عنوان پایان‌نامه
به کار بردن روش شبکه عصبی در به دست آوردن ضرایب توزیع و یا شکل به روش مونت کارلو
- رشته تحصیلی
- مهندسی مکانیک تبدیل انرژی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1903;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 47944
- تاریخ دفاع
- ۳۰ فروردین ۱۳۹۰
- دانشجو
- لیلا درویشوند
- استاد راهنما
- فرشاد کوثری
- چکیده
- در این پایان نامه، به طراحی و بهینه سازی یک محفظه ی تشعشعی سه بعدی به منظور ایجاد همزمان یک توزیع شار تشعشعی یکنواخت و دمای مطلوب بر روی کلیه سطوح جسم طراحی پرداخته شده است. محفظه تشعشعی مورد نظر به شکل یک اتاقک مکعب مستطیل با محیط شفاف و با سطوح پخشی و آینه ای می باشد که دو گرمکن در سقف آن تعبیه شده است و سایر سطوح آن عایق می باشند. جسم طراحی مورد نظر دارای شکلی نامتقارن است که جهت ایجاد همزمان یک توزیع شار تعشعشی یکنواخت و دمای مشخص بر روی کلیه سطوح آن می بایست دمای هر یک از گرمکن ها و مکان قرارگیری جسم طراحی به¬درستی انتخاب گردد. این گونه مسائل طراحی که در آنها شرایط بر روی سطوح طراحی معلوم بوده و هدف طراحی، به دست آوردن شرایط بر روی سایر سطوح می باشد را مسائل طراحی مرزی معکوس می نامند. در این پایان نامه، روش مونت کارلو جهت به دست آوردن شار تشعشعی بر روی سطوح و روش الگوریتم ژنتیک جهت بهینه سازی مسئله به کار گرفته شده اند. روش مونت کارلو یک روش آماری محض می باشد که قادر به شبیه سازی اغلب فرآیندهای فیزیکی است. این روش در تحلیل بسیاری از مسائل تابش به ویژه مسائل با هندسه های پیچیده مورد استفاده قرار می گیرد و به حل دقیق بسیار نزدیک می باشد. در این روش فرض می شود که تابش از تعداد مجزایی بسته انرژی یا فوتون تشکیل شده است و با دنبال کردن مسیر احتمالی این فوتون ها تا زمان جذب آنها ضرایب توزیع سطوح نسبت به یکدیگر به دست آمده و با استفاده از این ضرایب، تبادل تشعشعی بین سطوح به دست می آید. با این وجود این روش از نظر محاسبات رایانه ای بسیار پرهزینه و زمان بر می باشد. به همین دلیل در حل مسئله ی بهینه سازی مورد نظر، جهت اجتناب از اجرای مکرر روش مونت کارلو به منظور به دست آوردن تابع هدف و ارزیابی کردن اعضای جمعیت در طی اجرای روش الگوریتم ژنتیک، از روش شبکه های عصبی مصنوعی استفاده شده است. این تابع هدف براساس مجموع مربعات تفاضل مقادیر شار حرارتی محاسبه شده و شار حرارتی مطلوب تعریف می شود که با روش الگوریتم ژنتیک کمینه می گردد. به این ترتیب با تربیت شبکه عصبی ای که قادر به تخمین این تابع هدف باشد، بار محاسباتی روش بهینه سازی به شکل چشم گیری کاهش می یابد.
- Abstract
- In this thesis, a 3-D radiant enclosure is designed and optimized to produce a desired Temperature and uniform heat flux, simultaneously, over all surfaces of design body. The radiant enclosure is considered as a box with specular and diffuse surfaces containing transparent medium that two heaters are located on the top of it and its other surfaces are insulated. The design body has an asymmetrical shape which temperature of two heaters and location of design body must be selected properly in order to produce a specified temperature and uniform heat flux on its surfaces. Such these design problems, in which conditions on design surfaces are specified and conditions of other parts are unknown, are called inverse boundary problems. In this thesis, the Monte Carlo Method (MCM) has been applied to calculate heat fluxes and Genetic Algorithm (GA) has been applied to optimize this problem. The MCM is a statistical method that can simulate most of the physical phenomena. This method is used to solve many radiation heat transfer problems especially ones with complicated geometries and its results are much closed to exact solution. This method assumes that the radiative energy is composed of discrete parcels that by tracing the random paths of these photons until absorbing all of them, the distribution factors between surfaces are obtained and by using these factors the radiative heat exchanges between surfaces are calculated. However, this method has high computational cost and is very time consuming. Therefore, to solve this optimization problem, regarding the prevention of MCM in calculating the objective function and evaluating the population during the GA method, Artificial Neural Networks (ANN) have been used. This objective function is defined based on the sum of squared difference between calculated and desired heat fluxes and is minimized during a GA method. Therefore, by training a neural network that can estimate this objective function, computational cost of this problemwould be reduced significantly.
