تازه های سایت
پربحث ترین اخبار
پربازدید ترین اخبار
کد خبر: ۳۹۵۵۹
تعداد بازدید: ۵۴
تاریخ انتشار: ۰۶ مرداد ۱۴۰۴ - ۱۳:۵۵

روش پیشرفته محققان شریف برای مدلسازی دینامیکی مانور شناور سطحی

روش پیشرفته محققان شریف برای مدلسازی دینامیکی مانور شناور سطحی
در تازه‌ترین دستاورد علمی محققان دانشگاه صنعتی شریف، روشی مبتنی بر یادگیری عمیق و شبکه عصبی بازگشتی برای مدلسازی دینامیکی مانور شناورهای سطحی ارائه شده است؛ روشی که می‌تواند گامی مؤثر در بهبود دقت کنترل و شبیه‌سازی این شناورها پیش از اجرای عملیات واقعی باشد.

به گزارش مارین‌نیوز از روابط عمومی انجمن مهندسی دریایی ایران، مقاله‌ای با عنوان «مدلسازی دینامیکی مانور شناور سطحی مبتنی بر یادگیری عمیق با استفاده از شبکه عصبی بازگشتی» توسط امیرحسین نجاری (دانشجوی دانشگاه صنعتی شریف) و دکتر محمدسعید سیف (استاد دانشگاه صنعتی شریف) در نشریه علمی - پژوهشی مهندسی دریا (Journal of Marine Engineering) پذیرفته و در شماره آتی این نشریه منتشر خواهد شد.
چکیده مقاله: 
امروزه شناورهای بدون سرنشین سطحی در طیف وسیعی از عملیات‌های دریایی کاربرد دارند. طراحی سیستم کنترل و شبیه سازی مانور این دسته شناورها قبل از اجرای عملیات از اهمیت بالایی برخوردار است از این جهت لازم است تا مدل دینامیکی دقیقی برای هر شناور استخراج گردد. روش های متعددی برای دست یابی به مدل دینامیکی مانور شناور وجود دارد. باتوجه به پیچیدگی ها و اثرات غیرخطی موجود در دینامیک شناور، استخراج مدل آن از معادلات حرکت و هیدرودینامیک نسبتا دشوار است. استفاده از شبکه های عصبی مصنوعی به منظور مدلسازی دینامیک  شناور در سال های اخیر جایگزین مناسبی برای روش های سنتی بوده و در آن نیاز به درک معادلات هیدرودینامیک و بکارگیری آنها برای استخراج مدل دینامیکی کم رنگ تر شده است. در این پژوهش بااستفاده از آموزش یک شبکه عصبی مصنوعی مدل دینامیک میان زاویه سکان و نرخ حرکت سمتی استخراج می‌شود. باتوجه به در دسترس نبودن شرایط برای اجرای تست واقعی از یک مدل کامپیوتری تهیه شده برای شناور در محیط سیمولینک استفاده می‌شود و با استفاده از داده های تست زیگزاگ شبکه آموزش استاتیک و دینامیک داده می‌شود، سپس شبکه آموزش داده شده با ورودی های متفاوت از ورودی آموزش مثل ورودی سینوسی و دندان اره ای ارزیابی می‌شود.
واژه‌های کلیدی: شناسایی سیستم، شبکه عصبی بازگشتی، شبیه سازی و شناسایی همزمان

روش پیشرفته محققان شریف برای مدلسازی دینامیکی مانور شناور سطحی
خلاصه گرافیکی مقاله «مدلسازی دینامیکی مانور شناور سطحی مبتنی بر یادگیری عمیق با استفاده از شبکه عصبی بازگشتی» 

جهت دسترسی به مقاله، روی این لینک کلیک نمایید.

درباره نشریه Journal of Marine Engineering
نشریه علمی - پژوهشی مهندسی دریا از سال ۱۳۸۲ به دو زبان فارسی و انگلیسی و با اعتبار رسمی پژوهشی از کمیسیون نشریات علمی کشور توسط انجمن مهندسی دریایی ایران منتشر می‌شود.
این نشریه دارای شماره استاندارد بین‌المللی (ISSN و eISSN) بوده و در پایگاه‌های معتبر علمی از جمله ISC نمایه شده است. نشریه مهندسی دریا به‌صورت فصلنامه یا دوفصلنامه منتشر می‌شود و بستری تخصصی برای تبادل یافته‌های علمی میان دانشگاه‌ها، محققان، انجمن‌های تخصصی و صنایع فعال در حوزه مهندسی دریا در سطح ملی و بین‌المللی فراهم می‌کند.
محورهای اصلی مقالات این نشریه عبارت‌اند از:
• هیدرودینامیک و طراحی شناورها
• سازه‌های ساحلی و فراساحلی
• سامانه‌های زیرسطحی و رباتیک دریایی
• انرژی‌های تجدیدپذیر دریایی و محیط‌زیست دریا
• تحلیل‌های پیشرفته عملکرد سازه‌ها و سیستم‌های دریایی
برای مشاهده مقالات و ارسال مقاله جدید می‌توانید به www.marine-eng.ir مراجعه فرمایید./

روش پیشرفته محققان شریف برای مدلسازی دینامیکی مانور شناور سطحی

برچسب ها: نشریه علمی-پژوهشی مهندسی دریا ، مهندسی دریا ، مهندسی دریایی ، انجمن مهندسی دریایی ایران ، وزارت علوم، تحقیقات و فناوری ، کمیسیون انجمن های علمی ، کمیسیون نشریات علمی کشور ، نشریه‌های علمی پژوهشی ایران ، نشریه علمی - پژوهشی International Journal of Maritime Technology (IJMT) ، پایگاه استنادی علوم جهان اسلام (ISC) ، دریا ، دریایی ، توسعه دریامحور ، هوشمند سازی ، مسابقات طراحی و ساخت شناورهای هوشمند ، شناور سازی ، ساخت شناور ، شناورهای سطحی بدون سرنشین ، شناورهای سطحی ، کشتی سازی ، دانشگاه صنعت نفت ، دانشگاه صنعتی قم ، دانشگاه صنعتی شریف ، دانشگاه صنعتی اصفهان ، دانشگاه صنعتی شاهرود ، دانشگاه صنعتی امیرکبیر ، دانشگاه صنعتی مالک اشتر ، دانشگاه صنعتی نوشیروانی بابل ، دانشگاه صنعتی خواجه نصیرالدین طوسی ، دانشگاه خلیج فارس ، دانشگاه علم و صنعت ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات ، مدلسازی دینامیکی شناور ، یادگیری عمیق دریایی ، شبکه عصبی بازگشتی (RNN) ، شبیه‌سازی مانور شناور سطحی ، شناور بدون سرنشین ، تست زیگزاگ دریایی ، کنترل هوشمند شناورها ، شناسایی سیستم دریایی ، هوش مصنوعی در مهندسی دریا ، مدل‌سازی داده‌محور در هیدرودینامیک ، Surface Vessel Maneuvering ، Dynamic Modeling ، Deep Learning in Marine Engineering ، Recurrent Neural Networks (RNN) ، Autonomous Surface Vehicles (ASV) ، Zigzag Test Simulation ، Rudder Angle Prediction ، Data-Driven Hydrodynamics ، Intelligent Control Systems ، Simulink-Based Vessel Modeling ، Nonlinear Marine Dynamics ، AI-Based Vessel Behavior Prediction ، System Identification in Naval Architecture ، Maritime Engineering ، Marine Engineering ، Marine Research ، Marine Technology ، Journal of Marine Engineering ، Global Maritime Universities ، World Maritime Universities ، Maritime Science ، Maritime Technology ، MIT Marine Robotics Ocean Systems ، Stanford - Sustainable Maritime Technologies ، University of Cambridge - Naval Architecture Research ، ETH Zurich - Marine Systems Hydrodynamics ، Delft University of Technology - Ship Design Simulation ، University of Southampton - Maritime Safety Engineering ، Norwegian University of Science and Technology (NTNU) - Autonomous Vessels Ocean Technology ، Shanghai Jiao Tong University - Naval Architecture Deep Learning ، Technical University of Denmark - Marine Renewable Energy ، University of Tokyo - Nonlinear Vessel Dynamics ، University of Michigan - Naval Architecture Marine Engineering ، National Technical University of Athens - Offshore Structures Vessel Control ، نیروی دریایی ارتش ، نیروی دریایی سپاه ، مرکز مطالعات راهبردی نیروی دریایی ارتش ، پژوهشکده مطالعات فناوری ریاست جمهوری ، مرکز همکاری‌های تحول و پیشرفت ریاست جمهوری ، صنایع استراتژیک دریایی
ارسال نظر