4 مقاله بیس پیشنهادی در خصوص شبکه فازی عصبیanfis

Groundwater level fluctuations simulation and prediction by ANFIS- and hybrid Wavelet-ANFIS/Fuzzy C-Means (FCM) clustering models: Application to the Miandarband plain

The Miandarband plain is one of the most fertile plains of the Kermanshah province, Iran. The major water supply for agriculture is groundwater. In this regard, simulation and prediction of groundwater level (GL) fluctuations plays an important role for effective water resources management. GL-changes are complex to model, as they depend on many nonlinear and uncertain factors, thus selecting suitable numerical or stochastic models that could simulate the nonlinearity and complex patterns is of great importance. Wavelet transform (WT) integrating with artificial intelligence methods like ANFIS are one family of models that have proven to be very useful to that regard. In this study, after data completion using a novel multiple linear regression approach, the ANFIS model using the Fuzzy Clustering Model (FCM) has been applied. From a cluster sensitivity analysis two clusters have been determined. As the GL-time series are non-stationary for which artificial intelligence methods sometimes have problems to adapt the weights, the additional use of WT in ANFIS is able to enhance the model results. This new hybrid Wavelet-ANFIS model has been used with several combinations of inputs and mother wavelets to simulate and predict GL-fluctuations in the Miandarband plain, Iran. The results show that all model approaches can be used with acceptable accuracy, wherefore the hybrid Wavelet-ANFIS model with the Symlet mother wavelet performs better than other model variants with values for R 2 and RMSE of 0.996 and 0.1, respectively, in the training phase and 0.984 and 0.17 in the testing phase.

نوسانات سطح آب زیرزمینی و پیش‌بینی توسط مدل‌های خوشه‌بندی ANFIS - and و hybrid - ANFIS / Fuzzy ( FCM )

جلگه Miandarband یکی از fertile دشت‌های استان کرمانشاه ایران است. تامین آب اصلی برای کشاورزی آب‌های زیرزمینی است. در این راستا ، شبیه‌سازی و پیش‌بینی سطح آب‌های زیرزمینی ( GL ) ، نقش مهمی برای مدیریت منابع آب موثر ایفا می‌کند. GL - تغییرات برای مدل کردن پیچیده هستند ، زیرا آن‌ها به عوامل غیر خطی و غیر خطی وابسته هستند، بنابراین انتخاب مدل‌های عددی یا تصادفی مناسب که می‌تواند الگوهای غیر خطی و پیچیده را شبیه‌سازی کند ، اهمیت زیادی دارد. تبدیل موجک ( WT ) با روش‌های هوش مصنوعی مانند ANFIS ، یکی از خانواده‌هایی است که برای این رابطه بسیار مفید هستند. در این مطالعه ، پس از تکمیل داده‌ها با استفاده از یک رویکرد رگرسیون چندگانه چندگانه ، مدل ANFIS با استفاده از مدل خوشه‌بندی فازی ( FCM ) اعمال شده‌است. از تحلیل حساسیت خوشه‌ای دو خوشه تعیین شده‌اند. همانطور که سری‌های GL - زمانی برای آن که روش‌های هوش مصنوعی گاهی مشکلاتی برای انطباق وزن دارند ، استفاده اضافی از WT در ANFIS قادر به افزایش نتایج مدل است. این مدل جدید Wavelet - ANFIS با چندین ترکیب از ورودی‌ها و wavelets مادر برای شبیه‌سازی و پیش‌بینی fluctuations در دشت Miandarband ، ایران استفاده شده‌است. نتایج نشان می‌دهد که تمام رویکردهای مدل را می توان با دقت قابل‌قبول مورد استفاده قرار داد ، که در نتیجه مدل موجک - ANFIS ترکیبی با مادر Symlet wavelet بهتر از سایر مدل‌های مدل با مقادیر R۲و RMSE و ۰.۱ در مرحله آموزشی و ۰.۹۸۴ و ۰.۱۷ در مرحله آموزشی عمل می‌کند.

H2-selective mixed matrix membranes modeling using ANFIS, PSO-ANFIS, GA-ANFIS

The novel contribution of the current study is to employ adaptive neuro-fuzzy inference system (ANFIS) for evaluation of H 2 -selective mixed matrix membranes (MMMs) performance in various operational conditions. Initially, MMMs were prepared by incorporating zeolite 4A nanoparticles into polydimethylsiloxane (PDMS) and applied in gas permeation measurement. The gas permeability of CH 4 , CO 2 , C 3 H 8 and H 2 was used for ANFIS modeling. In this manner, the H 2 /gas selectivity as the output of the model was modeled to the variations of feed pressure, nanofiller contents and the kind of gas, which were defined as input (design) variables. The proposed method is based on the improvement of ANFIS with genetic algorithm (GA) and particle swarm optimization (PSO). The PSO and GA were applied to improve the ANFIS performance. To determine the efficiency of PSO-ANFIS, GA-ANFIS and ANFIS models, a statistical analysis was performed. The results revealed that the PSO-ANFIS model yields better prediction in comparison to two other methods so that root mean square error (RMSE) and coefficient of determination ( R 2 ) were obtained as 0.0135 and 0.9938, respectively. The RMSE and R 2 values for GA-ANFIS were 0.0320 and 0.9653, respectively, and for ANFIS model were 0.0256 and 0.9787, respectively.

H۲ - مدل سازی ماتریسی ترکیب شده با استفاده از ANFIS، PSO - ANFIS، GA - ANFIS - ANFIS

مشارکت جدید مطالعه فعلی، بکارگیری سیستم استنباطی neuro - فازی adaptive ( ANFIS ) برای ارزیابی H۲ماتریس ترکیبی مختلط ( MMMs ) در شرایط عملیاتی مختلف است. در ابتدا، MMMs با ترکیب zeolite ۴ A در polydimethylsiloxane ( PDMS ) و در اندازه‌گیری اندازه‌گیری گاز، آماده شدند. نفوذپذیری گاز CH۴، CO۲، C۳H۸و H۲برای مدل سازی ANFIS استفاده شد. در این روش گزینش پذیری H / گاز به عنوان خروجی مدل مدل سازی شده است تا به انواع فشار تغذیه، محتویات nanofiller و نوع گاز که به عنوان متغیرهای ورودی تعریف شده بود، مدل سازی شود. روش پیشنهادی مبتنی بر بهبود ANFIS با الگوریتم ژنتیک ( GA ) و بهینه سازی swarm ذره می‌باشد. PSO و GA برای بهبود عمل‌کرد ANFIS بکار رفتند. برای تعیین کارایی PSO - ANFIS، GA - ANFIS و ANFIS، یک تحلیل آماری انجام شد. نتایج نشان داد که مدل PSO - ANFIS در مقایسه با دو روش دیگر، پیش‌بینی بهتری را در مقایسه با دو روش دیگر ارایه می‌دهد. مقادیر RMSE و R۲برای GA - ANFIS به ترتیب ۰.۰۳۲۰ و ۰.۹۶۵۳ بودند و برای مدل ANFIS به ترتیب ۰.۰۲۵۶ و ۰.۹۷۸۷ بودند

ANFIS modeling of rhamnolipid breakthrough curves on activated carbon

Owning to interesting properties of biosurfactants such as biodegradability and lower toxicity, they have broad application in the food industry, healthy products, and bioremediation as well as for oil recovery. The present study was aimed to develop a GA-ANFIS model for predicting the breakthrough curves for rhamnolipid adsorption over activated carbon. To that end, a set of 296 adsorption data points were utilized to train the proposed FIS structure. Different graphical and statistical methods were also used to evaluate the model’s accuracy and reliability. Results were then compared to those of the previously reported Artificial Neural Network (ANN) and Group Method Data Handling (GMDH) models. Absolute average deviation percentage (%AAD) for the proposed model was 1.71% which demonstrates lower value compared to those of ANN and GMDH models. The present ANFIS model can be of immense value for investigating breakthrough curve of rhamnolipid and also it can help chemist who dealing with biosurfactants.

مدلسازی ANFIS منحنی های پیشرفت breakthrough در کربن فعال

داشتن ویژگی‌های جالب biosurfactants مانند biodegradability و سمیت کمتر، کاربرد وسیعی در صنعت غذایی، محصولات سالم، و همچنین برای بازیابی نفت دارد. هدف تحقیق حاضر توسعه یک مدل GA - ANFIS برای پیش‌بینی منحنی های پیشرفت برای جذب rhamnolipid در کربن فعال شده بود. برای این کار، مجموعه‌ای از داده‌های جذب ۲۹۶ برای آموزش ساختار FIS proposed مورد استفاده قرار گرفتند. روش‌های گرافیکی و آماری مختلف نیز برای ارزیابی دقت و قابلیت اطمینان مدل مورد استفاده قرار گرفتند. سپس نتایج در مقایسه با داده‌های شبکه عصبی که قبلا گزارش شده بود ( ANN ) و روش گروه جابجایی مدل‌ها ( GMDH ) مقایسه شدند. درصد انحراف مطلق مطلق ( % AAD ) برای مدل پیشنهادی ۱.۷۱ % بود که نشان دهنده ارزش کمتر در مقایسه با مدلهای ANN و GMDH است. مدل ANFIS فعلی می‌تواند ارزش زیادی برای تحقیق در مورد منحنی پیشرفت rhamnolipid داشته باشد و همچنین می‌تواند به chemist که با biosurfactants سروکار دارد کمک کند.

Prediction of compressive strength of self-compacting concrete by ANFIS models

Many studies predict the compressive strength of conventional concrete from hardened characteristics; however, in the case of self-compacting concrete, these investigations are very rare. There is no study to predict the compressive strength of self-compacting concrete from mixture proportions and slump flow. This paper designs ANFIS models to establish relationship between the compressive strength as output, and slump flow and mixture proportions as input in eighteen combinations of input parameters. The applied dada is taken from 55 previously conducted experimental studies. Effect of each parameter on the compressive strength and its importance level in the developed model has been investigated. Based on the error size in each combination analysis, weighting factor and importance level of each parameter is evaluated to apply the correction factors to get the most optimized relationship. Obtained results indicate that the model including all input data (slump flow and mixture proportions) gives the best prediction of the compressive strength. Excluding the slump flow from combinations affects the prediction of compressive strength, considerably. However its not as much as the effect of the maximum aggregate size and aggregate volume in the mixture design. In addition, different values of powder volume, aggregate volume and paste content in the mixture reveal different ascending and descending effects on the compressive strength.

پیش‌بینی قدرت تراکم بتون خودمتراکم توسط مدل‌های ANFIS

بسیاری از مطالعات ، قدرت تراکم بتون معمولی را از ویژگی‌های سخت شده پیش‌بینی می‌کنند ؛ با این حال ، در مورد بتون خودمتراکم ، این تحقیقات بسیار نادر هستند. هیچ مطالعه‌ای برای پیش‌بینی قدرت تراکم بتون خودمتراکم از نسبت‌های مخلوط و جریان شست وجود ندارد. این مقاله مدل‌های ANFIS را برای ایجاد رابطه بین قدرت تراکم به عنوان خروجی و جریان افت و نسبت‌های ترکیبی به عنوان ورودی در ۱۸ ترکیب پارامترهای ورودی طراحی می‌کند. dada اعمال شده از ۵۵ مورد قبل انجام شده‌است. تاثیر هر پارامتر بر قدرت تراکم و سطح اهمیت آن در مدل توسعه‌یافته مورد بررسی قرار گرفته‌است. براساس اندازه خطا در هر آنالیز ترکیبی ، ضریب وزنی و سطح اهمیت هر پارامتر برای اعمال تصحیح عوامل برای بدست آوردن بیش‌ترین رابطه بهینه ارزیابی می‌شود. نتایج بدست‌آمده نشان می‌دهد که مدل شامل تمام داده‌های ورودی ( جریان slump و نسبت‌های ترکیبی ) بهترین پیش‌بینی قدرت تراکم را می‌دهد. مستثنی کردن جریان شست از ترکیبات بر پیش‌بینی قدرت فشاری به طور قابل‌توجهی تاثیر می‌گذارد. با این حال به اندازه اثر حداکثر حجم و حجم کلی در طراحی مخلوط نیست. علاوه بر این ، مقادیر مختلف حجم پودر ، حجم کلی و محتوای خمیر در مخلوط نشان می‌دهد که اثرات صعودی و نزولی بر روی قدرت تراکم دارد.