دانلود مقاله کامل درباره بهینه سازی انرژی در ساختمان

اختصاصی از فی فوو دانلود مقاله کامل درباره بهینه سازی انرژی در ساختمان دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه: 12
فهرست و توضیحات:

مقدمه

کلیات

تعاریف

فصل اول

عملکرد اجزای تشکیل دهنده پوسته خارجی و شخصیت فیزیکی مورد نیاز

عایق کاری حرارتی

عایق کاری حرارتی بام و سقف

فصل دوم

عایق کاری رطوبتی، بخاربندی و جلوگیری از بروز مخاطرات ناشی از وجود آب

آب بارش

بخار آب

فصل سوم

نکاتی در زمینه طراحی ساختمان

جهت گیری ساختمان

حجم کلی و فرم ساختمان

جانمایی فضاهای داخلی

جدارهای نورگذر

سایبان ها

اینرسی حرارتی  

مقدمه

مساله انرژی در کشور ما سالها مورد توجه در خور نبوده و یارانه های آشکار و پنهان دولتی هموار مردم را از توجه واقعی به ارزش انرژی در اشکال مختلفش باز می داشته است. ولی به دلایل مختلف در سالهای اخیر محاسبه میزان مصرف صرفه جوئی انرژی بعنوان یک ضرورت قطعی و چاره ناپذیر، پدیدار گشته است. سرعت رشد مصرف داخلی انرژی به حدی است که با روند موجود توسعه ی منابع نفتی شاید با گذشت چند سال و اندمی دیگر قادر به صادرات نفت نباشیم.

در بخش ساختمان انرژی کشور بیش از یک سوم انرژی مصرفی کشور را به خود اختصاص داده، که به نظر می رسد ارزش آن به قیمت جهانی سالیانه بر ۶ میلیارد دلار می گردد و به علت این مشکل فرهنگی که قدر انرژی کمتر دانسته شده است، اکثر قریب به اتفاق ساختمان های کشور فاقد ضوابط فنی شناخته شده برای جلوگیری از به هدر رفتن انرژی سرمایی یا گرمایی می باشد و در شرایط جدید کشور و بنا به امکانات جدید صنعتی بوجود آمده و نیز با توجه به نبود ضوابط لازم برای صرفه جوئی در مصرف انرژی تاسیسات مکانیکی و برقی ساختمان، پیشرفت جهانی دانش فنی و تجربه های مثبت داخلی لازم بود که تا حدودی به فکر این مقوله مهم باشند.

کلیات

طراحی عایق کاری حرارتی (گرمابندی) متناسب اجزای تشکیل دهنده پوسه خارجی ساختمان بر مبنای اصول عواقب و ضوابطی چند صورت می گیرد. عدم شناخت یا عدم رعایت این اصول موجب انتخاب راه حل هایی می گردد که از نظر کارایی و دوام با کمبود مشکلاتی همراه هستند بطور کلی، اجزای تشکیل دهنده پوسته خارجی ساختمان ها باید حداقل خواص زیر را داشته باشد:

• محدود کردن انتقال حرارت در حد مقادیر مجاز مبحث مقررات ملی ساختمان
• انتقال بخار آب یا سد نمودن آن
• آب بندی و نم بندی در صورت لزوم
• پایداری و دوام در برابر تنش های وارده (نیروی استاتیکی و دینامیکی)
• سازگاری ساختاری و رفتاری با سازه ساختمان
• پایداری کافی در برابر آتش
• مقاومت در برابر نفوذ جانداران
• سازگاری با بهداشت و سلامتی ساکنین محیط زیست
• صدا بندی

و برای هدفمند کردن خواص فوق باید در هر ساختمان کلیه آنها در نظر گرفته شوند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید

دانلود تحقیق الگوریتم بهینه سازی Bayesian

اختصاصی از فی فوو دانلود تحقیق الگوریتم بهینه سازی Bayesian دانلود با لینک مستقیم و پر سرعت .

تعداد صفحات : 62 صفحه        -        

قالب بندی :  word           

الگوریتم بهینه سازی Bayesian

مراجع‌را می‌توان به عنوان یک ترازوی خوب برای مقایسه روشهای مختلف بکار برد. بعنوان مثال: مراجع استراتژی، انتخاب و جایگزینی را بکار گرفتند که با r BOA ها یکسانند. در‌بین الگوریتم‌های متنوع‌دانش سرپرستی برای انجام دادن مدلهای مخلوط، دسته بندی یک کاندیدای مناسب برحسب بازدهی محاسباتی دیده شده است. 

بطور کلی EDAها یک تقریب تقسیمی را بکار می‌گیرند که تلاش می‌کند یک مجموعه از اطلاعات‌چند بعدی را به تعدادی‌زیر مجموعه دسته بندی کند. مثالهای محتمل شامل الگوریتم K- Means و الگوریتم رهبر تصادفی (RLA) است.

مکانیزم آنها در زیر به صورت مختصر شرح داده شده است:

الگوریتم K- means نمونه‌های داده را به K زیر مجموعه غیر تهی تقسیم می‌کند. مختصات میانگین حسابی گروههای رایج محاسبه می‌شود و هر نمونه به نزدیکترین تقسیم‌بندی اشاره می‌کند. پروسه ادامه می‌یابد تا زمانیکه گمارش دیگری اتفاق نیافتد. در RLA هر نمونه تصادفی انتخاب شده متعلق به نزدیکترین طبقه بندی که رهبر آن فاصله با نمونه‌اش زیر حد داده شده قرار دارد. نتیجه پس از فقط یکبار مرور کردن هر نمونه بدست می‌آید.

توجه کنید که الگوریتم RLA سریعتر از الگوریتم K- means است. (RLA) تا حدودی کمتر دقیق است. علاوه بر این تکرار که در مدلهای مختلف استفاده می‌شود (در مدل انتخاب) کمتر از مدلهای جاسازی است. بنابراین الگوریتم K- means و RLA (با حدی به میزان 0.3) به ترتیب کاندیداهای مناسبی برای مدل انتخاب و مدل جاسازی هستند. مدل جاسازی و مدل نمونه برداری با توجه به کارایی‌شان برای مسائل بزرگ تجزیه پذیر، براساس اصل حداکثر ترکیب زیر مسئله‌ها انجام داده می‌شوند.

نتایج کارایی r BOA 

علاوه بر این توزیع احتمال نرمال به علت فواید ذاتی (خصوصیات تقریب نزدیک و تجزیه مناسب و آسان) آن به کار گرفته شده است. انتخاب کوتاه که نیمه بالای جامعه را انتخاب می‌کند و BIC با Eq، (5،6) که  پارامتر تنظیم آن 0.5 است برای یادگیری یک مدل آماری استفاده نشده بودند. سیاست تجزیه بدترین نیمه جامعه را با نسل جدید تولید شده جایگزین می‌کند. (یعنی جایگزینی نخبه‌ها) چون هیچ اطلاعات قدیمی در ساختار مسئله وجود ندارد. ما 1-  را برای تعداد والده‌های مجاز در نظر می‌گیریم، هیچ محدودیتی در مدل انتخاب وجود ندارد. هر آزمایش وقتی که بهینه پیدا شود یا تعداد نسلها به دویست برسد پایان داده می‌شود. همه نتایج بعد از 100 اجرا میانگین گرفته می‌شود.

شکل 5،7 میانگین تعداد محاسباتی را Rboa انجام می‌دهد تا بهینه RDP را با ،  نشان می‌دهد. همچنین این شکل نتیجه PSNR با  را نشان می‌دهد.

.5.7 نتایج آزمایشگاهی و مذاکره

 5. بهینه سازی الگوریتم Bayesian

اندازه مسئله n

(a) نتایج برای RDP با

اندازه مسئله n

(b) نتایج برای RNSP  با

شکل .5.7 موضوع قابل تجزیه درباره کارایی  r BOA

اندازه جمعیت تدارک دیده از روی مشاهده و تجربه معین در کنار روش دو بخشی بطوریکه بهینه برپا گردد.

نتایج مشاهده برای RDP و RNSP به ترتیب و با دقت  و  (جاسازی) تقریب زده شده است.

بدینسان r BOA می‌تواند مسئله قابل تجزیه (افزایشی) محدود سخت بوسیله پیچیدگی Sub- quadratic (به استثنای Near- quadratic) رفع کردن.

به عبارت دیگر رشد عدد تخمین با توجه به اندازه مسئله (یعنی مقیاس پذیری) به نظر می‌رسد که به Sub- quadratic باشد. جزئیات تحقیق در بخش 3، 7، 5 یافت می‌شود.

MBOA

شکل 5،8 مقایسه کارایی Rboa و مشکلات آنرا مطالعه می‌کند (MBOA، m IDEA و EGNA). مانند مراجع کاربردی و قابل تجزیه (RNSP و RDP).

از اینرو مسئله قابل تجزیه عبارت است از زیر برنامه m، اشکال مسئله قابل اجرا نگهداری کردن همزمان m، اشکال مسئله قابل اجرا، مختصر N= r.m در برابر سادگی. شکل (a) 5،8  نسبت صحیح BBها را چنانچه به RDD اعمال می‌شوند با و تغییر m مقایسه می‌کند. ترکیب یک RBOA جزء، مختصر K=1 برای مدل گزینش بکار گرفته می‌شود.

جمعیت تدارک دیده با N= 100m، نتیجه نشان داده شده برای یافتن راه حل rAOB و MBOA بهتر کردن محاسبه زیاد آنها بجز mI AED و ANGE.

گرچه MBOA در برابر Rboa تا حدی بالاتر بنظر می‌آید، با مفهوم آماری آن مخالفت دارد. جدول 5،1 اثبات پشتیبانی آن هست. همچنین بزرگتر شدن اندازه مسئله خراب کردن EGNA و mIDEA کردن از لحاظ دست یافتن کارایی در صورتیکه وضعیت راه حل پایدار بسرعت و Rboa برای آنکه مشاهده گردد. از شکل (a) 5،7 و (a) 5،8 واضح است.

افزایش رفتار MBOA و Sub- quadratic Rboa در برابر RDP در صورتیکه m IDEA و EGNA تشریحی مقیاس پذیری دارد. شکل (b) 5،8 نشان می‌دهد BB- wise مقادیر کار برگشت داده شده با الگوریتم‌ها برای RNSP با  مختلف m. ترکیب نمونه‌ها برای گزینش مدل جزء سه ترکیب (K=3) استفاده شده. یک مدل خطی، مختصر، ‌‌N= 200m بکار رفته برای جمعیت تدارک دیدن. در نتیجه RDP، برای آنکه مشاهده کارایی MBOA و Rboa آثار یکسان صرف نظر از اندازه مسئله. می‌توانیم در نظر بگیریم آنها یک Sub- quadratic مقیاس پذیر RNSP دارند. با وجود این نتایج نشان می‌دهد r BOA نسبتا بهتر از MBOA است با توجه به کیفیت مسئله.

ترجمه مقاله مقایسه کارایی اجرای سریال و موازی الگوریتم بهینه سازی کلونی مورچگان برای حل مسئله فروشنده دوره‌گرد

اختصاصی از فی فوو ترجمه مقاله مقایسه کارایی اجرای سریال و موازی الگوریتم بهینه سازی کلونی مورچگان برای حل مسئله فروشنده دوره‌گرد دانلود با لینک مستقیم و پر سرعت .

این مقاله ترجمه مقاله انگلیسی Performance Comparison of Sequential and Parallel
Execution of the Ant Colony Optimization Algorithm
for Solving the Traveling Salesman Problem می باشد . /

سال انتشار : 2013 /

تعداد صفحه مقاله انگلیسی : 5 /

تعداد صفحه ترجمه : 10/

فرمت فایل ترجمه : Word /

مقاله اصلی به زبان انگلیسی را می توانید رایگان از اینجا دریافت نمایید ./

ضمنا پیاده سازی این مقاله با نرم افزار متلب در سایت جهت تهیه دوستان در اینجا موجود است . /

چکیده

الگوریتم بهینه سازی مورچگان یک الگوریتم فرا ابتکاری است که با ایده گرفتن از طبیعت برای مسائلی مانند فروشنده دوره‌گرد و دیگر مسائل ترکیبی بهینه‌سازی راه‌حل پیدا می‌کند . این الگوریتم به عنوان یکی از بهترین متدهای محاسباتی با کارایی بالا برای حل مسئله فروشنده دروه‌گرد در نظر گرفته می شود . در این مقاله تاثیر موازی سازی الگوریتم بهینه‌سازی کلونی مورچگان روی افزایش کارایی‌، برای مسئله TSP مورد مطالعه قرار می‌گیرد .یکی از دلایل موازی‌سازی این الگوریتم کاهش زمان مورد نیاز جهت یافتن راه‌حل در حالی که کیفیت جواب با حالت غیر موازی یکسان باشد ./1005/

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی آدرس ایمیل:

[e-mail]

شماره جهت ارتباط پیامکی :

09337843121

توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

کنترل بهینه ترسیب نهر صومعه کبودین با استفاده از نرم افزار SHARC

اختصاصی از فی فوو کنترل بهینه ترسیب نهر صومعه کبودین با استفاده از نرم افزار SHARC دانلود با لینک مستقیم و پر سرعت .

عنوان مقاله :کنترل بهینه ترسیب نهر صومعه کبودین با استفاده از نرم افزار SHARC

 محل انتشار:نهمین کنگره ملی مهندسی عمران مشهد

تعداد صفحات: 8

نوع فایل : pdf

تحقیق و پروژه با عنوان روش های مدرن بهینه سازی به صورت فایل Word و در 36 صفحه

اختصاصی از فی فوو تحقیق و پروژه با عنوان روش های مدرن بهینه سازی به صورت فایل Word و در 36 صفحه دانلود با لینک مستقیم و پر سرعت .

در سال های اخیر بعضی از روش های بهینه سازی که به طور مفهومی با تکنیک های سنتی برنامه ریزی ریاضی متفاوت هستند توسعه یافته اند. این روش ها را روش های غیرسنتی یا مدرن بهینه سازی می گویند. بیشتر این روش ها بر پایه ویژگی های مشخص و رفتار بیولوژیکی، مولکولی و دسته جمعی حشرات و سیستم های نوروبیولوژیکی هستند. در این فصل روش های زیر طراحی می شوند:

1 - الگوریتم ژنتیک.

2- آهسته سرد کردن شبیه سازی شده.

3 - بهینه سازی دسته جمعی ذره.

4- بهینه سازی کلونی مورچه.

5 - بهینه سازی فازی.

6 - روش های بر پایه شبکه های عصبی.

بسیاری از این روش ها تنها در سال های اخیر پدیدار شده اند و به عنوان روش های معروف برای حل مسائل پیچیده مهندسی به کار می روند. بیشتر چیزهایی که مورد نیاز هستند تنها مقادیر تابع هستند (و نه مشتقات). الگوریتم ژنتیک بر پایه اصول ژنتیک طبیعی و انتخاب طبیعی است. روش آهسته سرد کردن بر پایه آهسته سرد کردن مواد جامد گرم شده می باشد. هر دو روش الگوریتم ژنتیک و آهسته سرد کردن شبیه سازی شده روش های تصادفی هستند که می توانند مقادیر مینیمم جهانی را با احتمال بالا پیدا کنند و برای حل مسائل گسسته بهینه سازی قابل اعمال هستند. بهینه سازی دسته جمعی ذره بر اساس کلونی موجودات زنده مانند حشرات دسته جمعی، یک گروه از پرندگان یا یک دسته ماهی می باشد. بهینه سازی کلونی مورچه بر اساس رفتار و  همکاری متقابل کلونی های واقعی است که می تواند کوتاه ترین راه را از لانه تا غذا پیدا کند. در بسیاری از سیستم های ذره ای تابع مورد نظر محدود می شود و داده طراحی تنها در ابهام و جمله های زبانی مشخص می شود. روش های بهینه سازی فازی برای حل چنین مسائلی توسعه یافته اند. در روش های بر پایه شبکه های عصبی مسئله به صورت یک شبکه شامل نورون های مختلف مدل می شود و شبکه به صورت یک دنباله برای حل بهتر مسئله در می آید.

این طرح در 36 صفحه گردآوری شده و می تواند به عنوان یک مرجع آموزشی نیز مورد استفاده قرار گیرد.