利用人工神经网络负荷预测流体晃动造成的坦克

文摘

在这个研究中,神经网络模型被用来预测晃动现象的行动包含谐波激励下流体在一辆坦克。新方法提出了分析测试和模拟流体流动行为。晃动的行为首先是建模使用光滑粒子流体动力学(SPH)方法。误差的反向传播算法被用来应用两个多层前馈神经网络和递归神经网络。SPH过程的结果用于神经网络的训练和测试。输入神经网络数据包括水箱位置,速度,加速度,神经输出数据,液体晃动波曲线的位置。神经网络的研究结果与文献提供的实验证据。研究结果显示,神经网络可以用于预测流体晃动。

1。介绍

液体晃动有各种各样的用途领域的工程,例如,建设汽车的油箱,容器在路上携带液体、船舶、航天船。因此,研究部分填充容器内液体晃动活动是重要的1,2]。晃动液体的运动在一个部分填充容器由于外部荷载。液体可能会经历剧烈振荡在如此关键的情况下,如大容器运动或共振,激发频率的类似于液体的正常频率晃动机制。因此,容器系统受到实质性的结构负载由于诱导高影响效应[3]。很长一段时间,充满液体的储罐系统已经激起了研究者的关注,因为特殊的属性,因此从流体的接触系统。之间的流动是由混合流体和结构,这可能是一个严重的问题对于车辆的稳定性和控制(4]。晃动的共振状态将在水箱框架创建高结构加载的频率自坦克运动类似于液体的正常频率。这种共振效应可能与复杂的运动充满了液体,它可以与结构运动,两罐结构及其稳定性构成威胁(5- - - - - -7]。

自由表面的行为动作槽内的液体是由激励的形式,固有频率的频率比、振幅。激励可以有多种类型,包括冲动,正弦和随机的。坦克将影响、旋转、俯仰/偏航,或这些方法的组合动作。在温和的晃动,产生的自由表面轮廓可能是各种波的混合模式,比如水跃和波旅行,或站和碎波在极端的晃动6- - - - - -10]。过去的几十年中,研究人员一直在预测液体的自由表面运动很感兴趣,和一些实验液体晃动。力学模型的现象是在一开始,使用谐波运动方程的条款被修改(10,11]。有一些类似的文章在文献中对减少晃动,晃动和几个研究人员发表研究使用不同的方法(11- - - - - -13]。晃动一直在模拟几个以前的研究使用一个通用的计算方法基于一个钟摆或弹簧-质量模型(12]。然而,由于晃动中使用大量的假设和简化建模阶段,这种方法有一些缺点和弱点在实现。

数值模拟,除了上面的方法,给出了常用的技术调查液体晃动问题。为研究极其非线性晃动问题,数值技术提供了另一种工具。许多报道(14,15)包括详细的数值分析技术对液体晃动问题。基于网格的方法,如有限差分法(FDM) [16,17),有限元法(FEM) (18,19,边界元法(BEM) [20.- - - - - -23),主要用于计算实验在过去的十年。传统的基于网格的方法有几个问题与液体运动不连续或碎波。尽管一些自由表面监测策略,如volume-of-fluid(受到)[24,25和水平集26),采取了解决这些缺点,增加传统的基于网格系统的效率,他们仍然无法适应大型流体变形,需要网格调整或重新规划解决液体晃动(27]。使用拉格朗日公式来描述流体和结构运动收到了很多感兴趣的另一个类的数值模拟方法。这是由于部分方法的易于执行和部分方法的独立于网格数据。在现实中,无网格是指缺乏内在的这些方法依赖一定的网格拓扑结构。使用拉格朗日技术在固体和液体的部分问题的优点是允许一个遵循的运动流固界面和模型流体的自由表面没有任何特别的照顾。

SPH方法是一种无网格方法,陈和nokia (16和陈、吴等人。17,18)在1977年首次引入。这项技术是基于一个完全拉格朗日方法和被应用到各种各样的问题,包括天体物理学(28- - - - - -31日),流体力学(31日,32],固体力学[33),和固耦合28]。无网,最近被引入和粒子方法替代基于网格和粒子的方法研究非线性自由面流动(28- - - - - -30.,34,35]。是SPH是一种无网格方法,最初是为了解决可压缩流被修改之前应用不可压缩状态(30.]。本研究旨在改善SPH方法的能力正确模拟晃动流和计算出更精确的时域冲击压力,利用集成和简化的边界状态的治疗。的理论方法是最务实的方式学习物理学晃动。在这段时间里,都被认为是实验和理论方法。小规模的研究大多采用在制造业领域由于复杂和随机晃动问题的存在33]。

尽管进行了实验室检测,应该研究的因素仍在商榷。晃动加载在一个给定的测试环境下很难估计由于不规则性和非参数复杂性。一些研究已经进行了36,37),但没有明确的估计。因此,非线性智能方法必须使用模型这一行动。一个好的方法是一个人工神经网络的非线性建模过程。安et al。38进行了大量的实验。人工神经网络是条件数据库模拟晃荡载荷的大小。神经网络非线性数学数据处理或决策工具更现实的条件。他们可以使用复杂的输入-输出关系模型或识别模式的结果。

考虑到人工神经网络有两个基本特征的学习或映射基于实验数据的表示(能力和泛化能力)和并行结构的能力,他们是最重要的一个人工智能的方法,启发人类的大脑,而进行的训练过程,数据信息存储在网络权重。

因为他们的力量、灵活性和易用性,神经网络是优越的工具在许多应用程序中通过数据分析预测过程。在这种情况下,过程非线性行为和困难的数学方程,最好的方法之一是一个人工神经网络。

神经网络的优点是直接从数据中学习而不需要估计的统计特征。神经网络能够找到一组输入和输出之间的关系来预测每个输出对应于所需的输入,而不考虑任何初始假设和先验知识的学习参数之间的关系。

考虑到大部分的研究已经完成在流体流动行为的研究坦克使用数值方法和等效力学模型(摆模型和弹簧质点模型),因此,在这项研究中,使用神经网络是一种合适的技术预测和流体流动行为建模。

本研究的成果之一是确定和调查的行为液体晃动在水库使用神经网络工具来预测储层的晃动。在其他建模方法,由于非线性行为的晃动现象,导致行为改变通过改变初始条件或仿真时间,使用神经网络工具可以是合理的。实际上,在这项研究中所做的工作行为建模是基于输入和输出的结果基于SPH方法的数据晃动现象。

结果表明神经网络方法用于模型的液体晃动的行动一个矩形槽谐波激励下在这个研究。实验结果的获得38)和数值SPH系统研究关于晃动影响的现象在坦克进行了讨论,然后,提出槽液体晃动的预测方法。本文有四个步骤。晃动效应在第一阶段使用SPH数值模拟方程。收集到的SPH研究结果与实验结果相比。多层前馈神经网络(MLFF)生成第二水平。Elman神经网络是建立在第三层次。神经网络输入波曲线方向,速度,加速度,输出波曲线的位置。神经网络的计算结果与实际数据在最后一步,他们在良好的协议。

2。模型描述

在大气压力和室温,晃动测试是在一个矩形槽进行部分充满水。本文的案例研究是基于以前的研究在横向周期谐波激励下晃动的影响。箱的尺寸 和对应槽的长度、高度和宽度,分别(见图1)。

实验工作的基础上Rafiee et al。31日],在一辆坦克的液体晃动的原理图是采用低填充深度比 正弦运动激励, 。介绍了运动高振幅 )的共振频率 。图1显示的精确尺寸的矩形槽模型。

3所示。数值分析

3.1。SPH理论

SPH方法用于本文的晃动效应进行了数值模拟。下面的方法是提供一个简短的概述,以及几个关键的实现问题。更详细的总结,针对读者(38]。插值原理支撑SPH系统。使用一个内核函数,任何函数可能代表的一系列无序点值描述粒子的位置。内核函数是一个加权函数,确定一个共同领域的输入向量, ,在特定的点在空间, 。 的内核估计被指定为(24,28]。 在哪里表示矢量的位置,表示的解空间,表示内核的有效距离。在amparticle粒子近似的函数, ,由离散化近似方程可以写成如下(1)。

求和,所有粒子在核函数的紧凑支持区域必须被考虑。权函数或内核 ,质量和密度和 ,分别。以下提出的核函数Faltinsen和Timokha23)是一个内核函数用于这项工作: 在哪里是 在2 d和 和两个点之间的距离吗和 。

3.2。控制方程的离散化SPH配方

模拟流体运动,SPH形式主义扩展到navier - stokes方程。这里简要描述过这种方法。控制方程的连续性和n - s方程。 在哪里表示粒子速度矢量,是时间,是流体密度,的压力,重力加速度是矢量,表示层流运动粘度。实际应用状态方程时,时间阶段将非常有限的由于有限的液体的压缩性。结果,在实际测量时,液体通常被视为弱可压缩,压力场是通过求解方程中提取 。此外,压力场的熵效应可以忽略时,流体压力小于1的GPa。流体的密度是完全决定于它的压力。质量守恒方程、能量守恒方程和动量守恒方程构成了SPH方程。当流场的压力很低,液体被认为是正压,和能源没有对压力场的影响。因此,能量方程仍然没有解决。密度方程和动量方程描述如下使用SPH方法的内核近似和粒子近似: 在哪里 , , , , , ,和代表压力、质量、密度、声速、速度、坐标,重力加速度,分别 。对于压力,系统关闭用硬状态方程。 在哪里表示流体的名义密度(1000公斤/米³),是一个常量设置为7,表示中使用的数字声音速度测量。SPH的声音速度通常是将预测最大速度的10倍液( )。因为密度随马赫数的变化,它可能是大约1%的液体的名义密度。数值的声音速度因此保持足够低,允许适当时间的措施。

4所示。SPH模拟的结果

一个Fortran代码基于SPH方法的模拟。一个模拟模型如图2。

这些发现可以根据检查压力从SPH收集的过程和实验结果,见图2和3。SPH过程的仿真的需要,另一方面,源自于这样一个事实:它将在接下来的部分用于神经网络训练,数据越多,越接近晃动行为预测使用合格的神经网络将是实际性能。

4.1。数据预处理

预处理数据是一个重要的数据挖掘过程的一部分。超出范围的值,可能数据组合,不完整的价值观,从数据收集方法和其他可能出现的问题,并不严格监管。分析数据,还没有彻底筛查等问题将导致错误的结论。因此,在运行一个分析之前,表示和一致性的数据必须先来(1]。数据预处理通常是一个机器学习项目的最关键阶段(2]。清洗、过滤实例,规范化、转换函数提取和选择,等等都是数据预处理的例子。最后的训练集是数据预处理的产物。数据预处理可能影响最终的数据处理的结果如何看待(3]。当发现的意义是一个临界点,这个元素应该仔细考虑。仿真采用SPH过程,如前所述。因此,各种粒子被用来创建坦克模型和流体。每个粒子都有许多特征在每个时间阶段的仿真过程。粒子的位置、速度、压力、质量和密度是这些特征之一。因此,有很多的数据仿真。由于短时间内措施,仿真时间小于10秒,但数据收集是很高的。图4显示一幅虚拟模型的流体,例如。可以观察到,大量粒子的流体体积。因此,模拟的输出(参见图有很大的数字4)。

下一步是准备用于神经网络的数据。然而,在我们这个阶段之前,我们必须首先降低结果的大小。这是通过使用MATLAB应用程序来实现的。模型设计的SPH系统由大量粒子在两个垂直和水平方向。我们正在寻找生产波形槽,可以用来计算晃动效应,压力值,生成的力量。结果,获得流体表面的位置,或者,换句话说,生成波的位置,有必要计算流体在任何给定的时间。因此,液体表面的粒子的位置是至关重要的在确定的最终形式的流体。这是如图5和6。

根据图5,粒子去除的目的是减少计算成本。因此,利用波的曲线坐标,我们可以计算晃动的结果在相同条件下。

4.2。人工神经网络

人工神经网络被用于各种各样的应用,包括控制、制造、和优化(39]。当涉及到神经网络,有几个可以使用不同类型的网络。各种网络参数,如神经元的类型出现在每一层和网络层的机制是相互关联的,可以由网络类型。以下两种形式正在考虑用于本研究:(1)两个或两个三层的神经元MLFF神经网络。得名于前馈网络,每一层的输出只是送入下一层。每一层都可能有不同的大小和传输特性(2)Elman网络是一种周期性的网络,从第一层的输出反馈到第一层的输入和由两层前馈。秘密层的神经元tangential-Sigmoidal转移机制,而输出层的神经元有一个线性传递函数(40]

4.3。数据收集

数据的收集是一个重要的步骤创建的神经网络模型。这一分析的数据来自于一个复杂的SPH模拟模型。在整个模拟、数据采样每0.01秒,产生1000数据集。时间,坦克位移、速度和加速度模型的输入参数。模型的输出波形位置参数。

本研究的主要技术是使用液体晃动波剖面曲线储层如图中的数据5。SPH方法的结果是基于粒子建模,所以大量的流体信息生成的建模,并使用它,它的一个很大一部分必须过滤。因此,编程代码已经编写的MATLAB软件,从SPH方法的仿真数据中提取有用的信息并将其传输中使用的神经网络。

下一步是定义输入和输出数据的神经网络。如前所述,网络的输入数据等于位移,速度,加速度应用于流体和输出数据等于概要文件的位置的液体晃动波剖面。例如,一个视图过滤后的液体晃动波曲线如图6。因此,本研究中最重要的部分是仿真数据的提取和选择适当的数据用于神经网络。

4.4。数据归一化

因为每个输入样本有不同的物理定义和比例,每个输入样本的输入样本必须规范化有同等重要的位置,避免重量误差调整到平坦的区域。安的规范化的输入生成使用正则化函数如下: 在哪里和的最大和最小值吗 ,分别为,是归一化值;

4.5。测定神经元在安和层数

本文使用一个两层的前馈网络配置的神经网络预测模型,包括一个隐藏层和输出层。隐藏的神经元的数量影响着网络。隐层神经元的数目成正比网络模型的预测能力。

MLFF网络如图7。在这项研究中使用的神经网络多层感知器。这个网络是基于反向传播算法用于训练数据。这个算法是一个深度学习人工神经网络的方法不止一个隐藏层,用于计算重量梯度更准确。这种方法通常是通过优化神经元的学习算法和稳定重量计算成本函数的梯度下降法。

对于MLFF网络,输入数据包括 , ,和 ,输出数据包括 , 表示输入层和隐层之间的连接权重,W_我2表示隐藏层和输出层之间的连接权重,和乙状结肠函数作为激活函数具有以下形式: 是谁的微分形式

因此,评估网络的输出给出了根据 在哪里 , ,和是激活阈值。公式(12)和(13)变换的解决和学习的连接权重和 。

神经网络的计算的主要目的是减少网络的预测值之间的差异和实际模型,计算该输出,必须定义一个成本函数根据不同的值和是最小化。

这个错误之间的估计和获得的是

我们正在寻找最小值测量误差;因此,重量误差和在是 在哪里是学习速率,神经网络的输入,是乙状结肠的输出函数的网络,然后呢是一个隐藏层和输出层之间的连接权重。和将得到的神经网络,看到41,42一个更详细的讨论。

4.6。网络的训练和测试

数据提取SPH建模已经自发地分成三个小组训练网络:70%用于培训,15%用于验证网络推广和中断训练,直到它变得overfit,另15%是受雇为一个完全独立的测试网络泛化。的方法为可调参数,实现最优值权重,偏见用于获得之间的最佳匹配输入和输出数据被称为安训练。这是一个非线性优化问题最小化均方误差(MSE)和均方根误差(RMSE)。Levenberg-Marquardt优化算法被用来完成训练阶段。介绍了许多优化算法MATLAB神经网络工具箱训练功能,如trainlm函数(Levenberg-Marquardt), trainbr函数(贝叶斯正则化),trainscg函数(按比例缩小的共轭梯度)。

4.7。仿真结果和讨论

三项措施被认为在这一节的分析预测的行动晃动现象。多层前馈神经网络在第一部分工作。多层Elman神经网络应用在第二阶段,第三阶段和网络之间的比较。信息是在每一层的神经网络建模。预测晃动的行为,一个多层前馈神经网络在第一阶段实现。输入神经网络数据包括槽位置、速度和加速度,神经输出数据,液体晃动波曲线的位置。波曲线的位置是神经网络的贡献。正如前面提到的,波曲线坐标计算的知识利用数据挖掘方法基于使用SPH方法获得的仿真结果。波形的粒子数是127,这是作为神经网络的输出基于波曲线数据(图6)。秘密层神经元的数目设置为5。网络的准确性也验证使用回归( )情节。回归阴谋在图8所有数据表明,适应强,回归值为0.9993或更高版本。图8显示了一个网络预期和实际日晒值的比较。每个输入向量的误差值也在这个数字。估计的值非常类似于真实值,和大部分的错误都接近于零,见图9- - - - - -13。

Levenberg-Marquardt算法是最快的一个反向传播算法和实现方法非常高效的媒体网络。这种方法的主要缺点是需要在内存中存储大型矩阵,和这个问题需要很大的空间43- - - - - -47),见文献[48为更多的细节。另一种方法是使用贝叶斯正则化算法。在这种方法中,重量和网络偏见认为是随机值与一个特定的分布,见文献[49为更多的细节。第三种方法,共轭梯度算法。该算法适用于解决各种各样的问题。尤其是,大量的网络参数的问题尽快L算法在估计函数,见文献[50为更多的细节。评估算法的结果如表所示1。

Elman神经网络应用在第二阶段模型晃动的动作。这个网络是一个动态神经网络有一个反馈回路的一个延迟大约每一层的网络。这个连接到网络有助于识别和生成时变模式。最简单的这种结构形式,它由只有两层,其输入和输出激励函数tansigmoid purelin,分别参见文献[51为更多的细节。Elman神经网络的结果如表所示2。

而我们的神经网络预测精度高,他们有时会遇到问题,如被困在错误的局部最小值,或在培训期间过度拟合。非线性网络的误差表面比线性网络的误差曲面的复杂。非线性转移函数在多层网络导致一些错误表面局部最小值,这是一个挑战。由于梯度下降法进行误差表面,是常见的网络解决方案得到纠缠在其中一个局部最小值,基于最初的情况下。基于距离的局部最小值是全球最低,小错误预计,定居在一个局部最小值可能是有益的或有害的。结果,虽然有足够的神经元的多层反向传播网络可以执行几乎任何函数,反向传播并不总是找到最优权重。确保正确的选项被发现,网络可能需要多次初始化并重新培训(见图14- - - - - -17)。

通常在非线性系统中,最轻微的变化在其边界条件,系统的行为会改变,在储层流体晃动的现象是非线性系统的一部分。因此,建模,最后预测他们的行为与其他方法,如数值实验和数学方法,将会导致许多问题。使用人工神经网络在液体晃动建模由于易于使用输入和输出数据进行神经网络训练使得这种方法优于其他方法,但不用说,没有使用优化算法如遗传和PSO算法,结果将是贫穷。另一方面,通过实现这些模型的神经网络,其动力学模型可以很容易地用于控制系统中。

5。结论

本文第一次模拟储层中的流体流动模型。仿真建模是基于SPH方法。SPH方法的结果是基于粒子建模,所以大量的流体信息生成的建模,并使用它,它的一个很大一部分必须过滤。因此,编程代码已经编写的MATLAB软件,从SPH方法的仿真数据中提取有用的信息并将其传输用于神经网络。然后,神经网络用于预测晃动的行为。在神经网络中,两种类型的MLFF Elman神经网络和神经网络相比,基于不同的功能。训练数据和测试数据的结果表明,神经网络建模中的有很好的精度。表1也显示了基于时间的之间的比较和RMSE MSE算法。

数据可用性

的物理性质和数据提取31日]。

信息披露

资金来源没有参与研究设计支持,收集、分析和解释数据,撰写的手稿,或决定提交出版的手稿。

的利益冲突

作者宣称没有利益冲突。

引用

1. r . Rajagounder g . v . Mohanasundaram, p . Kalakkath”的研究在汽车油箱的液体晃动均匀加速,”工程杂志,20卷,不。1,2016。视图:出版商的网站|谷歌学术搜索
2. m . s . Celebi和h . Akyildiz非线性建模的液体晃动的矩形槽移动,“海洋工程卷,29号12日,第1553 - 1527页,2002年。视图:出版商的网站|谷歌学术搜索
3. r·a·易卜拉欣液体晃动动力学:理论和应用程序英国剑桥,剑桥大学出版社,2005年。
4. h·f·鲍尔和大肠Eidel无摩擦的圆柱形容器中液体晃动的配置,“航空科学和技术5卷,第311 - 301页,1999年。视图:出版商的网站|谷歌学术搜索
5. y金”,与冲击载荷晃动流动的数值模拟”,应用海洋研究,23卷,不。1,53 - 62年,2001页。视图:出版商的网站|谷歌学术搜索
6. t·李,周z,曹y”数值模拟液压跳在水里晃动和水的影响,“流体工程,卷124,不。1,第226 - 215页,2002。视图:出版商的网站|谷歌学术搜索
7. h . Akyildiz和e . Unal”上的压力分布试验研究矩形槽由于液体晃动,“海洋工程,32卷,不。11 - 12,1503 - 1516年,2005页。视图:出版商的网站|谷歌学术搜索
8. y, y Shin和k·h·李,“晃动引起的压力影响的三维数值研究移动坦克,“应用海洋研究26卷,第226 - 213页,2005年。视图:谷歌学术搜索
9. n . e . Mikelis j·k·米勒,k . v .泰勒,“在部分充满了液体晃动坦克及其对船舶运动的影响:数值模拟和实验验证,”反式R本月海军建筑师卷,126年,第277 - 267页,1984年。视图:谷歌学术搜索
10. e·w·格雷厄姆和a . m . Rodriguez”燃料运动影响飞机动力学的特点,“应用力学学报,19卷,不。3、381 - 388年,1952页。视图:出版商的网站|谷歌学术搜索
11. g·r·g·刘易森”优化设计的被动卷27是placeme坦克,“RINA反式为代表卷。19日,31 - 45岁,1976页。视图:谷歌学术搜索
12. s Aliabadi a·约翰逊和j·阿贝迪,“比较有限元和钟摆模型模拟的晃动,“电脑和液体,32卷,不。4、535 - 545年,2003页。视图:出版商的网站|谷歌学术搜索
13. j . h . y . s . Lee h . s . Kim Lee和s . h . Ko,研究阻尼晃动的储罐使用翼和隔膜板第十届国际大会在声音和振动(ICSV10),斯德哥尔摩,瑞典,2003年。
14. k . m . Kleefsman g . Fekken A . e . Veldman b . Iwanowski b .毕希纳,“基于volume-of-fluid波影响问题的模拟方法,”计算物理学杂志,卷206,不。1,第393 - 363页,2005。视图:出版商的网站|谷歌学术搜索
15. a Cariou g·卡塞拉,“船坦克:液体晃动的数值模拟的比较研究,“海洋结构,12卷,不。3、183 - 198年,1999页。视图:出版商的网站|谷歌学术搜索
16. B.-F。陈和r . nok,”长期有效的完全非线性有限差分分析矩形槽和粘性流体晃动,“计算物理学杂志,卷209,不。1,47 - 81、2005页。视图:出版商的网站|谷歌学术搜索
17. B.-F。陈,“粘性流体在槽耦合,起伏,和俯仰运动,”杂志的航道、港口、海岸和海洋工程,卷131,不。5,239 - 256年,2005页。视图:出版商的网站|谷歌学术搜索
18. 问:w . g . x Wu马,r·泰勒Eatock”晃动波的数值模拟3 d坦克基于有限元方法,”应用海洋研究,20卷,不。6,337 - 355年,1998页。视图:出版商的网站|谷歌学术搜索
19. s . Mitra p·p·阿帕德海耶,k . p . Sinhamahapatra”的非粘性的液体晃动动力学二维坦克各种几何使用有限元方法,”国际期刊液体中的数值方法卷,56号9日,第1651 - 1625页,2008年。视图:出版商的网站|谷歌学术搜索
20. o . m . Faltinsen”晃动的数值非线性方法坦克与二维流动,”船舶研究杂志,22卷,不。3、193 - 202年,1978页。视图:出版商的网站|谷歌学术搜索
21. o . m . Faltinsen o . f . Rognebakke中情局Lukovsky,和a . n . Timokha“多维非线性晃动的模态分析与有限水深,一个矩形槽”流体力学杂志卷,407年,第234 - 201页,2000年。视图:出版商的网站|谷歌学术搜索
22. o . m . Faltinsen Timokha传来,“一种自适应多通道的方法在一个矩形槽非线性晃动,“流体力学杂志卷,432年,第200 - 167页,2001年。视图:出版商的网站|谷歌学术搜索
23. o . m . Faltinsen Timokha传来,“一个多通道的方法在一个二维圆形罐的液体晃动,“流体力学杂志卷,665年,第479 - 457页,2010年。视图:出版商的网站|谷歌学术搜索
24. 刘和p .林三维液体晃动的数值研究坦克,“计算物理学杂志,卷227,不。8,3921 - 3939年,2008页。视图:出版商的网站|谷歌学术搜索
25. a . e . Veldman j . gerrit r . Luppes j . a .举行和j.p. Vreeburg”飞船上的液体晃动的数值模拟,”计算物理学杂志,卷224,不。1,第99 - 82页,2007。视图:出版商的网站|谷歌学术搜索
26. z . y .方、m . y .段和r·朱问:“数值模拟液体储罐的液体晃动的基于水平集方法,”船舶力学杂志,11卷,不。1,第67 - 62页,2007。视图:谷歌学术搜索
27. a . m .阿里和S.-W。李”,数值模拟的影响与不可压缩流平滑粒子流体动力学,”机械科学与技术杂志》上,28卷,不。6,2179 - 2188年,2014页。视图:出版商的网站|谷歌学术搜索
28. p·w·克利里,“造型限制多材料使用SPH热量和质量流,”应用数学建模,22卷,不。12日,第993 - 981页,1998年。视图:出版商的网站|谷歌学术搜索
29. X.-J。锅,H.-X。张,Y.-T。陆”,数值模拟粘性液体晃动的移动粒子semi-implicit方法,”海洋科学与应用杂志》上,7卷,不。3、184 - 189年,2008页。视图:出版商的网站|谷歌学术搜索
30. s . Koshizuka a Nobe y .奥卡河,“碎波的数值分析使用移动粒子semi-implicit方法,”国际期刊液体中的数值方法,26卷,不。7,751 - 769年,1998页。视图:出版商的网站|谷歌学术搜索
31. a . Rafiee f . Pistani, k . Thiagarajan”研究液体晃动:数值和实验方法,”计算力学卷,47号1,第75 - 65页,2011。视图:出版商的网站|谷歌学术搜索
32. h . Asadzadeh a Moosavi, a . Etemadi”数值模拟减阻的密纹基质使用lattice-Boltzmann方法,”流体工程,卷141,不。7日,2019年。视图:出版商的网站|谷歌学术搜索
33. s . Malenica l . Diebold s . h . Kwon和d s .赵”晃动的评估液化天然气流动单元与膜类型的密封系统我们在哪里?”海洋结构,56个卷,第116 - 99页,2017年。视图:出版商的网站|谷歌学术搜索
34. h . Asadzadeh a Moosavi, j . h . Arghavani“壳聚糖的影响以及聚合物稳定的GF-17挂钩结构:分子动力学研究中,“碳水化合物聚合物文章ID 116124卷,237年,2020年。视图:出版商的网站|谷歌学术搜索
35. h . Asadzadeh和a . Moosavi”调查的蜂毒肽和解放军PLGA的聚合物之间的相互作用:分子动力学仿真和结合自由能计算,”材料研究表达》第六卷,没有。5,货号。055318年,2019年。视图:出版商的网站|谷歌学术搜索
36. b . Kayal,张炳扬。Berthon,分析方法来预测晃动严重液化天然气膜坦克基于优化的一系列模型试验安克雷奇,阿拉斯加,美国,2013年ISOPE。
37. r . Nagamoto k . Hagiwara t . Hori河村建夫,m . Tateishi和t . Morio在晃动的矩形槽式液化天然气运输船安克雷奇,阿拉斯加,美国,1954年JSNAOE。
38. 安,y y金,S.-Y。金,“数据库模型比例尺晃动实验的液化天然气储罐和应用晃动的人工神经网络负荷预测,“海洋结构卷,66年,第82 - 66页,2019年。视图:出版商的网站|谷歌学术搜索
39. m . m . Kabir m . m .伊斯兰教,和k . Murase”一个新的包装器使用神经网络特征选择方法,”Neurocomputing卷,73年,第3283 - 3273页,2010年。视图:出版商的网站|谷歌学术搜索
40. k . Hyun-Soo和l . Young-Shin”优化设计技术,减少晃动的进化方法,”机械科学与技术杂志》上,22卷,2008年。视图:出版商的网站|谷歌学术搜索
41. d .徐z, w . Wu, x叮,“梯度下降算法对角递归神经网络的收敛性,”国际会议上仿生计算:理论与应用,郑州,中国,2007。视图:出版商的网站|谷歌学术搜索
42. l·s·h·Ngia和j . Sjoberg”高效培训使用递归神经网络的非线性自适应滤波Levenberg-Marquardt算法,”IEEE信号处理,48卷,不。7,1915 - 1927年,2000页。视图:出版商的网站|谷歌学术搜索
43. a··沙里夫·m·艾哈迈迪,h . Badfar和m . Hosseini”建模和灵敏度分析的柴油机NOx排放和机械效率,”环境科学与污染研究,26卷,不。24日,第25207 - 25190页,2019年。视图:出版商的网站|谷歌学术搜索
44. h . Badfar郑胜耀Motlagh, a··沙里夫“数值模拟的磁性药物靶向狭窄血管使用铁₃O₄磁性纳米颗粒在磁场线的影响,“心血管工程和技术,11卷,不。2、162 - 175年,2020页。视图:出版商的网站|谷歌学术搜索
45. a·沙里夫,美国Yekani Motlagh, h . Badfar”调查的影响两个平行导线的非均匀磁场对生物磁效应和热流体在动脉瘤,”计算流体动力学的国际期刊,32卷,不。4 - 5,248 - 259年,2018页。视图:出版商的网站|谷歌学术搜索
46. h . Badfar郑胜耀Motlagh, a··沙里夫”研究狭窄血管内的血流螺线管磁场的作用下使用ferrohydrodynamics原则,“欧洲物理+》杂志上,卷132,不。10日,2017年。视图:出版商的网站|谷歌学术搜索
47. s Yekani Motlagh, a··沙里夫·m·艾哈迈迪,h . Badfar表示新的导热系数的表达式₂O₃——和CuO-water纳米流体使用基因表达式编程(GEP)”热分析与量热法杂志》上,卷135,不。1,第206 - 195页,2019。视图:出版商的网站|谷歌学术搜索
48. s . Sapna a Tamilarasi, m .普拉文·库马尔,“反向传播学习算法基于Levenberg马夸特算法,”Comp Sci通知工艺(CS),2卷,第398 - 393页,2012年。视图:谷歌学术搜索
49. d·j·c·麦凯,”贝叶斯插值,“神经计算,4卷,不。3、415 - 447年,1992页。视图:出版商的网站|谷歌学术搜索
50. m·f·莫勒”,一个按比例缩小的共轭梯度算法快速监督学习,”神经网络》第六卷,没有。4、525 - 533年,1993页。视图:出版商的网站|谷歌学术搜索
51. 研究。程,W.-M。气,W.-y。艾尔曼Cai,“动态属性和修改Elman神经网络,”在程序。国际会议在机器学习和控制论,卷2,页637 - 640,IEEE 2002。视图:谷歌学术搜索

版权

版权©2021 Hossein Goudarzvand Chegini和古Zarepour。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。