16571

مرور مطالعات اخير در زمينه استفاده از روش‌هاي داده - محور در عملكرد بهينه برج‌هاي خنك‌كن

1403

دكتر صادقي

با گسترش سريع فناوري‌هاي داده‌محور، تحليل حجم عظيمي از داده‌ها به يكي از نيازهاي اساسي صنايع و مراكز تحقيقاتي تبديل شده است. در سال‌هاي اخير، پژوهش‌هاي متعددي در زمينه‌ي استفاده از روش‌هاي يادگيري ماشين براي استخراج الگوها و پيش‌بيني رفتار داده‌ها انجام شده است. اين مطالعات نشان داده‌اند كه يادگيري ماشين مي‌تواند در بسياري از مسائل تحليلي عملكرد بهتري نسبت به روش‌هاي كلاسيك آماري داشته باشد. با وجود اين پيشرفت‌ها، هنوز چالش‌هايي مانند انتخاب الگوريتم مناسب، تنظيم پارامترها، و نياز به داده‌هاي باكيفيت وجود دارد. در اين سمينار، تمركز بر بررسي عملكرد چند الگوريتم پركاربرد يادگيري ماشين در تحليل داده‌هاي حجيم قرار گرفته است تا نقاط قوت و ضعف هر روش شناسايي شود. در اين پژوهش، ما با استفاده از مجموعه‌داده‌هاي واقعي، عملكرد الگوريتم‌هاي منتخب را ارزيابي و مقايسه كرده‌ايم تا مشخص شود كدام روش‌ها در شرايط مختلف كارايي بالاتري دارند. هدف اصلي اين پژوهش، تحليل كارايي و چالش‌هاي عملي الگوريتم‌هاي يادگيري ماشين در حوزه‌ي داده‌هاي بزرگ و ارائه‌ي ديدي جامع براي انتخاب مناسب‌ترين روش در كاربردهاي مشابه است. همچنين نتايج اين سمينار مبنايي براي ادامه كار در مرحله‌ي پايان‌نامه خواهد بود؛ به‌طوري‌كه در گام‌هاي بعدي، مدل‌سازي دقيق‌تري با استفاده از الگوريتم‌هاي منتخب انجام مي‌شود، فرايند تنظيم و بهينه‌سازي پارامترها به‌صورت كامل بررسي خواهد شد، و عملكرد روش‌ها در سناريوهاي مختلف عملياتي مورد تحليل عميق‌تري قرار مي‌گيرد. در ادامه‌ي كار، تلاش خواهد شد تا چارچوبي كاربردي براي انتخاب و پياده‌سازي الگوريتم‌هاي يادگيري ماشين در مقياس داده‌هاي بزرگ ارائه شود و چالش‌هاي باقي‌مانده با طراحي مدل‌هاي پيشرفته‌تر برطرف گردد.

12/16/2025 12:00:00 AM

88958

1404/09/29

Investigating the possibility of using data-driven methods in the optimal performance of cooling towers

برج خنك‌كن , روش‌هاي داده‌محور , شبكه عصبي مصنوعي , بهينه‌سازي عملكرد

Cooling tower , driven methods , artificial neural network (ANN) , performance optimization