تحلیل عددی

بسیاری از تحلیلهای مهندسی ترافیک با استفاده از ابزار شبیه سازی خرد جریان ترافیک صورت می پذیرد. مدلهای تعقیب خودرو از مهم ترین زیر مدلهای شبیه سازی خرد جریان ترافیک است که به کنترل رفتار رانندگی در ارتباط با خودروی جلویی واقع در خط عبور مشابه می پردازد. تعدد مدلهای تعقیب خودرو آن چنان زیاد است که ضرورت شناخت هر مدل را، قبل از انتخاب آن، ایجاب می کند. در این تحقیق، مدل معروف تعقیب خودروی جنرال موتورز (GM)، مد نظر قرار می گیرد و خصوصیات حالت ساده شده ای از این مدل، که زمان عکس العمل برای همه راننده ها صفر است (مدل رانندگی پاسخ سریع)، بررسی می شود. برای این منظور چندین سناریوی ساختگی برای فرآیند تعقیب خودروی معمول، تعریف و با شبیه سازی مدل رانندگی پاسخ سریع ویژگیهای این مدل ارزیابی می شود. همچنین، رویکرد استفاده از مبانی معادلات دیفرانسیل برای پیش بینی و تخمین رفتار خودروی تعقیب کننده با توجه به فرض معلوم بودن رفتار حرکتی خودروی جلویی پیشنهاد می شود. به علاوه، برای شناخت بیشتر خصوصیات مدل، از داده های سری زمانی فرآیند تعقیب خودروی واقعی استفاده شده و مدل رانندگی پاسخ سریع با این داده ها پرداخت می شود. نتایج ارزیابی مدل با داده های واقعی نشان می دهد که مدل تعقیب خودروی پاسخ سریع رفتار دنیای واقعی را به طور قابل قبول (RMSPE=1.7 %) مدل سازی می کند. همچنین، نتایج نشان می دهند مبانی معادلات دیفرانسیل ابزار قدرتمندی برای تحلیل مدل رانندگی پاسخ سریع است و استفاده از این رویکرد به شناخت بیشتر خصوصیات مدل و کاهش هزینه های محاسباتی منجر خواهد شد.

هدف از این پژوهش شبیه سازی یک گردآورنده تخت خورشیدی و بررسی عملکرد آن از نظر تغییرات دمای ایجاد شده در سیال عامل گردآورنده تخت خورشیدی در کوتاه ترین و طولانی ترین روز سال در موقعیت جغرافیایی شهر تهران می باشد.این شبیه سازی به صورت عددی و به طور کامل انجام شده است. در این پژوهش از ابعاد هندسی و شرایط اولیه و مرزی حقیقی برای حالات بدون پمپ و با پمپ استفاده گردیده است. مقادیر و تغیرات ضریب جابجایی حرارتی، مقدار نوسلت و تنش در طول رایزر مورد بررسی قرار می گیرد. در آخر نتیجه می شود که در طول کوتاه ترین روز سال گردآورنده به طور رضایت بخشی توانایی تبدیل انرژی خورشیدی به گرمایی را دارد.

Purpose: Sometimes the performance of a process is better analyzed by panel data rather than measurements on only a time series. When a change manifests itself in the cross-section(s) of panel data, detection of the real-time change corresponding to the panel data leads practitioners to identify the responsible factor(s) that affected the distribution of the panel. This invaluable time analysis is referred to as the change point. This paper proposes a new effective method to identify the change point of the panel data case.Design/methodology/approach: Considering cross-sectional time series, the identification of the change point of panel data has been evaluated. Two real cases have been studied to analyze the performance of the proposed method.Findings: The comparative numerical performance analysis of different simulated cases indicates that the proposed method is more effective compared to the methods proposed in the literature.Practical implications: The investigation of two real case studies in this paper addresses that the proposed method allows practitioners to use the proposed applied approach for analyzing different real panel cases.