دانلود مقاله ISI انگلیسی شماره 46787
ترجمه فارسی عنوان مقاله

مدل سازی یک محرک آلیاژ حافظه شکلی با استفاده از یک جعبه سیاه بازگشتی تکامل پذیر و الگوریتم های هیوریستیک هیبریدی الهام گرفته بر مبنای مهاجرت سالانه ماهی قزل آلا در طبیعت

عنوان انگلیسی
Modeling a shape memory alloy actuator using an evolvable recursive black-box and hybrid heuristic algorithms inspired based on the annual migration of salmons in nature
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
46787 2014 23 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 13040 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 18 روز بعد از پرداخت 156,480 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 9 روز بعد از پرداخت 312,960 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Applied Soft Computing, Volume 14, Part B, January 2014, Pages 229–251

ترجمه کلمات کلیدی
محاسبات در حال تحول (EC) - آلیاژهای با حافظه شکلی (SMAS) - سلولی خودکار (CA) متا مدل سازی - خود سازماندهی (ده کوهنن) نقشه (سوم) - فرار ماهی قزل آلا بزرگ - الگوریتم بهینه سازی - شناسایی سیستم - آموزش افزایشی
کلمات کلیدی انگلیسی
Evolving computing (EC); Shape memory alloys (SMAs); Cellular automated (CA) meta-modeling; Self-organizing (Kohonen) maps (SOMs); The Great Salmon Run (TGSR) optimization algorithm; System identification; Incremental learning
پیش نمایش مقاله
پیش نمایش مقاله مدل سازی یک محرک آلیاژ حافظه شکلی با استفاده از یک جعبه سیاه بازگشتی تکامل پذیر و الگوریتم های هیوریستیک هیبریدی الهام گرفته بر مبنای مهاجرت سالانه ماهی قزل آلا در طبیعت

چکیده انگلیسی

The purpose of current investigation is to engage two efficient evolvable neuro-evolutionary machines to identify a nonlinear dynamic model for a shape memory alloy (SMA) actuator. SMA materials are kind of smart materials capable of compensating any undergo plastic deformations and return to their memorized shape. This fascinating trait gives them versatility to be applied on different engineering applications such as smart actuators and sensors. As a result, modeling and analyzing of their response is an essential task to researchers. Nevertheless, these materials have intricate behaviors that incorporate the modeling with major dilemma and obstacles. In this research, two novel evolvable machines comprised recurrent neural network (RNN) and two novel hybrid heuristic methods nominally cellular automate and Kohonen map assisted versions of The Great Salmon Run (CTGSR and KTGSR respectively) optimization algorithm are developed to find a robust, representative and reliable recursive identification framework capable of modeling the proposed SMA actuator. To elaborate on the acceptable performance of proposed systems, several experimental tests are carried out. Obtained results reveal the promising potential of the evolvable frameworks for modeling the behavior of SMA as a complex real world engineering system. Furthermore, by executing some comparative tests, the authors indicate that both of their proposed hybrid heuristic algorithms outperform the sole version of TGSR as well as some other well-known evolutionary algorithms.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 13040 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 18 روز بعد از پرداخت 156,480 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 9 روز بعد از پرداخت 312,960 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.