تحقیق درباره ی کابل وسیله

اختصاصی از نیک فایل تحقیق درباره ی کابل وسیله دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 3

کابل وسیله‌ای است که از دو یا چند سیم هادی الکتریکی تشکیل شده و معمولاً در غلاف محافظی قرار دارد و برای انتقال برق بکار می‌رود.

مهم‌ترین و بیشترین عایقی که در ساختمان کابلها بکار میرود P.V.C (پلی وینیل کلراید) است که پرتو دور یا پلاستیک نامیده می‌شود. P.V.C عایقی غیر قابل اشتعال است و این مزیت خوبی در کابلها میباشد. دارای انعطاف پذیری زیادی میباشد و تنها عیب أن این است که در درجه حرارت حدود صفر و زیر صفر از أن نمیتوان برای عملیات کابل کشی مورد استفاده قرار داد. مواردی مانند ارزانی تولید انبوه و سادگی ساخت باعث شده که بیش از ۹۰ درصد کابلهای فشار ضعیف از این عایق درست شوند.

نوعی عایق دیگر بنام PET (پلی اتیلن) برای کابلها بکار میرود که آتشگیر بوده و در مکانهای اختصاصی بکار میرود.

در بعضی از کابلها از عایق لاستیکی استفاده می‌شود که کاربرد زیادی ندارد.

هادی کابل‌ها از جنس مس و یا آلومینیوم میباشند. در صورتیکه بخواهیم از کابلی با هادی آلومینیوم برای کابل کشی هوایی استفاده کنیم باید یک رشته آن فولاد باشد.

برای شناسائی کابلها از حروفی استفاده می‌شود که روی کابلها نوشته شده است برخی از این حرف طبق استاندارد آلمان V.D.E بشرح زیر میباشد:

N کابل با هادی مسی

NR کابل با هادی ألومینیوم

Y علامت عایق پرتو دور میباشد

H علامت ورق متالیزه میباشد

T سیم تحمل کننده در کابل کشی هوایی

R حفاظت فولادی نواری شکل

Y روکش کمربندی پرتو دور

R هادی دایره ای شکل میباشد

E هادی یک رشته و دایره‌ای میباشد

M هادی چند رشته

S هادی بشکل مثلث

[ویرایش] کابل در شبکه به سه مدل می باشد

1- کواکسیال مانند کابلهای آنتن تلویزیون Couxial

2- کابلهای زوج سیمی مانند سیم تلفن Twisted Pair

3- کابلهای نوری که جدیدا در مخابرات کشور استفاده می شود Fiber Optic

1-الف :RG-58 سرعت 10MBPS حداکثر طول استفاده در شبکه 185 متر می باشد امپدانس کابل 50 اهم می باشد که به این نوع THIN میگویند

1-ب :RG-8 سرعت 10MBPS حداکثر طول استفاده در شبکه 500 متر می باشد امپدانس کابل 75 اهم می باشد که به این نوع THICK میگویند

2- الف : کابلهای Twisted Pair بر دو نوع هستند

- UTP که بر 4 نوع است یک زوجی و دو زوجی و سه زوجی و چهار زوجی که به 4 زوجی آن که 100Mbps سرعت داشته باشد

اصطلاحا Cat5 می گویند

- STP نوعی Twisted Pair است که بین هردورشته یک فویل دارد.

3- Fiber optic بردونوع است 1- SIngle mode 100km 2- Multi Mode 5km از نظر کابل:سرعت بالاتر-امنیت بالاتر-مسافت بیشتر -چون در فیبر نوری نمیتوان اتصال دربین خط داشت امنیت بالا میباشد. کابلها نمیتوانند انحراف شدید یا پیچ و خم شدید داشته باشد.درایران از کابلهای SIngle استفاده شده است.

تحقیق درباره ی ماشین جریان مستقیم

اختصاصی از نیک فایل تحقیق درباره ی ماشین جریان مستقیم دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 6

ماشین جریان مستقیم یک وسیله تبدیل انرژی با کاربرد بسیار در صنعت است که توانایی تولید گشتاور و راه‌اندازی بالا و متغیر برای بارهای مورد استفاده را دارد. ماشین‌های جریان مستقیم به دلیل استفاده از نیروی الکتریکی DC در خودروها، درصد زیادی از تولید ماشین‌های الکتریکی را به خود تخصیص می‌دهند. همچنین این نوع ماشین در کاربردهای صنعتی که کنترل دقیق سرعت مورد نیاز است، استفاده‌های فراوان دارد.

کموتاسیون

برای تبدیل کمیت چرخان (گردش آرمیچر) به کمیت مستقیم (ولتاژ و جریان) و ساکن نگه‌داشتن نیروی محرکهٔ مغناطیسی آرمیچر به کموتاتور نیاز است. مهترین کار کموتاتور همان طور که گقته شد یکسوکردن کمیت متناوب در پیچک آرمیچر به کمیت مستقیم در جاروبک‌های یک ژنراتور می‌باشد. ئاالذرالزذ

نیروی محرکهٔ تولید شده در آرمیچر

ولتاژ یکسوشده به وسیلهٔ جمع‌کردن عرض موج‌های تولیدشده از پیچک‌های سری به وجود می‌آید. هرچه تعداد پیچک‌های سری افزایش یابد مقدار ولتاژ DC افزایش و تضاریس موج کاهش می‌یابد، اما به طور کلی شکل موج ولتاژ یکسوشده توسط جاروبک نمی‌تواند به شکل موج ولتاژ مستقیم تولیدشده از یک باتری برسد.

میانگین ولتاژ تولیدشده در یک پیچک با تعداد دور NC از رابطهٔ زیر به دست می‌آید:

‎

EC = 2NCpnφ

که در آن p تعداد قطب، φ شار عبوری و n سرعت چرخش روتور است.

اگر C را تعداد کل پیچک‌های آرمیچر و a را تعداد مسیرهای موازی بین جاروبک‌ها بدانیم تعداد پیچک‌های سری بین جاروبک‌ها C / a می‌شود و با احتساب Z به عنوان هادی‌های موجود در آرمیچر، نیروی محرکهٔ موجود در آرمیچر این‌گونه محاسبه می‌شود:

‎

/

با محاسبه ضریب سیم‌پیچی kw، که برای ماشین‌های DC معمولاً تنها از ضریب توزیع kd تشکیل شده‌است، ولتاژ القایی آرمیچر بدین‌گونه خواهد بود:

‎

/

گشتاور ماشین جریان مستقیم

با توجه به برابری توان‌های تبدیل‌شده و با احتساب شرایط ایده‌آل تبدیل توان، گشتاور مکانیکی ماشین این گونه محاسبه می‌شود: که با توجه به آن که مقادیر Z ،p و a برای ماشین ثابت است، نشان می‌دهد که گشتاور رابطه‌ای مستقیم با تغیرات Ia و φ دارد.

تحریک آرمیچر

ماشین جریان مستقیم به جز دز مواردی که از مغناطیس دائم در روتور خود استفاده می‌کند برای تبدیل انرژی الکتریکی به مکانیکی و یا بالعکس به یک سیم پیچ تحریک که جریان مستقیم از آن عبور می‌کند، احتیاج دارد. به این سیم‌پیچ، سیم‌پیچ میدان گفته می‌شود.

تحریک جداگانه

پیچک تحریک جداگانه که از صدها دور سیم نازک تشکیل شده، به منبع خارجی یا جداگانه‌ای از آرمیچر متصل است و ولتاژ آن منبع هیچ‌گونه وابستگی با ولتاژ آرمیچر ندارد.

تحریک خودی

تحریک سیم‌پیچ میدان به وسیلهٔ آرمیچر ماشین را تحریک خودی می‌نامند. در این ماشین قطب‌های میدان باید پس‌ماند مغناطیسی داشته باشند تا هنگام چرخش آرمیچر ولتاژ پس‌ماندی در جاروبک‌ها تولید شود.

تحریک سری: سیم پیچ میدان در این نوع ماشین از سیم‌های ضخیم با دور اندک (مقاومت کم) تشکیل شده که به طور سری به آرمیچر متصل شده‌است و جریان میدان سری به جریان آرمیچر بستگی دارد.

تحریک شنت: پیچک میدان از سیم‌های نازک با تعداد دور زیاد تشکیل شده که به طور موازی به آرمیچر متصل شده‌است.

تحریک کمپوند: شامل هر دو سیم‌پیچ تحریک سری و تحریک شنت می‌باشد، البته در مواقعی به جای تحریک شنت از تحریک جداگانه استفاده می‌شود. در صورتی که شار میدان تحریک سری در جهت شار میدان تحریک شنت باشد ماشین را کمپوند اضافی و در غیر این صورت به آن ماشین کمپوند نقصانی می‌گویند.

راه‌اندازی موتور جریان مستقیم

در لحظهٔ شروع راه‌اندازی سرعت موتور صفر است و بنابرین نیروی ضد محرکه Ea نیز صفر می‌باشد، در نتیجه با اعمال ولتاژ پایانه Vt به دو سر ماشین جیان عبوری از آرمیچر از رابطهٔ /در ماشین‌های سری و /در ماشینهای سری و کمپوند به دست می‌آید که در این صورت جریان ورودی زیادی وارد موتور می‌شود که نتایج زیر را دربر دارد:

۱- ایجاد جرقهٔ زیان‌آور هنگام کموتاسیون

۲- آسیب‌دیدن سیم‌پیچ آرمیچر و از بین رفتن عایق بر اثر گرمای بیش از اندازه

ترموستات وسیله ای است برای تنظیم درجه حرارت موتور اتومبیل که بطور خودکار گرمای موتور را در حد ایده ال که حدود 93 درجه است

اختصاصی از نیک فایل ترموستات وسیله ای است برای تنظیم درجه حرارت موتور اتومبیل که بطور خودکار گرمای موتور را در حد ایده ال که حدود 93 درجه است دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 2

ترموستات وسیله ای است برای تنظیم درجه حرارت موتور اتومبیل که بطور خودکار گرمای موتور را در حد ایده ال که حدود 93 درجه است نگه می دارد .

لازم به توضیح است که برای عملکرد درست موتور ، دمای آن باید در محدوده معینی نگه داشته شود . سرد بودن موتور باعث می شود که غلظت روغن بالا رود و روانکاری قطعات به خوبی صورت نگیرد و گرم بودن بیش از حد آن هم باعث می شود روغن خیلی رقیق شود و خاصیت روان کنندگی خود را از دست بدهد . بنا براین ضرورت کامل دارد که دمای موتور در حد 93 در جه سانتیگراد نگه داشته شود .

طرز کار ترموستات :

در ابتدا که موتور سرد است ترموستات مسیر ورود آب به رادیاتور را می بندد بنابر این آبی که برای گردش در دور سیلندر مورد استفاده است قرار می گیرد فقط همان مسیر بسته دور موتور را طی می کند و وارد رادیاتور نمی شود تا گرمای آن به 93 در جه سانتیگراد برسد . در این حالت گرمای مزبور باعث فعال شدن ترموستات شده و جیوه ای که درون آن است منبسط شده و مسیر ورود آب به رادیاتور را باز می کند تا در جه حرارت بیش از این بالا نرود با پائین آمدن حرارت مجدداً ترموستات بسته می شود و همین سیکل مرتب تکرار می شود تا درجه حرارت موتور در حد مطلوب باقی بماند . در واقع این ترموستات یک وسیله مکانیکی هوشمند است که کار یک شیر قطع و وصل اتوماتیک را انجام می دهد . استفاده از ترموستات همیشه باید صورت گیرد و از این نظر فرقی بین روزهای گرم تابستان و یا روزهای سرد زمستان وجود ندارد .

 استفاده از بخاری ماشین در زمستان

ترموستات باعث می شود آن بخش از آب که قرار است برای خنک شدن به رادیاتور برود به درون مبدل حرارتی بخاری ماشین برود و از گرمای آن برای گرم کردن فضای داخل ماشین استفاده شود .

مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

اختصاصی از نیک فایل مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود در "پایین مطلب"

 فرمت فایل: word (قابل ویرایش و آماده پرینت)

 تعداد صفحات:20

تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

از حدود 1940 بطور همزمان اما جداگانه ، از سویی نوروفیزیولوژیستها سعی میکردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سویی  ریاضیدانان تلاش می کردند تا مدل ریاضی بسازند که قابلیت  فراگیری و تجزیه تحلیل عمومی مسائل را دارا باشد. از آن زمان ، بارها این اتفاق افتاد که ریاضیدانان یافته های نوروفیزیولوژیستها را پیاده سازی کردند، بدون این که بدانند چرا، و در عمل مشاهده کردند که سیستم پیاده شده کارایی شگفت انگیز سیستم طبیعی را دارد. پس از آن توانستند منطق زیربنایی سیستم طبیعی را درک کنند. اگر چه از همان ابتدا، ریاضیدانان توانسته بودند مدل ریاضی یک سلول عصبی یا نورون را بسازند، اما تا حدود 1974 که دانش مربوط به نوع  اتصال این واحدهای شبه نورونی به یکدیگر تکامل لازم را نیافته بود. امروزه برنامه های کاربردی متعددی دردسترس هستند که با این روش کار میکنند. اگر چه کاربرد این برنامه ها بویژه برای افراد عادی کمی مشکل است، اما محققین روز به روز بیشتر و بیشتر آنها را به کار می گیرند. برای تجزیه و تحلیل یک سیستم پیچیده بوسیله روش شبکه های عصبی، نیاز به دانش زیادی درباره سیستم مورد مطالعه نمی باشد، چون عمل تجزیه و تحلیل و یادگیری در مغز شبکه اتفاق می افتد نه در مغز محقق، اما به هر حال بهره گیری از دانش کلی درباره طرز کار این شبکه ها برای کاربران آنها ضروری است، چرا که تنظیمات ساده و کلی در این برنامه ها وجود دارند که آگاهی از آنها برای ساختن یک مدل موفق ضروری است.

شبکه های عصبی مصنوعی در واقع مثلثی هستند که 3 ضلع مفهومی دارند: 1- سیستم تجزیه و تحلیل داده ها، 2- نورون یا سلول عصبی 3- شبکه یا قانون کار گروهی نورونها.  در یک تعریف کلاسیک، هایکین می گوید: شبکه عصبی عبارت است از مجموعه ای عظیم از پردازشگرهای موازی که استعداد ذاتی برای ذخیره اطلاعات تجربی و بکارگیری آن دارند و این شبکه دست کم از دو بابت شبیه مغز است: 1- مرحله ای موسوم به یادگیری دارد 2- وزن های سیناپسی جهت ذخیره دانش به کار می روند.

 وظیفه شبکه های عصبی یادگیری است. تقریبا چیزی شبیه یادگیری یک کودک خردسال. یادگیری در شبکه های عصبی رایج به شکل Supervised یا یادگیری تحت نظارت است. والدین تصاویر حیوانات مختلف را به کودک نشان می دهند و نام هرکدام رابه کودک می گویند. ما روی یک حیوان، مثلا سگ، تمرکز می کنیم. کودک تصاویر انواع مختلف سگ را می بیند و در کنار اطلاعات ورودی (تصاویر و صدا) برای هر نمونه، به او گفته می شود که این اطلاعات مربوط به یک نوع "سگ" هست یا خیر. بدون اینکه به او گفته شود، سیستم مغز او اطلاعات ورودی را تجزیه و تحلیل می کند و به یافته هایی در زمینه هر یک از پارامترهای ورودی از قبیل "رنگ، اندازه، صدا، داشتن پنجه یا سم یا شاخ" می رسد. پس از مدتی او قادر خواهد بود یک "نوع جدید" از سگ را که قبلا هرگز ندیده است شناسایی کند. از آنجایی که در مورد هر نمونه جانور در مرحله یادگیری به کودک گفته شده که آیا سگ هست یا خیر، این نوع یادگیری، تحت نظارت نامیده می شود. نوع دیگر یادگیری یعنی یادگیری بدون نظارت یا Unsupervised هم توسط شبکه های عصبی شبیه سازی شده است و کاربردهای کمتری دارد.

مقایسه مدلسازی  کلاسیک در مقایسه با مدلسازی شبکه عصبی:

الف: سناریوی مدلسازی کلاسیک

جهت درک ویژگیهای مدلسازی بکمک شبکه های عصبی، لازم است که ابتدا مدلسازی کلاسیک را تجسم کنیم.: پارامترهای A,B,C,D سیستم مارا تعریف می کنند، این پارامترها می توانند غلظت مواد شیمیایی و پارامترهای فیزیکی فرمولاسیون باشند. ممکن است پارامترهای فیزیولوژیک یا پاتولوژیک وضعیت بیماران باشند. در کنار هر سری پارامتر که یک نمونه (فرمول شکل دارویی یا بیمار یا هر نمونه دیگر) را تعریف می کند یک پاسخ R وجود دارد که می تواند پایداری فرمول دارویی یا پارامتری نمایانگر وضعیت بیمار باشد.

مدلسازی کلاسیک از نخستین قدم خطای بزرگی را مرتکب می شود که فقط در سیستمهای ساده (خطی یا نزدیک به خطی) قابل صرف نظر است. نخستین قدم در روش کلاسیک برای بررسی داده ها بررسی شاخصهای تمایل به مرکز (میانگین،...) و شاخصهای پراکندگی (انحراف معیار، ...) است. از این مرحله به بعد در روش کلاسیک کاری با تک تک نمونه ها نداریم و اهمیت فردی آنها از بین می رود. بعنوان مثال ممکن است مقدار پارامتر A (مثلا غلظت ماده شیمیایی A) در دمای صفر تا 15 درجه (دما پارامتر B است) روی پایداری دارو یا R تاثیر مثبت داشته باشد، و از 15 درجه به بالا تاثیر منفی داشته باشد، به این ترتیب نگاه همزمان به پارامترهای A و B برای درک تاثیر آن دو بر روی R ضروری است، در حالیکه ما با گرفتن میانگین (یا دیگر مشتقات آماری) از کل ستونهای A وB و سایرین، اثر همراهی مقادیر A و B را از صورت مساله پاک کرده ایم. در هیچ یک از روشهای کلاسیک مدلسازی با داده های فردی (تک تک نمونه ها) کاری نداریم و این یک اشکال مهم است. در واقع روش کلاسیک با عملی شبیه به هوموژن کردن یا آسیاب کردن داده ها، پیچیدگی روابط آنها را محو می کند و به این دلیل از کشف این پیچیدگیها باز می ماند.

در نهایت نیز، در روش کلاسیک ، شما یک معادله سیستم خواهید داشت که داده های جدید را بدون در نظر گرفتن اثر همراهی پارامترهایش با هم استفاده می کند و مجددا این خطا در پیشگویی اثر R توسط سیستم شما تاثیر خواهد داشت. به این ترتیب سیستم کلاسیک در "استخراج" معنی از داده ها ضعیف و با بازده پایین عمل می کند و در بسیاری از موارد از کشف روابط بین داده ها ناکام می ماند.

اگر می توانستیم سیستمی داشته باشیم که  با اهمیت دادن به فردفرد مثالها تجزیه و تحلیل کند و نیز بدون پیشداوری در مورد شکل تابع هر پارامتر (خطی بودن و یا شکل تابع غیر خطی) آن را ذخیره و ارزیابی کند، چنین سیستمی می توانست نتایج بیشتری را از عمق داده ها بیرون بکشد.

ب: سناریوی مدلسازی شبکه عصبی:

در یک شبکه عصبی نمونه،اطلاعات و پارامترهای ورودی، هرکدام به شکل یک سیگنال الکتریکی تحریک به کانالهای ورودی مدل ریاضی سلول عصبی وارد می شوند. مدل ریاضی یک سلول عصبی را یک Perceptron می نامند. هر یک از کانالهای ورودی (شبیه اتصالات دندریتها) دارای یک ضریب عددی هستند که ((وزن سیناپسی)) نامیده می شود. شدت تحریک الکتریکی در این ضریب ضرب می شود و به جسم سلولی می رسد. اگر مجموع تحریکات رسیده شده به جسم سلولی کافی باشد، نرون شلیک می کند و در مسیرهای خروجی (شبیه آکسونها) جریان الکتریکی ثابتی را ایجاد می کند.  تحریکات لایه ورودی سلولها به یک یا چند لایه واسط می رود که به نامه لایه های مخفی (Hidden Layers) موسوم هستند. ادامه جریان تحریکات در این لایه ها (توسط همان وزنهای سیناپسی) طوری هدایت می شود که پیچیدگیهای تاثیرات جریان ورودی را شبیه سازی می کند. سپس تحریکات به لایه خروجی می روند که هدف نهایی ما است.  اگر هدف شبکه عصبی پیشگویی کمی باشد، مجموع شدت تحریکات آخرین عصب خروجی، آن عدد خواهد بود. اگر هدف شبکه عصبی  طبقه بندی (Classification) باشد، فعالیت یا خاموش بودن نرونهای لایه آخر نمایانگر این امر خواهد بود، مثلا شلیک نرون خروجی نشان دهنده حضور بیماری و خاموش بودن آن نشانه سلامت است. سیستم شبکه عصبی در فرایند یادگیری طوری وزنهای سیناپسی را تغییر می دهد که بتواند با هر سری تحریکات ورودی (یعنی داده های هر نمونه) جریان خروجی مناسب (یعنی همان پاسخ R) را ایجاد کند. چگونگی ریاضی این تغییر وزنها ظریفترین بخش مکانیسم عملکرد شبکه است که بعدها درباره آن بحث خواهیم کرد.

طرز کار مدل سلول عصبی :

 مدل ریاضی یک سلول عصبی که از روی الگوی ریاضی آن ساخته شده است Perceptron نامیده می شود. خطوط ورودی (Input) سیگنالهای تحریکی یا مهاری را به جسم سلولی می آورند که همان پارامترهای تعریف کننده سیستم هستند. مثلا فرض کنیم که غلظت یک ماده  0.6 mol/lit است ، این عدد یکی از پارامترهای تعریف کننده نمونه دارویی ما است، پس این پارامتر بعنوان یک سیگنال الکتریکی با شدت 0.6 به یک کانال ورودی می رود. در ابتدای هر کانال ورودی یک ضریب عددی وجود دارد که شدت تحریک در این عدد ضرب می شوند و حاصل آن که یک Weighted Input نامیده می شود اگر مثبت باشد یک سیگنال تحریکی و اگر منفی باشد یک سیگنال مهاری بر جسم سلولی است. میزان کلیه این سیگنالهای تحریکی یا مهاری که از ورودی های مختلف به جسم سلولی می رسند با هم بصورت خطی جمع می شود (Linear Combination of Weighted Inputs). اگر این حاصل جمع از میزان آستانه یا Threshold کمتر باشد سلول عصبی خاموش می ماند، و در غیر این صورت سلول شلیک میکند (Fire) و جریان الکتریکی ثابتی در خروجی (یا خروجی ها) ایجاد می کند. در واقع خروجی Perceptron معادله ریاضی زیر تعیین می شود:

موضوع گزارش تخصصی : چگونگی افزایش میل و رغبت دانش آموزان به وسیله ی روش های تدریس مشارکتی در ساعات جغرافیا

اختصاصی از نیک فایل موضوع گزارش تخصصی : چگونگی افزایش میل و رغبت دانش آموزان به وسیله ی روش های تدریس مشارکتی در ساعات جغرافیا دانلود با لینک مستقیم و پر سرعت .

موضوع گزارش تخصصی  :

چگونگی افزایش میل و رغبت دانش آموزان به وسیله ی روش های تدریس مشارکتی در ساعات جغرافیا

فایل ورد و قابل ویرایش