sivagnana Prabhu. Efectos de la reacción química, calor y transferencia de masa a lo largo de una cuña con fuente de calor y la concentración en
presencia de aspiración o inyección. En t. Transferencia de Masa Heat J., 48: 1388-1394, 2005. [19]
R. Kandasamy, K. Perisamy y KK Sivagnana Prabhu. reacción química, calor y transferencia de masa en el flujo de MHD sobre una superficie que se extiende vertical con fuente de
calor y efectos estratificación térmica. En t. Transferencia de Masa Heat J., 48: 4557 a 4561, 2005. [20]
ZY Guo, DY Li y Wang BX. Un concepto novedoso para la mejora de la transferencia de calor convectivo. En t. Transfer J. Heat misa, 0,41: 2221-2225, 1998.
[21]
MM Salah El-Din. Totalmente desarrollado convección laminar en un canal de doble paso vertical. Appl Energía, 47: 69-75, 1994.
[22] S. Srinivas, R. Muthuraj. Efecto de la reacción química y la porosidad espacio en MHD flujo de convección mixta en un canal asimétrico vertical con peristalsis.
Matemáticos y modelos de computadora, 54: 1213-1227, 2011.
NOMENCLATURA
segundo
0
campo magnético
br número de Brinkman
do1 concentración en arroyo-I
h Ancho de banda
*
h anchura de paso
sol aceleración debida a la gravedad
GR TGR
, parámetros adimensionales
do
número de Reynolds
TT
1
, distribuciones
2
de temperatura dimensionales
T 1
velocidad de referencia
uu, 1 2
velocidades adimensionales en Arroyo-I, Arroyo-II
, 2
UU1 distribuciones de velocidad tridimensionales
*
y posición deflector
símbolos griegos
• parámetros de la reacción química
• T
coeficientes de expansión térmica
• do
coeficientes de expansión concentración
• mi
conductividad eléctrica
• TC
,• diferencia de temperaturas y concentración
• yo
temperatura adimensional
• viscosidad cinemática
• concentraciones no dimensionales
• densidad
• viscosidad
Los subíndices
yo consulte cantidades para los fluidos en Stream-I y Stream-II, respectivamente.