مهدی کرباسیان

مهدی کرباسیان

مدرک تحصیلی: دانشیار، گروه مهندسی صنایع، دانشگاه صنعتی مالک اشتر، اصفهان، ایران.

مطالب
ترتیب بر اساس: جدیدترینپربازدیدترین

فیلترهای جستجو: فیلتری انتخاب نشده است.
نمایش ۴۱ تا ۴۳ مورد از کل ۴۳ مورد.
۴۱.

مدل سازی سیاست های کلی اشتغال با بکارگیری ابزارهای هوش مصنوعی با استفاده از رویکرد پویایی شناسی سیستم(مقاله علمی وزارت علوم)

حوزه‌های تخصصی:
تعداد بازدید : ۵۱ تعداد دانلود : ۸۱
بررسی ساست های اشتغال در تمامی جوامع و کشورها یکی از چالش های اساسی برای مدیریت و کشورداری می باشد. در تمامی دولتهای جمهوری اسلامی سیاست های اشتغال یکی از برنامه های اصلی و یکی از خواسته ها و نیازهای جدی مردم بوده است. بررسی تحولات بازار نیروی کار در سطح استانهای کشور نشان می دهد که استان سیستان و بلوچستان دارای بیشترین افزایش نرخ بیکاری در سالهای اخیر بوده است. هوش مصنوعی، ابزارها و تکنیک های آن از قبیل داده کاوی و یادگیری ماشین در عصر حاضر توانسته است در بسیاری از مسائل بشر راهگشا باشد، مسأله اشتغال نیز از این امر مستثنی نیست. از هوش مصنوعی برای جنبه های مختلف اشتغال از جمله پیش بینی میزان تقاضای کار، نرخ بیکاری، تعداد شغل های خالی، میانگین درآمد و سایر الزامات ایجاد و توسعه اشتغال در استان سیستان و بلوچستان استفاده شد. در ادامه مطالعه با بهرگیری از یادگیری ماشین با رویکرد پویایی شناسی سیستم ها در نرم افزار و نسیم برای 10 سال آینده استان شبیه سازی شد. ابزار پژوهش نرم افزار Vensim است و داده ها با روش های آماری توصیفی و استنباطی تحلیل شده اند. یافته ها نشان می دهند که نرخ بیکاری می تواند تا 15% در ده سال آینده برسد.
۴۲.

رویکردی نوین در کنترل کیفیت فرآیندهای تولیدی چند متغیره مبتنی بر تحلیل مؤلفه های اصلی(مقاله علمی وزارت علوم)

حوزه‌های تخصصی:
تعداد بازدید : ۵۳ تعداد دانلود : ۵۲
در بسیاری از مسائل علمی و صنعتی، داده های چندمتغیره نقش اساسی در توصیف و تحلیل پدیده ها دارند. با توجه به همبستگی میان این متغیرها، روش های آماری سنتی، که بر تحلیل تک متغیره تکیه دارند یا فرض استقلال میان متغیرها را در نظر می گیرند، دقت و کارایی مطلوبی ندارند. در چنین شرایطی، استفاده از تکنیک های پیشرفته مبتنی بر محاسبات ماتریسی ضرایب همبستگی میان متغیرها، امری ضروری است. در صنعت فولاد، نظارت بر کیفیت فرآیندهای تولیدی، اهمیت بالایی دارد و یکی از چالش های اساسی در این حوزه، شناسایی سریع و دقیق نوسانات فرآیند با استفاده از روش های آماری پیشرفته است. در این پژوهش، یک مدل تصمیم گیری مبتنی بر تحلیل مؤلفه های اصلی (PCA) و نمودارهای کنترلی چندمتغیره T²، MCUSUM  و MEWMA ارائه شده است که امکان انتخاب بهینه ترین نمودار کنترلی را متناسب با ویژگی های آماری داده های تولیدی، فراهم می آورد. اجرای الگوی پیشنهادی در صنعت فولاد مبارکه، نشان داده است که این رویکرد باعث افزایش 20درصدی دقت و 35درصدی سرعت شناسایی تغییرات فرآیندی نسبت به روش های سنتی شده است. این بهبودها در نهایت به افزایش 15درصدی کیفیت محصولات نهایی منجر شده است. همچنین مقایسه عملکرد مدل با روش های سنتی، نشان می دهد که نمودارهای کنترلی چندمتغیره مانند T² هتلینگ، در 92درصد موارد تغییرات ناگهانی و غیرمنتظره را به طور صحیح شناسایی کرده اند؛ در حالی که این عدد در روش های تک متغیره، حدود 68درصد بوده است.
۴۳.

مدل سازی جایگزین مبتنی بر یادگیری عمیق برای مسیر یک وسیله پرتابی(مقاله علمی وزارت علوم)

حوزه‌های تخصصی:
تعداد بازدید : ۴۴ تعداد دانلود : ۵۴
در سالهای اخیر، تحلیل و طراحی سیستم ها با استفاده از شبیه سازی مبتنی بر کامپیوتر به طور گسترده برای پیش بینی عملکرد سیستم ها مورد توجه پژوهشگران قرار گرفته است. چنین تحلیل های مهندسی بر اجرای کدهای کامپیوتری گران قیمت و پیچیده متکی است. روش های تقریبی به طور گسترده ای برای کاهش بار محاسباتی تحلیل مهندسی مورد استفاده قرار گرفته و توسعه تکنیک های مدل سازی امکان ارزیابی سریع، ارزان و دقیق سیستم های مهندسی را فراهم می کند. برای تسهیل تحلیل هایی مانند بهینه سازی طراحی، تجزیه و تحلیل قابلیت اطمینان و غیره، نیاز به یک مدل ساده شده وجود دارد که بتواند نمایشی کارآمد از مدل دقیق و پرهزینه محصول ارائه دهد. به این مدل های ساده شده پیش بین، مدل های جایگزین(شبه مدل) نیز می گویند. این مقاله به بررسی توانایی مدل های یادگیری عمیق به عنوان یک روش جایگزین در مدلسازی مسیر پروازی یک وسیله پرتاب می پردازد. این رویکرد با استفاده از داده های تجربی برای آموزش شبکه های عصبی و مقایسه دقت آن با روش سطح پاسخ (RSM) انجام می شود. نتایج نشان می دهند که استفاده از یادگیری عمیق بر دقت پیش بینی ها تاثیر مثبت داشته و توانایی تخمین عملکرد در شرایط مختلف را فراهم می آورد. بنابراین در نقطه مورد مقایسه برای جرم کل وسیله پرتاب، مقدار کد شبیه سازی با روش یادگیری عمیق یکی بوده و مقدار آن 108500 کیلوگرم شد و با تکنیک RSM مقدار جرم کل برابر 108556.6 کیلوگرم شد که نسبت به روش یادگیری عمیق دقت مدل کمتر می باشد.

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان