نمونه ترجمه تخصصی هوش مصنوعی | نانو سیال و نانو ذره | لکچر انگلیسی در مورد هوش مصنوعی

ترجمه اصطلاحات هوش مصنوعی

مختصات به انگلیسی

coordinate

فرایند یادگیری به انگلیسی

training process

تکرار به انگلیسی

iteration

نانو سیال و نانو ذره

در این مطالعه یکی از روش های هوش مصنوعی بنام adaptive network based fuzzy inference system(ANFIS) مورد استفاده قرار گرفت و نتایج خروجی CFD مورد مطالعه قرار گرفت و نتایج خروجی از CFD به عنوان inputs data و output data برای ANFIS method در نظر گرفته شده اند. مختصات در جهت X ، مختصات در جهت Y ، و سرعت سیال در جهت Y به عنوان 3 input ها و و دمای سیال به عنوان output برای استفاده درپروسه های آموزش ANFIS method در نظر گرفته شده اند. برای پروسه training مربوط به ANFIS method در جهت بررسی افزایش هوش fuzzy inference system(FIS) در سه مرحله تعداد inputs از 1 به 3 افزایش و تاثیر این افزایش نورد بررسی قرار گرفت. در پروسه های training و testing این مطالعه ماکزیمم iteration برابر با 900 و P که نشان دهنده درصدی از کل data است که در پروسه training در نظر گرفته شده اند برابر با 60% در نظر گرفته شد. Grashof number(Gr) به عنوان یکی از اعداد بی بعد در fluid dynamic برابر با 71000 در نظر گرفته شد و Ø =0.15 که Ø نشاندهنده درصد nanoparticles سیال است. همچنین برای clustering ، data ها از FCM clustering استفاده شد و تنظیمات مربوط به آن در table1 آمده است. در مرحله اول مختصات در جهت X به عنوان input و دمای سیال به عنوان output در نظر گرفته شد و برای number of clusters=2 پروسه learning متشکل از پروسه های trainingو testing انجام شد. در پروسه training مقدار standard deviation(StD) برابر با 0.21957 وبرای پروسه testing این مقدار 0.22005 بوده است. افزایش مقدار number of clusters به 4،6،8،10،12،14 پروسه های learning بطور مجذا برای هر کدام از مقادیر number of clusters انجام شد. همانطور که در fig 2 مشاهده میشود مقدار StD برای پروسه های training و testing روندی کاهشی را نشان میدهد که بیان کننده افزایش کمی در هوش FIS است.

Nano fluid and nano particle

The ANFIS method was employed and CFD outputs were used as input and output data for ANFIS method. The three inputs were Y and X axes and fluid velocity (Y) and the fluid temperature was used as the output for ANFIS training. To examine FIS progress, the number of inputs increased from one to three for three times in the training process of ANFIS method. In the training and testing processes, the maximum iteration number was equal to 900, and P (percentage of the whole data in the training process) was equal to 60%. Grashof number (Gr), a dimensionless number in fluid dynamic was equal to 71000 and Ø (nanoparticle ratio in the fluid) was equal to 0.15. In addition, data clustering was done using FCM clustering. The setting variables are listed in Table 1. At the first stage, X coordination and fluid temperature were adopted as input and output respectively. For the number of clusters of two, the learning process consisted of training and testing processes. Standard deviation (StD) in the training and testing processes was equal to 0.21957 and 0.22005 respectively. The learning processes were implemented separately for other number of clusters (4, 6, 8, 10, 12, and 14). As illustrated in Fig.2, the value of StD for training and testing processes follows a descending process, which indicates a quantitative increase in FIS intelligence.

نظرات و سوالات:

نظرات و پرسشهای قبلی