قلب

now browsing by tag

 
 

دانلود نمونه پژوهش علمی - فایل

فهرست اشکالعنوان صفحه
TOC h z t "فهرست شکلها,1" شکل 1-1: فلوچارت مراحل انجام پایان‌نامه PAGEREF _Toc396497803 h 3شکل 3-1: مقیاسی از ذرات نانوسیال PAGEREF _Toc396497804 h 16شکل3-2: پارامترهای مختلف بروی مختصات کروی نانوسیال PAGEREF _Toc396497805 h 18شکل 3-3: تغییرات ضریب انتقال گرمای نسبی با درصد حجمی نانوسیال PAGEREF _Toc396497806 h 20شکل3-4: تأثیر ارزش راکتیویته و عمق میله‌های کنترل بر روی دانسیته توان محوری PAGEREF _Toc396497807 h 28شکل 3-5: ارزش راکتیویته محاسبه شده بورون محلول برای سه نوع رآکتور pwr PAGEREF _Toc396497808 h 30شکل3-6: نمایی از قلب راکتور بوشهر PAGEREF _Toc396497809 h 44شکل4-1: نمایی از محیط نرم‌افزار CDMS PAGEREF _Toc396497810 h 52شکل 4-2: نمایش نتایج خروجی توسط FREECORP PAGEREF _Toc396497811 h 53شکل4-3: نمودار سرعت سیال نسبت به دور گردش پمپ در دقیقه PAGEREF _Toc396497812 h 54شکل4-4: تغییر غلظت بوریک اسید در ورودی و خروجی رآکتور نسبت به زمان PAGEREF _Toc396497813 h 56شکل 4-5: تغییرات غلظت نانوسیالات معادل بوریک اسید در طول زمان PAGEREF _Toc396497814 h 57شکل 4-6: تغییرات توان پمپاژ با درصد حجمی نانوسیال PAGEREF _Toc396497815 h 57شکل 4-7: تغییرات افت فشار با درصد حجمی نانوسیال PAGEREF _Toc396497816 h 58شکل5-1: نمودار تغییر میزان ضریب تکثیر مؤثر با تغییر غلظت نانو سیال مس PAGEREF _Toc396497817 h 62شکل 5-2: نمودار تغییر میزان ضریب تکثیر مؤثر با تغییر غلظت نانو سیال مس PAGEREF _Toc396497818 h 63شکل 5-3: نمودار تغییر میزان ضریب تکثیر مؤثر با تغییر غلظت نانو سیال مس PAGEREF _Toc396497819 h 64شکل 5-4: نمودار تغییر میزان ضریب تکثیر مؤثر با تغییر غلظت نانو سیال آلومینیوم PAGEREF _Toc396497820 h 65عنوان صفحه
شکل 5-5: نمودار تغییر میزان ضریب تکثیر مؤثر با تغییر غلظت نانو سیال هافنیوم PAGEREF _Toc396497821 h 66شکل 5-6: نمودار تغییر میزان ضریب تکثیر مؤثر با تغییر غلظت نانو سیال کادمیوم PAGEREF _Toc396497822 h 67شکل 5-7: نمودار تغییر میزان ضریب تکثیر مؤثر با تغییر غلظت نانو سیال گادلینیوم PAGEREF _Toc396497823 h 68شکل5-8: تغییرات ضریب تکثیر با درصد اکسید هافنیوم از حالت بحرانی PAGEREF _Toc396497824 h 69شکل5-9: تغییرات ضریب تکثیر با درصد اکسید هافنیوم از حالت بحرانی PAGEREF _Toc396497825 h 70شکل5-10: تغییرات ضریب تکثیر با درصد وزنی اکسید هافنیوم از حالت بحرانی PAGEREF _Toc396497826 h 71شکل5-11: میزان از دست رفتن جرم لوله در اثر حرکت سیال حاوی نانوسیال آلومینا PAGEREF _Toc396497827 h 73شکل5-12: تأثیر غلظت‌های متفاوت آلومینا بروی اصطکاک دیواره لوله PAGEREF _Toc396497828 h 74شکل 5-13: تأثیر غلظت‌های متفاوت آلومینا بروی فرسایش دیواره لوله PAGEREF _Toc396497829 h 75شکل 5-14: میزان از دست رفتن جرم لوله در اثر حرکت سیال حاوی نانوسیال مس PAGEREF _Toc396497830 h 76شکل5-15: تأثیر غلظت‌های متفاوت نانوسیال مس بروی اصطکاک دیواره لوله PAGEREF _Toc396497831 h 77شکل 5-16: تأثیر غلظت‌های متفاوت نانو سیال مس بروی فرسایش دیواره لوله PAGEREF _Toc396497832 h 78شکل 5-17: : میزان از دست رفتن جرم لوله در اثر حرکت سیال حاوی نانوسیال تیتانیوم دی‌اکسید PAGEREF _Toc396497833 h 79شکل 5-18 : تأثیر غلظت‌های متفاوت نانوسیال تیتانیوم دی‌اکسید بروی اصطکاک دیواره لوله PAGEREF _Toc396497834 h 80شکل 5-19: تأثیر غلظت‌های متفاوت نانوسیال تیتانیوم دی‌اکسید بروی فرسایش دیواره لوله PAGEREF _Toc396497835 h 80شکل 5-20: میزان از دست رفتن جرم لوله در اثر حرکت سیال حاوی نانوسیال اکسید هافنیوم PAGEREF _Toc396497836 h 81شکل 5-21: تأثیر غلظت‌های متفاوت نانوسیال اکسید هافنیوم بر روی اصطکاک دیواره لوله PAGEREF _Toc396497837 h 82شکل 5-22: تأثیر غلظت‌های متفاوت نانو سیال اکسید هافنیوم بر روی فرسایش دیواره لوله PAGEREF _Toc396497838 h 83عنوان صفحه
شکل 5-23: میزان فاکتور اصطکاک ناشی از نانوسیالات مختلف با مقادیر آمده در جدول 5-7 PAGEREF _Toc396497839 h 84شکل 5-24: تغییرات غلظت بوریک اسید در مقایسه با اکسید هافنیوم نسبت به زمان PAGEREF _Toc396497840 h 85شکل 5-25: هزینه اولیه نانوسیال اکسید هافنیوم PAGEREF _Toc396497841 h 86شکل 5-26: هزینه کلی خوردگی برای یک متر لوله در نیروگاه هسته‌ای PAGEREF _Toc396497842 h 87شکل 5-27: تغییر در توان پمپاژ در اثر وجود نانوسیال با درصدهای حجمی مختلف PAGEREF _Toc396497843 h 87شکل 5-28: تغییر در افت فشار در اثر وجود نانوسیال با درصدهای حجمی مختلف PAGEREF _Toc396497844 h 88شکل 6-1: تغییرات ضریب تکثیر نسبت به درصدهای حجمی مختلف نانوسیال PAGEREF _Toc396497845 h 91شکل 6-2: تغییرات نرخ خوردگی برای نانوسیالات مختلف در طول زمان PAGEREF _Toc396497846 h 92شکل 6-3: هزینه اولیه نانوسیالات مورد بررسی PAGEREF _Toc396497847 h 93شکل 6-4: هزینه خوردگی ناشی از وجود نانوسیالات مختلف در آب PAGEREF _Toc396497848 h 94 TOC h z t "فهرست شکلها؛1"

فهرست اختصاراتMCNPX Monte Carlo N-Particle eXtended
Nu Nusselt Number
Re Reynolds Number
Pr Prandel Number
FSAR Final Safety Analysis ReportNPSH Net Positive Suction Head
BNPP Bushehr Nuclear Power Plant
K Conductivity Constant
∅Heat Flux
LCC Life Cycle Costing
CDMS Corrosion Data Manager Software
فصل اول

1720215315595
مقدمه1-1- کلیات
در سالهای اخیر استفاده از انرژی هسته‌ای برای تولید برق افزایش یافته و همچنین در حال افزایش است. نیروگاه‌های هسته‌ای در آینده‌ای نه چندان دور منبع اصلی تولید برق خواهند بود. در نیروگاه هسته‌ای انرژی حاصل از شکافت هسته‌ای آب را گرم کرده و سپس این آب که در مدار اول است آب موجود در مدار دوم را بخار کرده و بخار با وارد شدن به توربین باعث گردش آن و تولید برق می‌شود. با این حساب انتقال کامل گرما از مدار اول به مدار دوم امری بسیار مهم است و هرچه اتلاف گرما کمتر باشد بازدهی بیشتری خواهیم داشت. نیروگاه‌های امروزی با راندمانی بین 30 تا 40 درصد کار می‌کنند. به عنوان مثال نیروگاه هسته‌ای بوشهر 3000 مگاوات توان حرارتی آن است درحالی‌که توان الکتریکی آن 1000 مگاوات است. از گذشته تحقیقات زیادی برای بالا بردن ضریب انتقال حرارت آب که به عنوان خنک‌کننده در بسیاری از رآکتورها است انجام شده است. یکی از راه‌های افزایش ضریب انتقال حرارت سیال منتقل‌کننده حرارت، استفاده از نانو سیالات است. به این شکل که نانوذراتی که دارای ضریب انتقال حرارت خوبی هستند، مانند نانو ذرات مس را به سیال پایه با درصدهای حجمی مشخصی اضافه می‌کنند. این کار باعث افزایش قابل‌توجه ضریب انتقال حرارت سیال پایه می‌شود. در رآکتور هسته‌ای مسئله پیچیده‌تر است و سیال پایه علاوه بر ضریب انتقال حرارت بالا باید دارای ویژگی‌های دیگری نیز باشد. از این ویژگی‌ها می‌توان به نقش کندکنندگی سیال خنک‌کننده اشاره کرد که نقش سیال پایه را دوگانه می‌کند. در رآکتورهای اتمی برای کنترل راکتور علاوه بر میله‌های کنترل از سموم محلول در خنک‌کننده نیز استفاده می‌کنند. در رآکتورهای آبی اسید بوریک را به آب با غلظت‌های مشخصی اضافه می‌کنند. بورون موجود در اسید بوریک یک سم نوترونی قوی است که سطح مقطع جذب نوترون بالایی دارد. همچنین مسئله اقتصادی اضافه کردن نانوسیال به سیال پایه از اهمیت بالایی برخوردار است. اگر نانوسیالی را بیابیم که هم باعث افزایش انتقال حرارت شود و هم بتواند نقش بوریک اسید را بازی کند و هم توجیه اقتصادی داشته باشد گامی بزرگ برداشته‌ایم. بر این اساس در این مطالعه سعی داریم نانوسیالاتی که از نظر انتقال حرارت مناسب می‌باشند و در مطالعات مورد توجه قرارگرفته‌اند را از نظر نوترونیک، اقتصادی و خوردگی مورد بررسی قرار دهیم و نانو سیالی که به هدف گفته‌شده ما نزدیک باشد را به عنوان نانوسیال ایدهآل معرفی کنیم. برای این کار از نرم‌افزارهایی برای انجام مطالعات نوترونی، خوردگی و اقتصادی استفاده می‌کنیم. از این نرم‌افزارها می‌توان به MCNPX برای انجام مطالعات نوترونیک و CDMS و FREECORP برای مطالعات خوردگی اشاره کرد. نرم‌افزارهای مورداستفاده به‌تفصیل در فصل‌های بعد معرفی خواهند شد. در شکل 1-1 فلوچارت مراحل انجام پایان‌نامه نشان داده‌شده است.

شکل 1-1: فلوچارت مراحل انجام پایان‌نامهفصل دوم

18726151974215
پیشینه تحقیق2-1- مقدمهتاکنون مطالعات بسیاری به‌منظور بررسی  خواص مثبت نانو سیالات صورت گرفته است تحقیق لی ات ال  در سال 1999 نشان‌دهنده ارتقا قابل ملاحظه رسانایی حرارتی نانوسیالات محتوی آب و اتیلن، گلیکول همراه با نانو ذرات اکسید آلومینیم و اکسید مس در دمای اتاق می‌باشد]1[.
2-2- کارهای انجام شدهافزایش رسانایی گرمایی یک موفقیت قابل تحسین را برای استیمن ات ال  به ارمغان  آورد ، هنگامی که آن‌ها افزایش رسانایی را تا 40% با افزودن تنها 4% از نانو ذرات مس خالص با ابعاد متوسط کمتر از 10 نانومتر حاصل نمود. چنین گزارش شد که رسانایی گرمایی نانوذرات می‌تواند بیش از 20% افزایش داده شود در یک پژوهش دیگر داس ات ال  نشان داد که رسانایی گرمایی نانو سیالت در دماهای بالاتر افزایش بیشتری می‌یابد که کاربرد آن را در سردسازی جریان‌های حرارتی بالا مطلوب‌تر می‌نماید]2[.
در این پژوهش این افزایش از 2% به 36% رسیده است هنگامی که دمای اکسید نانوذرات معلق از 21 درجه سانتی‌گراد به 51 درجه سانتی‌گراد افزایش دادند (با غلظت حجمی 1% و 4%) کار پژوهشی پاتل ات ال  با نانوذرات طلا و نقره با قطر 20-10 نانومتر انجام شد آزمایش‌های آن‌ها نیز تأثیرات شدید دما را بر روی رسانایی گرمایی از 5% به 221% در بازه حرارتی 60-30 درجه سانتیگراد نشان داد ]2[.
کلبنسکی ات ال ]3[ نیز مکانیسم انتقال حرارت در نانو سیالات را بررسی نمود و دلایل احتمالی افزایش رسانایی گرمایی نانوسیالات را ارائه کرد: این دلایل شامل اثرات سایز کوچک، تراکم و تجمع نانوسیالات می‌باشد.
افزایش رسانایی حرارتی نانوسیالات به محققان این فرصت را می‌دهد تا پژوهش‌های وسیع‌تری را در این زمینه انجام دهند. افزایش واقعی قابلیت انتقال حرارت را می‌توان در شرایط همرفتی نشان داد و مقالات اندکی  به بحث درباره‌ی کارایی انتقال  حرارت همرفتی نانوسیالات پرداخته‌اند. ژوان و روتزل  دو راهکار متفاوت برای روابط انتقال حرارت نانوسیالات ارائه نمودند. یک راهکار مرسوم، در نظر گرفتن نانوسیالات به عنوان سیال تک فاز می‌باشد و راهکار دیگر لحاظ نمودن ویژگی چند فاز بودن نانوسیالات و نانوذرات پراکنده می‌باشد. سپس ژوان و لی  نتایج بررسی‌های خود را درباره‌ی ویژگی‌های جریان انتقال حرارت همرفتی منتشر نمودند. آن‌ها انتقال حرارت همرفتی نانو سیالاتی را که متشکل از آب غیر یونیزه و ذرات مس با قطر کمتر از 10 نانومتر و با درصد حجم 0.3، 0.5، 0.82، 1، 1.2، 1.5، 2 درصد از کل سیال اندازه‌گیری نمودند و دریافتند که ضریب انتقال حرارت همرفتی نانوسیالات از 6% به 39% افزایش می‌یابد ]4[.
ون ودینگ ]5[ انتقال حرارت نانو سیال آب و اکسید آلومینیوم را در جریان لایه‌ای تحت شار حرارتی ثابت دیواره مشاهده نمودند و دریافتند که افزایش حرارت نانو سیال با تغییرات عدد رینولدز و غلظت نانوذرات  خصوصاً در ناحیه‌ی ورودی رابطه‌ی مستقیم دارند اخیراً یانگ ات ال راندمان انتقال حرارت نانوسیالات گرافیت را برای جریان لایه‌ای در یک تیوپ دایروی بررسی نمودند.

متن کامل در سایت امید فایل 

نجوین سیتی ات ال  ]6[ رفتار انتقال ارتقاء انتقال حرارت نانوسیال اکسید آلومینیوم را برای یک سیستم گرم‌کننده مورد پژوهش قرار دادند آن‌ها دریافتند که ضریب انتقال حرارت تا 40% در مقایسه با سیال اصلی افزایش نشان می‌دهد.
به تازگی داس ات ال، ونگ  و موجومدار، تریساکسری وی  و ونگویسس  ]7[ پژوهش‌های اخیر درباره جریان سیال و ویژگی‌های انتقال حرارت نانوسیالات را در رسانایی، جریان همرفتی تحمیلی و آزاد و جوش را مورد بازبینی قرار دادند و به فرصت‌های موجود برای نیاز به مطالعات آینده اشاره نمودند. ونویسس مقالات منتشرشده‌ای را که درباره‌ی مباحث آزمایشی و تئوری انتقال حرارت همرفتی تحمیلی نانوسیالات می‌باشند را بازنگری نموده و مورد بررسی قرار دادند.
از طرف دیگر تعداد زیادی از محققان گزارش کردند که انتقال حرارت با نانو سیال افزایش مییابد به‌طور مثال لیو ژان یک مطالعه تجربی برای بررسی انتقال حرارت جابجایی و خواص جریان نانو سیال را پیگیری نمودند. نتایج آن‌ها نشان میدهد که ضریب انتقال حرارت جابجایی و خواص جریان نانو سیال با سرعت افزایش پیدا می‌کند و همچنین کسر حجمی، بخش‌های نانو  و از پایه آب در سرعت جریان مشابه بزرگ‌تر است.
داس و همکاران به‌طور تجربی نشان دادند که  هدایت گرمایی نانو سیالات با افزایش دما افزایش مییابد آن‌ها مشاهده کردند که 2 تا 4 درصد هدایت گرمایی افزایش مییابد که میتواند در دماهای 21 تا 52 درجه سانتی‌گراد به دست بیاید ]7[.
در مقایسهی بررسیهای تحقیقی وابستگی استفاده از نانو سیالات در انتقال حرارت جابجایی، مطالعات اندکی در استفاده از نانو سیالات در جابجایی آزاد یافت میشود.
خانافر و همکاران ]8[ مطالعات عددی برای تعیین انتقال حرارت جابجایی طبیعی نانو سیالات در محفظه تحت قیود فیزیکی مختلف را پی گیری کردند. نتایج آن‌ها نشان داد که عدد ناسلت متوسط با افزایش کسر حجمی برای اعداد گراشف مختلف افزایش مییابد.
کیم و همکاران ]9[ یک فاکتور برای توصیف اثربخش نانویی روی بی‌ثباتی جابجایی و مشخصه‌های انتقال حرارت یک سیال مبنا را پیشنهاد کردند. این فاکتور جدید شامل تأثیر نسبت قابلیت هدایت نانو ذرات به سیال پایه، فاکتور شکل نانو ذرات، کسر حجمی نانو ذرات و نسبت ظرفیت گرمایی آن میشود. نتایج آن‌ها نشان میدهد که ضریب انتقال حرارت در حضور نانو سیال با افزایش کسر حجمی نانوساختار ها افزایش مییابد.
افزایش انتقال حرارت جابجایی با استفاده از نانوسیالات توسط نینا و همکاران و نینا و روتا به‌طور تجربی مشاهده شده است.
در طرف دیگر رحیمی و همکاران ]10[ به صورت تجربی دریافتند که حضور نانوساختار (cuo,Al2o3) در آب بر مبنای نانو سیال در داخل استوانه‌ی افقی ضریب جابجایی طبیعی را با افزایش کسر حجمی نانو ذرات، چگالی نانوذره و همچنین نسبت منظری استوانه کاهش مییابد.
هاشمی و همکاران ]11[ به‌طور تجربی گزارش کردند که ضریب جابجایی طبیعی با افزایش تجمع نانوساختارها کاهش مییابد.
گرگوری و همکاران]12[ جابجایی طبیعی را با میکروساختارAl2o3  (تقریباً 250 nm) آب ساکن در محفظه آزمایش کردند. به نظر میرسد که نتایج آن‌ها تأثیر ناچیز ساختارها را روی مقدار عدد ناسلت برای یک محفظه عمودی را شامل میشود. به‌هرحال برای محفظه افقی یک کاهش در عدد ناسلت در مقایسه با حضور آب خالص در عدد رایلی و تجمع ساختارهای بیشتر وجود دارد. نویسندگان، این رفتار غیرعادی را به لایه گذاری نسبت میدهند.
استندبرگ و همکاران]13[ بررسی‌های تجربی روی جابجایی‌های طبیعی نانو سیالات در محفظه عمودی برای اندازه‌های مختلف  و کسر حجمی متفاوت نانو ذرات Al2o3 در بازه 1/0% تا 4% و عدد رایلی در بازه‌ی 105 تا 108 انجام داده‌اند. تنزل اصولی انتقال حرارت در نانوسیالات  شامل نانو ذرات با کسر حجمی بزرگ‌تر از 2% در خارج بازه‌ی عدد رایلی در نتایج آن‌ها مشاهده شد.
به‌هرحال افزایش انتقال حرارت به‌اندازه‌ی 18% با آب خالص که برای نانوسیال حاوی تجمع نانو ذرات 1/0% در رایلی های بالابود نمایش داده شد. معمولاً مدل تئوری قابل قبولی برای بررسی هدایت غیرعادی نانوسیالات وجود ندارد.
بسیاری از محققان هدایت نانو سیالات را بر مبنای قابلیت جابجایی سیال و نانوذرات، شکل نواحی سطح نانوذرات و کسر حجمی و دما قرار داده‌اند.
کبلینسکی و همکاران]14[ و ایستمن و همکاران]15[ مکانیسم‌هایی برای افزایش انتقال حرارت جابجایی پیشنهاد کردند که شامل حرکت براونی نانو ذرات، سطح لایه‌ای مولکولی مایع در مایع جزء وصل‌کننده، انتقال گرما با نانوذرات و تأثیر بر روی دسته‌ی نانوذرات بودند. آن‌ها دلیل آوردند که تأثیر رفتار براونی میتواند بسته به ورودی بزرگ‌تر پخش گرما در مقایسه با پخش براونی ناچیز در نظر گرفته شود.
ایوانس و همکاران اثبات کردند که تأثیر هیدرودینامیکی مربوط به حرکت براونی اثر عکس بر روی هدایت گرمایی نانوسیالات هنگام استفاده از شبیه‌سازی دینامیکی مولکولی و تئوری سینتیک ساده دارد.
تأثیر لایه‌های میانجی جامد یا مایع در افزایش هدایت گرمایی نانوسیالات توسط بسیاری از محققان به صورت تئوری بررسی‌شده است. به‌طور مثال یوو چوی یک مدل تئوری برای بررسی اثر لایه‌های میانجی  مایع و جامد روی مدل Hamilton-Crosser برای توقف ساختارهای نانو کروی پیشنهاد کردند. آن‌ها تلاش کردند که اثبات کنند لایه‌های میانجی جامد و مایع نقش مهمی در تقویت هدایت گرمایی نانوسیالات به‌واسطه‌ی مدل Hamilton-Crosser بازی می‌کنند. به‌هرحال مدل پیشنهادی آن‌ها قادر به پیش‌بینی رفتار غیرخطی هدایت گرمایی نانوسیالات نبود.
بررسی تأثیر بین نانوذره و سیال پایه نیز انجام‌گرفته است. ژو یک مدل بهینه برای تأثیر هدایت گرمایی مؤثر نانوسیالات  بر پایه‌ی تئوری ماکسول (تئوری (تضاد) قطبش میانگین) ایجاد کرد. ژو فرض کرد که مدل توسعه‌یافته میتواند افزایش غیرعادی قابلیت هدایت گرمایی در نانوسیالات را تفسیر کند ]16[ .
بر پایه شبیه‌سازی دینامیک مولکولی  و ارتباط ساده‌ی مایع –جامد، ژو و همکاران توضیح دادند که لایه‌های اتم مایع در حدفاصل مایع – جامد تأثیر قابل ملاحظه روی خواص انتقال گرما ندارند.
چیزی که می‌توان از اطلاعات ذکرشده متوجه شد این است که نه حرکت براونی و نه لایه‌های میانجی نمیتوانند مکانیسم‌های غالب باشند و از تجربه و بررسی و تحلیل روی افزایش انتقال حرارت هنگام استفاده از نانوسیالات در تضاد هستند هم در جابجایی طبیعی و هم اجباری: بنابراین، تحقیقات تئوری و تجربی در توضیح پایه‌های امکان افزایش انتقال حرارت وقتی از نانوسیال استفاده میشود، ضروری می‌باشد. توصیف قوی رفتار غیرعادی برای نانوسیالات که شامل قابلیت هدایت و ویسکوزیته بالا می‌باشد، وجود ندارد ]17[ .
نتایج آزمایش‌هایی که در رابطه با نحوه انتقال حرارت بر روی چندین نمونه نانوسیال انجام شد، نشان می‌دهد که عملکرد نانوسیالات در انتقال حرارت عموماً بیشتر از آن چیزی است که به‌صورت نظری پیش‌بینی‌شده است. این واقعیت یک کشف اساسی در مسئلهی انتقال حرارت می‌باشد.
درصد افزایش هدایت گرمایی ذرات مس، اکسید مس و آلومینیم در اتیلن گلیکول (EG) همچنین نمایش افزایش هدایت گرمایی نانولوله‌های کربنی چندجداره در روغن و تطبیق آن با نظریه ماکسول از نانوسیالات می‌توان به‌منظور توسعهی سیستم‌های کنترل حرارت در بسیاری کاربردها ازجمله وسایل نقلیه‌ی سنگین استفاده نمود. کنترل حرارت یکی از عوامل کلیدی در فناوری‌‌های مربوط به محصولاتی مانند پیل‌ سوختی و وسایل نقلیه دوگانهسوز-الکتریکی می‌باشد که بیشتر آن‌ها تحت دماهای عمدتاً کمتر از دمای موتورهای احتراق داخلی متداول، عمل می‌کنند ]14[ .
بنابراین نیاز مبرمی به توسعه سیالات انتقال‌دهنده حرارت با هدایت گرمایی خیلی بالا و نیز انتقال این فناوری به صنایع خودرو وجود دارد. اخیراً پژوهش‌هایی در مورد نانوسیالات فلزی حاوی نانوذراتِ مسِ با قطرِ کمتر از 10 نانومتر که در اتیلن گلیکول پخش شده بودند انجام شده است. این پژوهش‌ها نشان می‌دهد که در جزء حجمی بسیار اندکی از نانوذرات، رسانایی گرمایی می‌تواند بیشتر از قابلیت رسانایی صرف خود سیال و یا نانوسیالات اکسیدی (مانند اکسید مس و اکسید آلومینیوم با قطر متوسط ذرات 35 نانومتر) باشد. همان‌طور که در نمودار 1 نشان داده‌شده است. به علت اینکه تاکنون هیچ‌کدام از نظریه‌های معمول اثرات ناشی از قطر ذرات و یا هدایت آن‌ها بر روی میزان هدایت نانوسیالات را پیش‌بینی نکرده‌اند، این نتایج غیر منتظره است ]14[.
اخیراً نانوسیالاتی حاوی نانولوله کربنی ساخته شده‌اند و نتایج آزمایش‌های انجام شده بر روی این نانوسیالات نشان داده است که وجود نانولوله‌ها در یک سیال، هدایت گرمایی آن را به‌طور چشمگیری افزایش می‌دهد.
جالب‌تر آنکه افزایش هدایت گرمایی مربوط به نانولوله یک گام از پیش‌بینی‌های انجام شده به وسیله نظریه‌‌های موجود فراتر است. از این گذشته نمودار هدایت گرمایی اندازه‌گیری شده برحسب حجم‌های جزئی، به‌صورت غیرخطی می‌باشد حال‌آنکه تئوری‌های رایج به‌وضوح وجود یک نسبت خطی را میان این دو پارامتر نشان داده بودند.
از ویژگی‌های کلیدی نانوسیالات که تاکنون کشف‌شده‌اند می‌توان هدایت‌های گرمایی بسیار بالاتر از آنچه که سوسپانسیون‌های مرسوم از خود نشان داده بودند، وجود نسبت غیرخطی میان هدایت گرمایی و غلظت نانولوله‌های کربنی در نانوسیالات و نیز وابستگی شدید هدایت گرمایی به دما و افزایش چشمگیر در شار حرارتی بحرانی را نام برد. هر کدام از این ویژگی‌ها در جای خود برای سیستم‌های حرارتی بسیار مطلوب می‌باشند و در کنار هم نانوسیالات را بهترین کاندیدا برای تولید سردکننده‌های مبتنی بر مایع می‌نمایند. این یافته‌ها همچنین وجود محدودیت‌های اساسی در مدل‌های انتقال گرمایی متداول برای سوسپانسیون‌های جامد/ مایع را به‌وضوح نشان می‌دهد.
ازجمله عوامل انتقال حرارت در نانوسیالات، عبارت‌اند از: حرکت نانوذرات، سطح مولکولی لایه‌ای مایع در سطح مشترک مایع با ذرات، انتقال حرارت پرتابه‌ای در نانوذرات و تأثیر خوشه‌ای شدن نانوذرات ازجمله عوامل انتقال حرارت در نانوسیالات می‌باشند.
یک پروژه جدید با هدف کشف پارامترهای کلیدی که در تئوری‌های موجود و مفاهیم بنیادی مکانیسم‌های افزایش انتقال حرارت نانوسیالات ازقلم‌افتاده‌اند و نیز کشف مبنای تئوری برای افزایش غیرعادی هدایت گرمایی نانوسیالات در جولای سال 2000 با حمایت وزارت انرژی آمریکا و مرکز انرژی علوم پایه به تصویب رسید.
ساختار نانوذرات در نانوسیالات در حال بررسی و آزمایش بوسیله منبع فوتونی پیشرفته آزمایشگاه ملی آرگون می‌باشد. طبق نتایج گزارش شده از دانشگاه A&M تگزاس، این دانشگاه در حال مطالعه بر روی ارتباط بین جنبش نانوذرات و افزایش انتقال حرارت در آن‌ها می‌باشد. با استفاده از نتایج جمع‌آوری‌شده، توسعه یک مدل جدید انتقال انرژی در نانوسیالات که وابسته به اندازه نانوذره، ساختار و تأثیر پویایی بر روی خصوصیات حرارتی نانوسیالات می‌باشد، امکان‌پذیر شده است ]16[.
این نحوهی ارتباط رشته‌های مختلف علمی و پروژه‌های مشترک منجر به کشف مرزهای جدیدی در تحقیقات ترموفیزیک برای طراحی و مهندسی در زمینهی تولید خنک‌کننده‌ها خواهد گردید. تحقیق در مورد نانوسیالات می‌تواند به یک پیشرفت غیر منتظره در زمینه سیستم‌های ترکیبی مایع/جامد، برای کاربردهای بی‌شمار مهندسی ازجمله خنک‌کننده‌های اتومبیل‌ها و کامیون‌های سنگین بیانجامد. از عمده‌ترین تأثیرات این تحقیقات می‌توان به بیشتر شدن کارایی انرژی، کوچک‌تر و سبک‌تر شدن سیستم‌های حرارتی، کمتر شدن هزینه‌های عملیاتی و پاک‌سازی محیط‌زیست اشاره نمود]16[..
فصل سوم

20250152560955
تئوری3-1- مقدمهدر این فصل تئوری حاکم بر پایاننامه و همچنین معرفی کدهای مورداستفاده آورده شده است.
3-2- کلیاتفرایند شکافت هسته‌ای شامل میلیاردها واکنش بسیار سریع بوده و میزان انرژی بسیار زیادی آزاد می‌کند. یک رآکتور هسته‌ای را می‌توان یک بمب اتم در نظر گرفت که واکنش آن کنترل شده باشد. شروع‌کننده واکنش هسته‌ای ذره نوترون می‌باشد که با برخورد به ماده شکافت پذیر آن هسته را به دو هسته سبک‌تر و میانگین 2.54 عدد نوترون تبدیل می‌کند که مقدار قابل ملاحظه‌ای انرژی از این واکنش آزاد می‌شود. ازاین‌رو کنترل تعداد نوترون‌های تولیدی و مصرفی در کل واکنش اهمیت زیادی دارد. در رآکتور هسته‌ای در شرایط پایا سعی در برابر نگه‌داشتن تعداد نوترون مصرفی و تولیدی است. نسبت نوترون‌های تولیدی در هر واکنش به نوترون‌های مصرفی را به عنوان ضریب تضاعف معرفی می‌کنیم که مقدار آن در حالت پایا می‌بایست برابر 1 باشد تا واکنش هسته‌ای به شکل کنترل‌شده‌ای انجام شود. برای کنترل کردن مقدار ضریب تضاعف از ابزارهای گوناگونی استفاده می‌شود. ابزارهایی که قابلیت جذب نوترون را دارند. این کار با وارد کردن موادی که جاذب نوترون هستند به داخل قلب رآکتور صورت می‌گیرد؛ یعنی ما واکنش را با موادی که قابلیت جذب نوترون دارند کنترل می‌کنیم. این مواد جاذب نوترون به صورت میله‌های کنترل که میزان ورود آن به داخل قلب قابل‌کنترل است و به‌صورت محلول در آب که غلظت آن قابل‌کنترل است به قلب وارد می‌شوند. یکی از این مواد جاذب نوترون هسته بورون است که به صورت ترکیب اسید بوریک به آب خنک‌کننده قلب رآکتور اضافه می‌شود و میزان آن با توجه به کارکرد رآکتور متغیر است. پس ما با ابزارهایی چون سم‌های جاذب نوترونی در قالب میله‌های کنترل و مواد محلول در آب سعی در ثابت نگه‌داشتن مقدار نوترون تولیدی و مصرفی داریم. از مسائل مهم دیگری که در رآکتور هسته‌ای نیروگاه‌ها از اهمیت زیادی برخوردار است توانایی دفع گرمای تولیدی از قلب رآکتور است که در میله‌های سوخت و ازشکافت ماده شکافت پذیر تولید می‌شود. خنک‌کننده راکتورهای هسته‌ای می‌تواند مواد گوناگونی نظیر آب، فلز مذاب و گاز باشد که انتخاب نوع خنک‌کننده به نوع رآکتور بستگی دارد. خنک‌کننده معمول راکتورها را می‌توان آب در نظر گرفت. به دلیل مسائلی ازجمله سطح انتقال حرارت محدود و میزان گرمای تولیدی بسیار بالا ضریب انتقال حرارت سیال خنک‌کننده از اهمیت بالایی برخوردار است که هر چه میزان بیشتری باشد یعنی سیال قابلیت دفع گرمای بیشتری دارد و سیال مناسب‌تری است. انتخاب نوع خنک‌کننده رآکتور هسته‌ای تابع مسائل گوناگون و پیچیدهای است که انتخاب سیال خنک‌کننده را بسیار پیچیده می‌کند. از این مسائل دو مسئله‌ی رفتار سیال خنک‌کننده در مواجهه با نوترون (قابلیت جذب نوترون) و میزان ضریب انتقال حرارت آن از اهمیت بیشتری برخوردارند. پس باید با درنظر گرفتن این مسائل نوع سیال خنک‌کننده را انتخاب کرد. در بسیاری از راکتورها از آب به عنوان خنک‌کننده استفاده می‌شود که برای کنترل خاصیت جذب نوترون آن از سم‌های نوترونی محلول در آن مانند اسید بوریک استفاده می‌شود؛ و برای افزایش ضریب انتقال گرمای آن از نانوسیالات استفاده می‌شود که در آب معلق بوده و باعث افزایش ضریب انتقال حرارت خنک‌کننده می‌شوند که با تازگی از اهمیت بالایی برخوردار بوده که مطالعات گوناگونی بروی آن انجام شده است. چون مواد محلول در آب بر روی ضریب تضاعف کلی قلب تأثیر می‌گذارند در هنگام انتخاب نوع و مقدار نانو سیالات باید این مسئله در نظر گرفته شود ]17[.
چون میزان ضریب تضاعف هم از نظر ایمنی و هم از نظر اقتصاد نوترونی اهمیت بالایی دارد، در این پروژه سعی در مطالعه‌ تأثیر نانوسیالات مناسب بر روی ضریب تضاعف و خاصیت جذب نوترونی آن‌ها داریم. چون در این پروژه از دید نوترونی و هسته‌ای قصد مطالعه نانوسیالات را داریم انتخاب نانوسیالات از دیدگاه انتقال حرارتی را بر مبنای مطالعات پیشین انجام می‌دهیم. به این شکل که از مطالعات و مقالات موجود بهترین نانوسیالات برای افزایش ضریب انتقال حرارت را انتخاب و مطالعات نوترونی را بر روی آن‌ها انجام می‌دهیم و درنهایت یک نانو سیال بهینه را انتخاب می‌کنیم.
3-3- انتقال حرارت در نانو سیالاتنانو سیالات که از توزیع ذرات با ابعاد نانو در سیالات معمولی حاصل می‌شوند، نسل جدیدی از سیالات با پتانسیل بسیار زیاد در کاردبرهای صنعتی هستند. اندازه ذرات مورداستفاده در نانو سیالات از ۱ نانومتر تا ۱۰۰ نانومتر می‌باشد. این ذرات از جنس ذرات فلزی همچون مس (Cu) نقره (Silver) و... و یا اکسید فلزی همچون آلومینیوم اکسید(Al2O3) ، اکسید مس (CuO)و... هستند. سیالات متداولی که در زمینه انتقال حرارت استفاده می‌شوند ضریب هدایت حرارتی پایینی دارند. ذرات نانو به دلیل بالا بودن ضریب هدایتی‌شان با توزیع در سیال پایه باعث افزایش ضریب هدایت حرارتی سیال که یکی از پارامترهای اساسی انتقال حرارت محسوب می‌شود، می‌گردند ]18[.
تولید و کاربرد نانو سیالات به دو روش است:
(1)  روش دومرحله‌ای (Two-step process)
مرحله نخست این روش شامل تولید نانو ذرات به صورت یک پودر خشک بوده که اغلب توسط کندانس نمودن با یک گاز بی‌اثر انجام می‌شود. در مرحله بعد نانو ذرات تولیدشده در سیال پخش می‌گردند.
نکته اساسی در این روش تجمع نانو ذرات بر اثر چسبندگی آن‌ها به همدیگر است که از معایب این روش به شمار می‌آید.
(2)روش تک‌مرحله‌ای (Single-step process)
در این روش از یک مرحله که تبخیر مستقیم است استفاده می‌گردد. مزیت استفاده از این ‌روش آن است که تجمع ذرات بر اثر چسبندگی آن‌ها به یکدیگر به‌طور قابل ملاحظه‌ای کاهش یافته و به حداقل می‌رسد ]18[ .شکل 3-1 گویای این موضوع می‌باشد.

شکل 3-1: مقیاسی از ذرات نانوسیال ]22[همچنین یک نکته اساسی در روش‌های تولید نانو سیالات ایجاد پایداری برای ذرات معلق جامد، با بهره‌گیری از خواص سطحی ذرات معلق و نیز پیشگیری از ایجاد خوشه‌ای ذرات است. در این راستا سه روش عمده وجود دارد ]18[:
 تغییر میزان pH
 استفاده از جاذب‌های سطحی (surface activators)
 استفاده از ارتعاشات مافوق صوت (ultrasonic vibration)
3-2-1- مکانیسم‌های انتقال حرارت در نانو سیالاتدر بررسی مکانیسم‌های انتقال حرارت 2 مکانیسم مورد توجه قرار می‌گیرد ]1[.
مکانیسم هدایت حرارتی
مهم‌ترین نکته در این بخش یادآوری این موضوع است که ضریب هدایت حرارتی سیالات، نقش اصلی را در میزان انتقال حرارت در تجهیزات مربوطه ایفا می‌کنند. در همین راستا نانو ذرات به دلیل دارا بودن ضریب انتقال حرارت بالا، سبب افزایش قابل‌توجه در انتقال حرارت هدایتی نانو سیالات می‌شوند به‌طور مثال استفاده از نانو ذرات مس و نانولوله‌های کربنی در اتیلن گلایکول و نفت موجب افزایش ضریب انتقال حرارت سیال پایه به میزان 40% و 150% می‌شود ]1[.
پیش از پرداختن به مدل‌های ریاضی موجود، مؤثرترین فاکتورها در افزایش انتقال حرارت نانو سیالات بر اساس آزمایش‌های صورت گرفته و داده‌های تجربی موجود بررسی می‌شود، این فاکتورها عبارت‌اند از ]19[:
- نوع سیال پایه و نانو ذرات مورداستفاده
- جزء حجمی ذرات
- اندازه نانو ذرات
- شکل نانو ذرات(نسبت منظر یا aspect ratio)
- میزان pH نانو سیالات
- نوع پوشش مورداستفاده برای ذرات (particle coating)
مدل‌های ریاضی که در این زمینه ارائه‌شده مبتنی بر محاسبه‌ی ضریب هدایت حرارتی مؤثر نانو سیال می‌باشد نخستین رابطه‌ای که مبنای بسیاری از کارها قرار گرفته و برای  نانوسیالات نیز استفاده شده است رابطه مربوط به ماکسول می‌باشد این رابطه برای مخلوط مایع و ذرات جامد با ابعاد نسبتاً ریز بیان شده  است ]19[.
Keff,Maxwell=kP+2k1+2(kP-k1)∅kP+2k1-(kP-k1)∅k1 (1-3) در صورتی که معادله‌ی مربوط به انرژی را در مختصات کروی بنویسیم خواهیم داشت:
∇2∅=∂∂rr2∂∅∂r+1sinθ∂∂θsinθ ∂∅∂θ=0 (2-3)این معادله در حالت پایدار در نظر گرفته‌شده و از فرم مربوط به جهت صرف‌نظر شده و سرعت در جهت نادیده گرفته‌شده است.

شکل3-2: پارامترهای مختلف بروی مختصات کروی نانوسیال ]19[
H=-∇∅q=kHH  : intensity
q  :heat flux
شرایط مرزی معادله به صورت زیر است:

پایان نامه - تحقیق علمی

شکل 1-1 : یک سیکل از سیگنال ECG
پتانسیل عمل عضله قلبفرآیند انقباض هماهنگ بخش‌های مختلف قلب توسط پتانسیل عمل در سلول‌های موجود در بافت قلب انجام می‌گیرد. در ادامه مراحل مختلف پتانسیل عمل در یک سلول قلبی جهت ایجاد انقباض ماهیچه قلب بررسی می‌گردد[8].
مرحله استراحت : پیش از وقوع پتانسیل عمل، مرحله استراحت بر غشا حاکم است. در این مرحله گفته می‌شود که غشا پلاریزه یا قطبی است. زیرا پتانسیل آن 90- میلی‌ولت است.
مرحله دپلاریزاسیون :در این مرحله غشا ناگهان نسبت به یون سدیم نفوذپذیر می‌شود و اجازه می‌دهد تا تعداد بی‌شماری یون مثبت سدیم به درون آکسون جاری شود. حالت طبیعی پلاریزه با پتانسیل 90- میلی‌ولت از بین می‌رود و پتانسیل به سرعت در جهت مثبت بالا می‌رود. به‌این حالت دپلاریزاسیون می‌گویند.
مرحله رپلاریزاسیون : در چند ده‌هزارم ثانیه بعد از اینکه غشا به شدت نسبت به سدیم نفوذپذیر گردید،‌کانال‌های سدیم شروع به بسته شدن می‌کنند و کانال‌های پتاسیمی به میزان بیشتری نسبت به حالت طبیعی بازمی‌گردند. سپس انتشار سریع یون‌های پتاسیم به خارج، مجددا پتانسیل غشا را به حالت منفی زمان استراحت می‌رساند؛ به‌این حالت رپلاریزاسیون غشا می‌گویند.

متن کامل در سایت امید فایل 

موج P :انتشار پتانسیل تحریک از طریق دهلیز، باعث انقباض دهلیز میشود )دپلاریزاسیون( و موج P را تولید می‌کند. دامنه موج P به طور نرمال کم است.
منحنی QRS :منحنی QRS مربوط به دوره زمانی انقباض یا دپلاریزاسیون بطنی است. سیگنال رپلاریزاسیون دهلیزی مغلوب سیگنال بسیار بزرگتر بطنی می شود. این سیگنال حاصل دپلاریزاسیون بطنی است. منحنی QRS به دلیل حجم بافت بطنی که درگیر است سیگنال بسیار بزرگتری نسبت به موج P است.
موج T :موج T نتیجه انبساط یا رپلاریزاسیون بطن‌ها است و دارای طول زمانی بیشتری نسبت به منحنی QRS است، زیرا رپلاریزاسیون بطنی بسیار آهسته تر از دپلاریزاسیون اتفاق می‌افتد.
قطعه ST :بخش ST زمان بین دپلاریزاسیون و رپلاریزاسیون بطنی را نشان میدهد. بخش ST از پایان کمپلکس QRS شروع می‌شود و در آغاز موج T پایان مییابد. در حالت نرمال، بخش ST به‌اندازه 0.12 ثانیه یا کمتر است.
بازه QT:بازه QT از آغاز موج (Qi) Q شروع می‌شود و در نقطه پایان موج (Ti) Tتمام می‌شود، که نشان دهنده طول زمان سیکل دپلاریزاسیون یا رپلاریزاسیون است. اندازه نرمال زمانی بازه QTحدود 0.38 ثانیه است، و اندازه ‌آن در مردان و زنان و در سنین مختلف، متفاوت است. به عنوان یک قانون کلی، فاصله زمانی QT باید حدود 0.40 درصد فاصله زمانی R-R اندازه‌گیری شده باشد.
بیماریهای ضربان قلب :از تحلیل تغییرات ایجاد شده درشکل سیگنال نرمال الکتروکاردیوگرام می‌توان برای تشخیص بسیاری از انواع آریتمی و بیماری‌های قلبی استفاده شود. سیگنال الکتروکاردیوگرام می‌تواند به بخش‌ها و فواصل زمانی گوناگون تقسیم شود که با تعیین محدوده برای این بخش‌ها، ضربان‌های غیر نرمال تشخیص داده شوند. سیگنالهای ECG با توجه به شکل آنها و نوع آریتمی‌ها به گروه‌های مختلف تقسیم می شوند. انواع ضربان‌های قلبی با توجه به پایگاه داده MIT-BIH در جدول 1-1 نشان داده شده‌اند]6[.
Beat type Label
Normal beat N
Left bundle branch block L
Right bundle branch block R
Atrial premature beat A
Abberated atrial premature beat A
Nodal(junctional) premature beat J
Supraventricular premature beat S
Ventricular premature beat V
Fusion of ventricular and normal beat F
Ventricular flutter beat b or I
Nodal(junctional) escape beat J
Ventricular escape beat E
Fusion of paced and normal beat F
جدول 1-1 : ضربان های قلبی
در این تحقیق به طبقه‌بندی شش شکل مختلف سیگنال ECG که دارای بیشترین اهمیت هستند، پرداخته شده است. این ضربان‌ها عبارتند از:
نرمال (N)، بلوک شاخه دسته ای چپ (L یا LBBB)، بلوک شاخه دسته‌ای راست (R یا RBBB) و انقباض زودرس بطنی (V یا PVC) و ضربان زودرس دهلیزی (A) و تپش قلب (Pace beat).
بلوک شاخه دسته‌ای چپ (LBBB) و بلوک شاخه دسته‌ای راست (RBBB):
دسته‌ای از آریتمی‌ها مربوط به نارسایی‌های دسته‌ای هادی مختلف می باشند (بلوک شاخه دسته‌ای راست و بلوک شاخه دسته‌ای چپ). بلوکهای شاخه دسته‌ای (BBB) در اثر تأخیر در هدایت یکی از بخش‌های چپ (LBBB) یا راست (RBBB) سیستم هدایت بطنی رخ می‌دهد. به دلیل اینکه سیگنال در یکی از نیمه‌های بطن تأخیر یافته است، شکل QRS پهنتر می‌شود و گاهی نیز فرورفته می‌شود. این انسدادها معمولاً تاثیر بسیار کمی در عملکرد و کارآیی پمپاژ دارند و اما می‌توانند تغییر قابل ملاحظه‌ای در مسیر بردار قلبی و در نتیجه در شکل ظاهری ECG به وجود آورند. به همین دلیل این ضربان‌های قلبی غیر نرمال می‌توانند تغییرات دیگر ECG را که مشخص کننده بیماری‌ها (مثلا ایسکمی) می‌باشند را بپوشانند. در برخی موارد، این ناهنجاری‌های رسانش(LBBB و RBBB) نشانگر برخی از دیگر آسیب‌های بسیار مهم پنهان می باشند. برای نمونه، انسداد رگ های ریوی می‌تواند موجب یک بلوک شاخه دسته‌ای راست جدید و ایسکمی حاد پیشین می‌تواند موجب یک بلوک شاخه دسته‌ای چپ جدید شود. معمولاً هیچ درمانی برای بلوک شاخه دسته‌ای انجام نمی‌شود.
انقباض زودرس دهلیزی یا اکستراسیستول (APC):
گاهی اوقات ممکن است یک ریتم به وسیله ایمپالس‌هایی‌که از خارج گره سینوسی– دهلیزی‌SA سرچشمه گرفته باشند، متوقف شود. این ایمپالس‌ها قبل از اینکه یک دشارژ SA نرمال رخ دهد، اتفاق می‌افتند و در سراسر قلب انتشار پیدا می‌کنند، اگر میوکاردیوم (ماهیچه قلب) مقاوم نباشد، سبب می‌شوند تا به صورت زودرس منقبض شود. اکستراسیستول‌ها ممکن است از بالا (بالابطنی) یا از پایین (بطنی) گره دهلیزی بطنی سرچشمه بگیرند. اکستراسیستول‌ها ممکن است به صورت تکی یا در ردیف‌های کوتاه یا بلند اتفاق بیافتند.
انقباض زودرس بطنی(PVC):
ضربان‌های PVC یک شکل بسیار رایج از آریتمی‌ها می‌باشند. آنها یک شکل ضربان‌های قلبی غیر معمولی هستند که در آنها بطن به طور زودرس انقباض پیدا می‌کند. در طول یکPVC ، بطن قبل از اینکه دشارژ الکتریکی نرمال از گره SA فرا برسد، از نظر الکتریکی زودتر دشارژ شده و منقبض می‌گردد. این دشارژهای زودرس به دلیل تحریک‌پذیری الکتریکی عضله های قلبی بطن‌ها هستند. بعد از PVC سیستم الکتریکی قلب فوراً به حالت اولیه باز می‌گردد. این بازگردانی سبب یک توقف مختصر در ضربان قلبی می شود. ضربان PVC به وسیله منحنی‌های QRS پهن و گسترده شناخته می‌شود]5[.
ساختار کلی تحقیقدر این تحقیق ابتدا به بیان کلیات و روش انجام تحقیق به صورت خلاصه پرداخته شده است. در فصل دوم به مرور پژوهش‌های انجام شده در زمینه طبقه بندی سیکنال‌های قلبی و بیان روش کار آنها و مقایسه نتایج بدست آمده، پرداخته خواهد شد. در فصل سوم روش پیشنهادی به همراه توضیحات دقیق و فرمول آنها تشریح خواهد شد. در فصل چهارم مراحل شبیه‌سازی به صورت بخش به بخش بیان می‌شود. در فصل پنجم نتایج شبیه‌سازی و همچنین مقایسه با نتایج تحقیقات قبلی که در فصل دوم تشریج شده اند بیان می‌شود.

فصل دومپیشینه ‌پژوهش
2-1- مقدمههوشمند‌سازی فرآیند تشخیص بیماری‌های قلبی سالها است مورد بحث پژوهشگران تمامی کشور‌ها قرار گرفته است. این فرآیند شامل مراحلی است که طی آن سیگنال ECG به عنوان ورودی نرم افزار انتخاب می‌شود و انتظار این است که نرم افزار با دقت قابل قبولی سلامت یا بیماری و حتی نوع بیماری قلبی را تشخیص دهد. تمامی این نرم افزار‌ها پس از دریافت سیگنال، ویژگی‌های مناسب آن را استخراج و انتخاب کرده، سپس به تشخیص نوع بیماری می‌پردازد. در هر یک از مراحل بیان شده روش های گوناگونی وجود دارد که در این فصل به تحقیقات پیشین و روشی که مورد استفاده قرار گرفته است پرداخته خواهد شد.
معرفی پایگاه داده:سیگنال‌های نارسائی قلبی که از پایگاه داده MIT-BIH گرفته شده است، شامل 48 سیگنال قلب دوکاناله متشکل از 25 مرد از سنین 32-89 سال و 22 زن در سنین 23-89 سال با فرکانس نمونه‌برداری 360 هرتز و رزولوشن 12 بیت، که حدودا حاوی 650000 نمونه و تقریبا 2750 ضربان قلب در مدت زمان 30 دقیقه برای هر سیگنال می‌باشد. بیش از 109000 ضربان قلب در پایگاه فوق در قالب 15 نارسائی برچسب‌گذاری شده‌اند. از این سیگنال‌ها 45 سیگنال دارای lead II می‌باشند [11،24].
2-2- طبقه‌بندی سیگنال ECG با استفاده از موجک و شبکه عصبیپس از چند مرحله پیش پردازش از تبدیل موجک پیوسته برای استخراج ویژگی های سیگنال می‌شود. به دلیل زیاد بودن تعداد بردارهای استخراج شده توسط موجک از آنالیز PCA جهت کاهش ابعاد و به عبارتی انتخاب بهترین نمونه‌ها استفاده شده است.
شبکه عصبی چند لایه، طبقه‌بندی را بر روی شش کلاس که شامل سیگنال نرمال و 5 اریتمی قلبی که از گروهی خاص از سیگنال ECG بیماران پایگاه داده MIT-BIH انجام داده است. نمودار گرافیکی روش به کار رفته در این تحقیق در شکل 2-1 نشان داده شده است]7[.

شکل 2-1 :مراحل طبقه بندی 6 آریتمی
2-3- طبقه‌بندی سیگنال ECG با استفاده ازموجک و خواص مورفولوژیک و شبکه عصبیدر این پژوهش پس از پیش‌پردازش، 15 ویژگی زمانی و 15 ویژگی از تبدیل موجک انتخاب شده است و برای کاهش ابعاد این ویژگی ها از روش PCA استفاده شد که نتیجه آن انتخاب 8 ویژگی از بهترین ویژگی‌های هر کلاس بوده است. شبکه عصبی پرسپترون چند لایه و شبکه عصبی پایه شعاعی به صورت ترکیبی طبقه‌بندی را انجام می دهد. در این تحقیق نشان داده شده است که ساختار ترکیبی شبکه عصبی دارای نتایجی به مراتب بهتر از شبکه عصبی MLP می‌باشد]4[.
2-4- طبقه‌بندی سیگنال ECG با استفاده از تبدیل موجک و شبکه عصبی فازیدر این پژوهش از استخراج ویژگی موجک به همراه شبکه عصبی فازی برای شناسایی انقباضات زودرس بطنی PVC استفاده کرده‌اند. ایده اصلی و مزیت مهم این تحقیق استفاده مجدد از اطلاعات تولید شده در مرحله تشخیصQRS ، که یک مرحله اساسی برای بیشتر الگوریتم های طبقه بندی ECG است، می باشد. طول مدت زمان کمپلکس QRS در مقیاس سه و سطح زیر کمپلکس QRS در مقیاس چهار به عنوان ویژگی های مشخصه انتخاب شده اند. پس از نرمالیزاسیون، طبقه بندی PVC با استفاده از شبکه عصبی فازی روی سیگنال ECG تعدادی خاص از بیماران انجام شده است. دو مزیت اولیه استفاده از موجک یکسان برای دو مرحله تشخیص QRS و طبقه‌بندی PVC، محاسبات کمتر و پیچیدگی کمتر در هنگام پیاده سازی واقعی است]9[.
2-5- طبقه‌بندی سیگنال ECG با استفاده از تبدیل ویولت و شبکه عصبی مصنوعی و الگوریتم پرندگانویژگی‌های شکلی تبدیل موجک، با استفاده از آنالیز PCA به یک فضای ویژگی با ابعاد کمتر نگاشت داده شده اند، و همچنین ویژگی‌های زمانی از داده های ECG استخراج شده اند. برای قسمت تشخیص الگو از شبکه‌های عصبی مصنوعی رو به جلو که هر کدام با استفاده از تکنیک الگوریتم پرندگان چند هدفه استفاده شده است. در این تحقیق،‌سیستم طبقه‌بندی ارائه شده می تواند با آموزش ساختارهای شبکه بهینه به تغییرات اساسی در الگوهای ECG یک بیمار خاص سازگار شده و بنابراین می‌تواند به درصد دقت‌های بالاتری در دسته داده‌های بزرگ دست پیدا کند.
بر روی کل داده‌های پایگاه داده میزان میانگین معیار عملکردهای دقت حساسیت برای روش پیشنهادی برای شناسایی ضربان‌های اکتوپیک بطنی (VEB) و ضربان‌های اکتوپیک بالابطنی (SVEB) انجام شده است]10[.
2-6- طبقه‌بندی آریتمی‌های قلبی با استفاده از SVMدر این پژوهش با تحلیل سیگنال ECG، ویژگی‌های آن با ترکیبی از تبدیل ویولت و مدل AR استخراج شده اند. با چنین تلفیقی روش های رایج در تشخیص بیماری‌های قلبی بهینه شده‌اند. سپس از یک طبقه‌بندی‌کننده ماشین بردار پشتیبان با هسته گوسین به منظور طبقه‌بندی خودکار پنج نوع آریتمی قلبی استفاده شده است]2[.
2-7- طبقه‌بندی آریتمی دهلیزی بطنیدر این پژوهش یک الگوریتم کارآمد تشخیص و طبقه‌بندی ECG تک کاناله مبتنی بر تبدیل موجک را اجرا نموده و به منظور تشخیص و طبقه‌بندی برخی آریتمی‌های خطرناک بطنی به کار گرفته و بهبود داده شده است. در اولین مرحله، کمپلکس‌های QRS تشخیص داده می‌شوند. سپس مشخصات هر QRS با شناسایی و تعیین قله‌های مو ج های تشکیل دهنده آن و نیز نقاط شروع و پایان کمپلکس QRS تکمیل می‌گردد. در ادامه قله‌های موج هایT ، P و نیز نقاط شروع و پایان هر یک تعیین می‌شود . این الگوریتم را با استفاده از داده‌های حاشیه نویسی شده معروف MIT/BIH Arrhythmia Database و QT Database ارزیابی شده اند. در الگوریتم پیشنهادی با بکارگیر‌ی موجک اسپلاین درجه دوم (quadratic spline)، کمپلکس QRS و همچنین موجهای T و P از انواع نویزها و تداخل‌های ناخواسته تفکیک شده و تشخیص آریتمی‌های حاد در بانک اطلاعاتی سیگنال‌های الکتروکاردیوگرام استاندارد حتی در حضور نویز و تداخل‌های ناخواسته نیز امکان پذیر می‌گردد. با استفاده از الگوریتم پیشنهادی تشخیص آریتمی‌های تاکیکاردی بطنی VT، تاکیکاردی فوق بطنی SVT، فیبریلاسیون بطنی VFIB، فلاتر بطنی VFL، فلاتر دهلیزی AFL، و آریتمی فیبریلاسیون دهلیزی AFIB، انجام شده است]12[.
2-8- طبقه‌بندی سیگنال الکترو‌کاردیو‌گرام با طبقه‌بند ماشین بردار پشتیبان و الگوریتم PSOدر این پژوهش از ویژگی‌های زمانی و مورفولوژیک استفاده شده است. آزمایش از روش‌های طبقه بند RBF و kNN و SVM به عمل آمده که نتایج برتری طبقه‌بند SVM با هسته گوسی را نشان می‌دهد. همچنین برای تنظیم پارامترهای SVM از الگوریتم بهینه‌ساز PSO استفاده شده است که باعث بهبود عملکرد طبقه‌بندی SVM می شود. در این مقاله از 250 و500و750 ضربان اموزش استفاده شده که با توجه به نتایج آزمایش عملکرد طبقه‌بند با 750 داده اموزش دقت 93.27% است]3[.
2-9- طبقه‌بندی آریتمی‌های قلبی با استفاده از PSOدر این پژوهش یک سیستم جدید برای طبقه‌بندی سه نوع ضربان قلب شامل ضربان نرمال و دو آریتمی قلبی ارائه شده است. این سیستم شامل سه ماژول اصلی - یک ماژول استخراج ویژگی، یک ماژول طبقه بندی و یک ماژول بهینه‌سازی‌ است. در ماژول استخراج ویژگی ترکیبی مناسب از ویژگی‌های شکلی و زمانی ایجاد می‌شود. در ماژول طبقه بندی یک کلاس بند چند طبقه بر پایه ماشین بردار پشتیبان ارائه شده است. در ماژول بهینه‌سازی از الگوریتم اجتماع ذرات برای یافتن بهترین ویژگی‌ها استفاده شده است. نتایج شبیه سازی دقت مناسبی داشت و این در حالی است که در بدست آمدن این سطح دقت،فقط مقدار کمی از ویژگی‌ها استفاده شده است]14[.
2-10- رویکرد ترکیبی در طبقه‌بندی سرطانمدلی مبتنی بر فیلتر و رپر را جهت دسته‌بندی نشان گر سرطان برای انتخاب ژن در داده‌های ریز آرایه ارائه شده است. نتایج مدل ترکیبی ان‌ها که از نرخ فیشر به عنوان فیلتر استفاده می‌کند،روی چندین مجموعه داده واقعی دقت کلاس‌بندی بسیار بهتری نسبت به مدل تنها رپر، نشان می‌دهد. مدل ترکیبی دو مرحله‌ای ارائه شده در این پژوهش ویژگی‌های مناسب را بر اساس معیار اماری حداکثر وابستگی و حداقل افزونگی انتخاب می‌کند. در مرحله اول مدل از معیار حداکثر ارتباط و حداقل افزونگی برای انتخاب زیر مجموعه بهینه ویژگی‌ها بهره می‌برد. در مرحله دوم از الگوریتم‌های کلاسیک رو به جلو وعقب گرد برای جستجو در زیر مجموعه‌های مرحله اول استفاده می‌کند. نتایج تجربی مدل آنها حاکی از عملکرد بهتر این روش نسبت به روش فیلتر حداکثر وابستگی می‌باشد]15[.
2-11- دسته‌بندی آریتمی‌های قلبی بر مینای تبدیل موجک و SVMدر این پژوهش یک روش برای دسته‌بندی آریتمی‌های قلبی ارائه شده است که تعداد 5 آریتمی از بانک اطلاعاتی Physionet انتخاب شده و آریتمی‌ها به زمان های 6 ثانیه تقسیم شده و برای هر قطعه زمانی ضرایب تبدیل موجک به عنوان بردار ویژگی آن قطعه محاسبه شده و از ماشین بردار پشتیبان SVM برای دسته‌بندی آریتمی‌ها استفاده شده است. دسته‌بندی‌کننده‌های SVM را با بردارهای ویژگی قطعات آموزش داده و برای دسته‌بندی یک آریتمی مجهول، بردارهای ویژگی زمانی آن به SVM ها اعمال می‌شود]16[.
2-12- طبقه‌بندی سیگنال ECG با استفاده از خواص مورفولوژیدر این پژوهش یک روش جهت کلاس‌بندی ضربان از یک مجموعه داده بزرگ با آموزش شبکه عصبی و استفاده از موجک و ویژگی‌های زمان‌بندی ارائه داده اند. آنها دریافتند که مقیاس چهارم از تبدیل ویولت دوتایی با ویولت مرتبه دوم همراه با نرخ فاصله قبل و بعد از R-R در تمایز نرمال و PVC دیگر ضربان‌ها بسیار مؤثر است]17[.
2-13- انتخاب ویژگی با استفاده از الگوریتم فاخته باینریدر این پژوهش،انتخاب ویژگی جدید به نام جستجو فاخته دودویی، که در رفتار پرندگان فاخته است پیشنهاد شده است. آزمایش‌های انجام شده در زمینه تشخیص سرعت در سیستم‌های توزیع قدرت در دو مجموعه داده به دست آمده از یک شرکت برق برزیل انجام شدو توانایی این روش در برابر با چندین تکنیک بهینه‌سازی دیگر را نشان می‌دهد]18[.
2-14- انتخاب ویژگی با استفاده از الگوریتم فاختهمعمولا برای پیدا کردن مجموعه داده‌ها با مقدار زیادی از ویژگی‌ها روبرو هستیم که برخی از این ویژگی های مناسب نیستند. در این زمینه، یکی از استراتژی‌های مورد استفاده برای مقابله با این مشکل،انجام یک فرآیند انتخاب ویژگی به منظور ساخت یک زیر مجموعه از ویژگی‌های است که می تواند بهترین مجموعه داده را نشان دهد. مطالعات متعددی با استفاده از تکنیک‌های بهینه‌سازی الهام گرفته از طبیعت وجود دارد. در این پژوهش، ما از الگوریتم جستجو فاخته (CS) در زمینه انتخاب ویژگی استفاده می‌کنیم. برای این منظور، یک نسخه باینری از جستجو فاخته، یعنی BCS، بکار گرفته می‌شود. شبیه‌سازی و مقایسه BCS با نسخه‌های باینری از بت الگوریتم، الگوریتم کرم شب‌تاب و ذرات بهینه‌سازی انجام شده است که BCS نتایج منطقی و مناسب‌تری را نشان می‌دهد]19[.

فصل سوممعرفی الگوریتم‌ها و روش‌های پردازش سیگنال ECG
3-1- مقدمهدر این فصل به بررسی تئوری روش پیشنهادی، جزئیات و تشریح فرمول‌های مربوطه خواهیم پرداخت که شامل تکنیک‌ها و فیلترهای موجود در بخش پیش پردازش، روش‌های استخراج ویژگی از سیگنال پیش پردازش شده، روش انتخاب ویژگی‌ها و طبقه‌بند می‌باشد.
3-2- آنالیز موجکموجک یک شکل موج با طول موثر محدود و متوسط صفر است. شکل 3-1 موجک را با موج سینوسی که مبنای آنالیز فوریه است مقایسه می‌کند. موج سینوسی طول محدود ندارد و همواره قابل پیش بینی است، اما موجک‌ها تمایل دارند که نامنظم و نامتقارن باشند.
center0
00

شکل 3-1: سیگنال سینوسی و موجک
آنالیز فوریه تجزیه یک سیگنال به موجهای سینوسی از فرکانسهای مختلف است. به شکل مشابه، آنالیز موجک تجزیه یک سیگنال به نسخه‌های شیفت یافته و مقیاس شده از موجک اصلی یا مادر می‌باشد. با توجه به شکل‌های موجک و موج سینوسی، می توان دید که سیگنال‌های با تغییرات شدید بهتر می تواند با موجک نامنظم آنالیز شوند. همچنین مشخصه‌های محلی نیز توسط موجک بهتر توصیف می شوند، چون موجک‌ها محدوده محلی دارند. تبدیل موجک پیوسته (CWT) و تبدیل موجک گسسته (DWT) دو تبدیل مهم در آنالیز موجک می باشد]20[.
3-2-1- تبدیل موج پیوسته (CWT)تبدیل پیوسته موجک روی تابع پیوسته و انتگرال پذیر f(x) نسبت به موجک حقیقی Ψ(x) از رابطه زیر حاصل می‌شود:
527301126035(3-1)
020000(3-1)
WΨs, τ=-+fx Ψs,τx dx , Ψs,τ(x)=1sΨ(x-τs)
τ , s به ترتیب بیانگر مقیاس و زمان هستند]20[.
3-2-2- تبدیل موجک گسستهضرایب موجک در هر مقیاس ممکن، مقادیر بسیار زیادی عدد تولید می‌کند. راه حل کاهش تعداد آنها را می توان از تبدیل گسسته موجک (DWT) بدست آورد.
یک راه مناسب، استفاده از فیلترها در سال 1988 توسط مالات ارایه شد و توسعه یافت]21[.
3-3-2-2- تجزیه چند سطحیفرایند تجزیه می‌تواند با تقریب‌های متوالی که به نوبت تجزیه می‌شوند، تکرار شود.این عمل منجر به ایجاد درخت تجزیه موجک می‌باشد.شکل 3-2 یک درخت تجزیه موجک سه سطحی را نمایش می‌دهد]21[.

شکل 3-2: نمایی از تحلیل موجک چند وضوحی با ساختار سلسله مراتبی توسط ضرایب تقریبی و جزیی تا سطح تجزیه 3 که در آن، A مبین ضرایب تقریب و D نیز ضرایب جزئی را نشان میدهد.
شکل (3-3) ساختار فیلتری را نشان میدهد که به آن بانک فیلتری میگویند. در این ساختار بعد از اعمال هر فیلتر با کاهش نمونههای زمانی، رزولوشن فرکانسی را افزایش میدهند. بدین ترتیب که بعد از اعمال فیلتر پایینگذر در هر مرحله، با کاهش رزولوشن زمانی به میزان نصف مرحله قبل، رزولوشن فرکانسی را دو برابر میشود.

شکل 3-3: شمایی از ساختار فیلتر بانک را برای تولید ضرایب جزیی و تقریب تبدیل موجک توسط فیلترهای پایینگذر (g) و بالاگذر (h) تا سطح تجزیه سوم نشان میدهد.
3-2-4- انتخاب موجک مادرضرایب تبدیل موجک تحت تاثیر فیلترهای اعمال شده به سیگنال هستند، که این فیلترها توسط موجک مادر و تابع مقیاس بدست میآیند. از اینرو، ضرایب تبدیل موجک با توجه به تابع موجک مادر میتواند دارای شدت و اندازههای مختلف باشد. هریک از موجکهای مادر دارای خواصی هستند که آنها را از یکدیگر جدا میسازد. یکی از پرکاربردترین توابع موجک، تابع موجک مادر دابیچیز است .که برخی توابع مادر مانند سیملت و کافلت از روی آن ساخته میشود و دارای ویژگیهای متفاوت نسبت به دابیچیز هستند. از آنجاییکه توابع موجک مادر از لحاظ نوع و مرتبه متفاوت میباشند، لذا ضرایب موجک آنها از لحاظ زمانی و اندازه دامنه متفاوت است. این نکته قابل ذکر است که ضرایب خروجی فیلتر پائین گذر(g(n)) شکل اولیه سیگنال را دنبال میکنند، یعنی کلیات سیگنال معادل فرکانسهای پایین را دربردارند و ضرایب تقریب نام گرفتند. همچنین ضرایب خروجی فیلتر بالاگذر(h(n))، جزئیات سیگنال را دربردارند، به همین دلیل به این ضرایب، جزییات گفته میشود و نماینده فرکانسهای بالا میباشند[37].
انتخاب موجک مادر نقش مهمی در استخراج ویژگی سیگنال ها به خصوص سیگنال ECG دارد. از این رو ما از بین موجک‌های مختلف، موجکی را انتخاب می‌نماییم که بیشترین شباهت به سیگنال ECG داشته باشد.در شکل 3-6 انواع دابیچیزها نشان داده شده است در بین موجک‌های مادر، موجک دابیچیز 6 بیشترین شباهت به سیگنال ECG را دارد که در شکل 3-7 سیگنال ECG با 8 سطح تجزیه و 8 سیگنال جزییات نشان داده شده است[36].
-40420531215

020000

شکل 3-6: انواع دابیچیز

شکل 3-7: سیگنال ECG به همراه 8 سطح تجزیه با db6 ]36[
3-2-4- ویژگی‌های استخراج شده از ویولتاستفاده از پارامترهای جدول3-1 به جای استفاده از ضرایب ویولت توصیه شده است]35] [23[.
ویژگی های موجک استخراج شده
انرژی
درصد انرژی طول سیگنال
واریانس ضرایب ویولت
انحراف معیار ضرایب ویولت
مقدار حداکثرتوزیع داده ها
انحراف داده ها
انحراف استاندارد
میانگین داده ها
جدول 3-1 ویژگی ویولت برای تشخیص مولفه های شناختی از ECG
3-3- ویژگی زمانیتشخیص پزشک به طور عمده مبتنی بر اطلاعات زمانی‌ و ریخت‌شناسی استخراج شده از سیگنال الکتروکاردیوگرافی است. این در حالی است که در برخی از شرایط ویژگی‌های به دست آمده از تحلیل موجک بر روی سیگنال‌های قلبی، به تنهایی از تمایز کافی برای طبقه‌بندی برخوردار نیستند. از این رو، استفاده از دیگر مشخصه‌های موجود در سیگنال‌های قلبی به جهت طبقه‌بندی بیمار‌یهای قلبی ضروری به نظر می‌رسد.
برای توصیف کاملتر سیگنال الکتروکاردیوگرافی، علاوه بر ویژگی‌های موجک از ویژگی‌های زمانی نیز در این تحقیق استفاده شده است. ویژگی‌های زمانی مورد استفاده شامل نه ویژگی زمانی برای تشخیص مولفه‌های شناختی از سیگنال ECG هستند که نماد اختصاری آ نها در جدول 3-2 بیان شده است]4[.

جدول 3-2 : ویژگی زمانی برای تشخیص مولفه‌های شناختی از ECG
ویژگی نماد اختصاری
دامنه ماکزیمم سیگنال AMP
دامنه مینیمم سیگنال -AMP
ناحیه مثبت PAR
ناحیه منفی NAR
قدر مطلق ناحیه منفی NANR
مجموع ناحیه TAR
قدر مطلق مجموع ناحیه ATAR
قدر مطلق مجموع ناحیه TAAR
پیک تا پیک سیگنال PP
3-4- استخراج ویژگی با مدل خودبازگشتی(AR)55016401019175(3-2)
020000(3-2)
روش مدلسازی خود بازگشتی یکی از مدل‌های اتفاقی است که برای نمایش سیگنال‌های غیر ایستا بسیار مورد استفاده می‌باشد. در این مدل، مقادیر جاری سیگنال به صورت جمع خطی از تعداد محدودی از مقادیر قبلی بعلاوه خطای e(n) بیان می‌شود. بنابر این پردازش به صورت 3-2 مدل می‌شود:
xn=i=1pai.xn-1+e[n]
به طوری‌که می توان گفت x(n) سیگنال مورد نظر، e(n) نویز سفید با میانگین صفر و واریانس مجهول، ai ها ضرایب و p مرتبه مدل AR می‌باشد. در این معادله متغیر x(n) به مقادیر قبلی خودش وابسته است. روشهای متعددی بطور رایج برای تخمین ضرایب AR استفاده می‌شود]2[.
3-5- استراتژی انتخاب ویژگیانتخاب ویژگی فرآیندی است که ویژگی‌های با قدرت تشخیص بالاتر و موثرتر را از مجموعه‌های داده برای انجام اعمال داده کاوی انتخاب می‌کند. مرحله مقدماتی فرایند انتخاب ویژگی عبارتند از: شناسایی مجموعه ویژگی‌ها و جستجو برای بهترین زیر مجموعه. مجموعه پارامترها اغلب شامل الگوریتم‌های یادگیری الگوریتم های انتخاب و فرآیندهای تخمین خطا می‌باشند. البته این مسئله کاملا روشن است که هیچ مجموعه ویژگی به تنهایی برای کلیه‌ی مسائل داده کاوی کارا نمی‌باشد.
الگوریتم‌های انتخاب ویژگی به طور کلی به سه دسته تقسیم می‌شوند: مدل‌های فیلتر، مدل‌های رپر و مدل‌های ترکیبی]13[. مدل‌های فیلتر از مشخصات ذاتی یا آماری ویژگی‌های مجموعه‌های داده استفاده می کنند و از هر گونه الگوریتم یادگیری مستقل اند. چنین رویه‌هایی شامل ماشین یادگیری نمی‌باشند و برای مجموعه داده‌های با ابعاد بالا موثر بوده و پیشنهاد می‌شوند. در مقابل مدل‌های رپر از ماشین‌های یادگیری استفاده کرده و زیرمجموعه ویژگی‌ها را بر اساس تخمین کارایی انتخاب می‌کنند. در مقایسه با فیلتر‌ها رپرها دارای زمان و هزینه‌های محاسباتی بالاتری بوده و برای مجموعه داده‌های با ابعاد بالا مناسب نمی‌باشد. مزیت اصلی رپرها در دقت بالای پیش‌بینی آنها است. نتایج جستجوی رپرها برای یافتن بهترین زیر مجموعه ویژگی بسیار بالاتر از فیلتر‌ها گزارش شده است. برای انتخاب ویژگی خوب،تلاش اصلی فرایند جستجو باید شناخت ویژگی‌های موثر و غیر افزونه باشد]25[. اغلب روش‌های ترکیبی فیلتر و رپر از فیلترها جهت رتبه‌بندی ویژگی‌ها و کاهش تعداد ویژگی‌های کاندید استفاده می‌کنند. به طور کلی مدل‌های ترکیبی بر اساس رویه‌های ترتیبی دو مرحله‌ای کار می‌کنند.در مرحله اول معمولا براساس فیلترها تعداد ویژگی‌های مورد نظر برای مرحله دوم کاهش می‌یابند. سپس با استفاده از مجموعه کاهش یافته یک رویه رپر در مرحله دوم جهت انتخاب ویژگی‌های مطلوب اعمال می‌شود.
3-6- تحلیل مولفه اصلی (PCA)در روش تحلیل مؤلفه‌های اصلی، محور‌های مختصات جدیدی برای داده‌ها تعریف می‌شود به گونه ای که نخستین محور در جهتی قرار می‌گیرد که واریانس داده‌ها بیشینه است و دومین محور نیز عمود بر محور اول و در جهتی که واریانس داده ها بیشینه باشد،در نظر گرفته می‌شود و به همین ترتیب، محورهای بعدی عمود بر تمامی محورهای قبلی به گونه‌ای قرار می‌گیرند که واریانس داده‌ها در آن جهت بیشینه باشد]4[.تحلیل مولفه اصلی یکی از روش‌های مرسوم استخراج ویژگی است که در بسیاری از پژوهش‌ها به دلیل سادگی و سرعت بالا در پردازش از آن استفاده می‌شود]26[. تکنیک PCA بهترین روش برای کاهش ابعاد داده به صورت خطی می‌باشد یعنی با حذف ضرایب کم اهمیت بدست آمده از این تبدیل،اطلاعات از دست رفته نسبت به روشهای دیگر کمتر است.
فرض کنید ماتریس ورودی X دارای NT نمونه و n ویژگی است و NT نمونه باید در C گروه قرار گیرند، میانگین و کوواریانس داده با توجه به روابط (3-3) و (3-4) محاسبه میشوند [38]:
md=1NTi=1cj=1Nixi,j(3-3) COV=1NTi=1cj=1Ni(xi,j-md)(xi,j-md)T (3-4)
در مرحلهی بعد، مقادیر ویژه و بردارهای ویژه از روی ماتریس کواریانس محاسبه می‌شوند. سپس، تعداد k مقدار ویژه بزرگتر از n مقدار ویژه انتخاب می‌شوند. حال ماتریس ورودی X تحت ماتریس بردار ویژه P با تعداد k ویژگی، به فضای تحلیل مولفه‌اصلی تبدیل می‌شود:
(3-5) Yij=[P1,P2,…,Pk]TXij3-7- روش بیشترین وابستگی و کمترین افزونگی (mRMR)در بسیاری از کاربرد‌های شناسایی آماری الگو، انتخاب زیرمجموعه‌ای از مجموعه ویژگی‌ها می‌تواند سبب کاهش خطای دقت طبقه‌بندی گردد. هدف روش بیشترین وابستگی و کمترین افزونگی، انتخاب زیرمجموعه از فضای ویژگی مبتنی بر مفهوم همبستگی و کاهش افزونگی اطلاعات می‌باشد. فرض کنید فضای داده ورودی D، شامل N نمونه و M ویژگی است و c نیز برچسب مربوط به هر گروه باشد. در این حالت، هدف انتخاب بهینه m ویژگی از فضای M بعدی است بطوریکه هر نمونه متعلق به گروه c باشد. از آنجاییکه تعداد زیرمجموعه‌های ممکن 2M بوده و تعداد زیرمجمو ع‌هایی که ابعادشان کوچکتر از m باشد نیز i=1mMi می‌باشد جستجوی کامل زیرمجموعه‌های ویژگی بسیار دشوار است. از اینرو، روش‌های جستجوی ترتیبی مانند پیش رو ترتیبی و شناور پیش رو ترتیبی، برای جستجوی فضای کامل زیرمجموعه‌ها در فضای ویژگی پیشنهاد می‌شوند]29[. شرط توصیف بهینه معادل با کمترین خطای دقت طبقه‌بندی درنظر گرفته می‌شود، بطوریکه در طبقه‌بندی بی سرپرست،‌کمترین خطا زمانی رخ می‌دهد که بیشترین وابستگی آماری دادگان در زیر فضای Rm گروه هدف c پیدا شود. از این شیوه به عنوان شرط بیشترین وابستگی یاد می‌شود. یکی از روش‌های رایج برای بررسی مفهوم بیشترین وابستگی، روش بیشترین ارتباط است که مقصود آن بالاترین ارتباط هر ویژگی با گروه هدف c می‌باشد. بطور عام، ارتباط برحسب همبستگی و یا اطلاعات متقابل دو متغیر معرفی می‌شود. اطلاعات متقابل دو متغیر x و y، بر حسب توابع چگالی احتمال بصورت زیر تعریف می‌شود:
5196205-1905(3-6)
4000020000(3-6)
IX,Y=xyp(X,Y)log2p(X,Y)pYp(X)
در انتخاب ویژگی بر اساس بیشترین ارتباط، بیشترین اطلاعات متقابل I(xi,c) بین ویژگی‌های منتخب xi گروه هدف c صورت می‌گیرد که مبین بیشترین وابستگی ویژگی به هدف مربوط می‌باشد. در روش‌های جستجوی متوالی، m بهترین ویژگی انفرادی، یعنی آن‌هایی که بیشترین مقدار وابستگی را دارند به عنوان ویژگی‌های منتخب برگزیده می‌شوند. ولی همواره ترکیبی از بهترین ویژگی‌های منفرد به عنوان یک زیرمجموعه بهینه نیست، به عبارت دیگر m بهترین ویژگی همیشه بهترین m ویژگی نیستند. از اینرو، در کنار بیشترین همبستگی ویژگی‌ها با گروه هدف c، روش هایی جهت کاهش افزونگی وجود دارد که ویژگی هایی با کمترین افزونگی را برمی‌گزیند. لذا روش انتخاب ویژگی با معیار بیشترین وابستگی و کمترین افزونگی، یکی از روش‌هایی است که مبتنی بر سه اصل بیشترین وابستگی، بیشترین ارتباط و کمترین افزونگی بنا شده است. بر اساس اطلاعات متقابل بین دو نمونه، هدف از انتخاب ویژگی با بیشترین وابستگی به هدف گروه c، یافتن یک مجموعه ویژگی S با m عضو است که بطور مشترک بیشترین وابستگی را به هدف مربوطه داشته باشد. از دید ریاضی این مفهوم به شکل زیر بیان می‌شود]31[:
5029584-1609(3-7)
4000020000(3-7)
max DS,c, D=I(xi,i=1,…,m;c)
هنگامی که m برابر 1 باشد، مساله به یافتن ویژگی تبدیل می‌شود که Ixj,c,(I≤j≤M) را بیشینه کند و زمانی که m بزرگتر از 1 باشد، یک روش جستجوی ترتیبی ساده می‌تواند افزودن یک متغیر در هر لحظه باشد. در حالتی که مجموعه شامل m-1 ویژگی Sm-1 دردست باشد، m امین ویژگی بصورت ویژگی‌ای که بیشترین افزایش را در I(Sm,c) ایجاد می‌کند، تعریف می‌شود:
ISm,c=Smcp(Sm,c)log2p(Sm,c)pSmp(c)
=Smxmccp(Sm-1,xm,c)log2p(Sm-1,xm,c)pSm-1,xmp(c)
510640433301(3-8)
4000020000(3-8)
=…p(x1,…,xm,c)log2p(x1,…,xm,c)p(x1,…,xm)p(c)
51003641336040(3-9)
4000020000(3-9)
از آنجایی‌که تخمین دقیق از توابع چگالی چند متغیره p(x1,…,xm) و p(x1,…,xm,c) بدلیل کافی نبودن تعداد نمونه‌ها و دشواری محاسبه ابعاد بالای ماتریس کوواریانس، مشکل است، بنابراین بجای استفاده از بیشترین وابستگی از معیار بیشترین ارتباط استفاده می‌کنیم. این معیار، DS,c را با استفاده از میانگین مقادیر اطلاعات متقابل میان ویژگی‌های انفرادی xi و گروه c تخمین می زند:
max DS,c, D=1Sxi∈SI(xi,c)
51034061323975(3-10)
4000020000(3-10)
ویژگی‌هایی که براساس بیشترین ارتباط انتخاب می‌شوند دارای افزونگی بالایی هستند، یعنی وابستگی میان آن ها زیاد است. هنگامی که دو ویژگی به شدت به هم وابسته باشند، در صورت حذف یکی از آن‌ها قدرت مجزاسازی مربوط به آن ها تغییر زیادی نخواهد کرد]37[. بنابراین معیار کمترین افزونگی برای انتخاب ویژگی‌های مستقل بصورت زیر است:
minRS, R=1S2xi,xj∈SI(xi,xj)
5103702377190(3-11)
4000020000(3-11)
برای ترکیب D و R از عملگر ΦD,R استفاده کرده و در ساده ترین حالت داریم:
5110642241300(3-12)
4000020000(3-12)
max ΦD,R, Φ=D-R
max ΦD,R, Φ=D/R
در عمل از روش‌های جستجوی ترتیبی می توان به‌منظور انتخاب ویژگی‌های زیربهینه منتخب توسط عملگر Φ استفاده کرد. اگر فرض شود که مجموعه ویژگی Sm-1 از مجموعه X انتخاب شده و هدف انتخاب ویژگی m ام باشد، آنگاه این ویژگی باید تابع Φ0 را بیشینه کند:
510393813970(3-13)
4000020000(3-13)
maxxj∈X-Sm-1Ixj;c-1m-1xi∈Sm-1I(xj,xi)
3-8- الگوریتم فاخته COAالگوریتم فاخته یکی از جدیدترین و قوی ترین روش‌های بهینه سازی تکاملی می باشد که تا کنون معرفی شده است. الگوریتم فاخته با الهام از روش زندگی پرنده‌ای به نام فاخته است که در سال 2009 توسط شین اویانگ ودب ساش، توسعه یافته است. این الگوریتم توسط پرواز levy به جای پیاده روی ایزوتروپیک تصادفی ساده توسعه یافته است. الگوریتم فاخته بعدها در سال 2011 توسط رامین رجبیون به طور کامل با جزئیات بیشتر مورد بررسی قرار گرفت]30[.
اکثر پرندگان لانه‌های خود را به صورت جدا شده، نامعلوم و مستتر در پوشش گیاهی ایجاد می‌کنند تا از شناسایی توسط شکارچیان جلوگیری نمایند.در این میان برخی از پرندگان خود را از دردسر هر گونه لانه سازی و وظایف والدین رهانیده و به نوعی زیرکی جهت پرورش جوجه های خود متوسل شدند. این پرندگان هرگز برای خود لانه نمی‌سازند و به جای آن تخم‌های خود را در داخل لانه سایر انواع پرندگان قرار داده و صبر می‌کنند تا آنها در کنار تخم‌های خود به تخم‌های این پرندگان نیز رسیدگی نمایند.
فاخته مشهورترین پرنده‌ای می‌باشد که به نوعی یک متخصص در زمینه فریبکاری است. فاخته به جای ساختن لانه و تخم‌گذاری در لانه خود،لانه یک پرنده را انتخاب کرده و یکی از فاخته‌ها لانه های انواع پرنده ها را آلوده به تخم خود می‌کنند و این کار را با دقت و با تقلید از رنگ و الگوی تخم‌های موجود در هر لانه انجام می‌دهند تا تخم‌های جدید لانه شبیه تخم های تخم‌های پرنده میزبان را از بین می‌برد و تخم خود را لابه لای تخم‌های آن پرنده قرار می‌دهدو از آن محل دور می‌شود. با این عمل نگهداری تخم خود را به پرنده میزبان واگذار می‌کند.کل این فرآیند به زحمت 10ثانیه طول می‌کشد.‌ فاخته لانه های انواع پرندگان را برای این کار انتخاب می‌کند و این کار را با دقت و با توجه به رنگ و الگوی تخم‌های هر لانه انجام می‌دهد تا تخم‌های جدید شبیه تخم‌های قبلی لانه باشند. هر‌گروه‌ از فاخته‌ها،روی میزبان خاصی تخصص می‌یابند.ثابت شده که هر گروه متخصص از فاخته ها به صورت ژنتیکی با گروه دیگر اختلاف دارند.در این بین برخی پرندگان میزبان تخم‌های فاخته را در لانه خود تشخیص داده و تخم‌های فاخته را بیرون می‌اندازند و برخی لانه را ترک کرده و یک لانه جدید می‌سازند.فاخته‌ها تقلید خود را در لانه میزبان بهبود می‌بخشند و پرندگان میزبان هم روش شناسایی تخم‌های بیگانه را یاد می‌گیرند.این تلاش و مبارزه برای بقا بین پرندگان مختلف و فاخته ها مدام و پیوسته است.
جوجه‌های فاخته زودتر از تخمهای پرنده میزبان بیرون می‌آیند و زودتر هم رشد می‌کنند. در اکثر موارد جوجه‌ی فاخته تخم‌ها و یا جوجه‌های پرنده میزبان را از لانه بیرون می‌اندازند. این مساله کاملا غریزی می باشد.
3-8-2- جزییات الگوریتم بهینه‌سازی فاختههمانند سایر الگوریتم‌های تکاملی COA هم با جمعیت اولیه کار خود را شروع می‌کند و جمعیتی متشکل از فاخته‌ها. این جمعیت از فاخته‌ها تعدادی تخم دارند که آنها را در لانه تعدادی پرنده میزبان خواهند گذاشت. تعدادی از این تخم‌ها که شباهت بیشتری به تخم‌های پرنده میزبان دارند شانس بیشتری برای رشد و تبدیل شدن به فاخته بالغ را خواهند داشت. سایرتخم‌ها توسط پرنده میزبان شناسایی شده و از بین میروند. میزان تخم‌های رشد کرده، مفید بودن لانه را نشان میدهد. هر چه تخم‌های بیشتری در یک ناحیه قادر به زیست باشند و نجات یابند به همان اندازه سود (تمایل) بیشتری به آن منطقه اختصاص می‌یابد. بنابراین موقعیتی که در آن بیشترین تعداد تخم‌ها نجات یابند پارامتری خواهد بود که COA قصد بهینه سازی آن را دارد.

230505097790شروع
00شروع

4105275346075002733675346075002733675257175003457575476250تعیین شعاع تخمگذاری برای هر فاخته
00تعیین شعاع تخمگذاری برای هر فاخته
2085975476250تعیین پارامترها و ورودی ها
00تعیین پارامترها و ورودی ها
2085975933450تخم گذاری در لانه های مختلف
00تخم گذاری در لانه های مختلف
3457575933450حرکت تمامی فاخته ها به سمت بهترین محل
00حرکت تمامی فاخته ها به سمت بهترین محل
34575751390650مشخص نمودن جوامع فاخته ها
00مشخص نمودن جوامع فاخته ها
20859751390650بعضی از تخم ها کشته یا از بین می روند
00بعضی از تخم ها کشته یا از بین می روند

410527533464500273367533464500
410527526987500273367526987500
1609725461645خیر
00خیر
1962150290195جمعیت از ماکزیموم مقدار کوجکتر است؟
00جمعیت از ماکزیموم مقدار کوجکتر است؟
410527520447000273367520447000
171450027495500171450027495500
2790825237490بله
00بله
41052751122045001714500417195002733675283845002028825626745محاسبه سود (چک نمودن احتمال بقا هر تخم)
00محاسبه سود (چک نمودن احتمال بقا هر تخم)
1714500487045004105275417195003438525741045پرورش تخم ها
00پرورش تخم ها
343852536195یافتن لانه ها با بهترین نوع زیست
00یافتن لانه ها با بهترین نوع زیست
106680036195از بین بردن فاخته ها در نواحی مختلف
00از بین بردن فاخته ها در نواحی مختلف

273367548514000
198120029845شرط توقف برقرار است؟
00شرط توقف برقرار است؟

347662515240002038350328930بله
00بله
372427552705خیر
00خیر

27336754445002305050138430توقف
00توقف

شکل 3-8 : فلوچارت الگوریتم بهینه سازی فاخته]30[.
فاخخته‌ها برای نجات تعداد بیشتری از تخم‌های خود دنبال بهترین منطقه می‌گردند.پس از انکه جوجه ها از تخم درامدندو بالغ شدند جوامع و گروه‌هایی تشکیل می‌دهند.هر گروه محل سکونت خود را برای زندگی دارد.تمام گروه‌ها به سمت بهترین منطقه مهاجرت می‌کنند و هر گروه نزدیک بهترین منطقه ساکن می شوند.شعاع تخم‌گذاری فاخته در بهترین منطقه فعلی با توجه به در نظر گرفتن تعداد تخم‌هایی که هر فاخته می‌گذارد و فاصله فاخته‌ها از منطقه بهینه فعلی شکل می‌گیرد.سپس فاخته ها در لانه های مو جود در این شعاع تخم‌گذاری می‌کنند.این فرآیند تا رسیدن به بهترین محل تخم‌گذاری ادامه می‌یابد.محل بهینه جایی است که بیشترین تعداد فاخته در آن مکان گرد می‌آیند.]30[.
3-8-2-1- تولید محل‌های سکونت اولیه فاخته‌ها (جمعیت اولیه‌ی جواب‌های کاندید)برای حل یک مساله بهینه‌سازی لازم است تا مقادیر متغیر‌های مساله به فرم یک آرایه شکل گیرند. دراین آرایه‌ها با نام‌های کروموزوم و موقعیت ذرات مشخص می‌شوند. ولی در الگوریتم بهینه‌سازی فاخته این آرایه habitat یا محل سکونت نام دارند.
در یک مساله بهینه‌سازی Nvar بعدی یک habitat آرایه 1*Nvar خواهد بود که موقعیت فعلی زندگی فاخته‌ها را نشان می‌دهد. این آرایه به شکل زیر تعریف می‌شود:
50755556867(3-14)
020000(3-14)

میزان مناسب بودن (یا مقدار سود) در habitat فعلی با ارزیابی تابع سود fp) )در habitat به دست می آید. بنابراین:
496769326242(3-15)
020000(3-15)

همانطور که دیده می شود COA الگوریتمی است که تابع سود را ماکزیمم می‌‌کند. برای استفاده از COA برای حل مسایل کمینه‌سازی کافی است یک علامت منفی در تابع هزینه ضرب کنیم. برای شروع الگوریتم بهینه‌سازی یک ماتریس habitat به سایز Npop*Nvar تولید می‌شود. سپس برای هر کدام از این habitatها تعدادی تصادفی تخم تخصیص می‌یابد. در طبیعت هر فاخته بین 5 تا 20 تخم می‌گذارد. این اعداد به عنوان حد بالا و پایین تخصیص تخم به هر فاخته در تکرار‌های مختلف استفاده می‌شود. دیگر عادت هر فاخته حقیقی این است که آن در یک دامنه مشخص تخم‌های خود را می‌گذارند که به آن حداکثر دامنه تخم‌گذاری (ELR) گفته می‌شود. در یک مساله بهینه‌سازی ‌هر متغیر دارای حد بالا varhi و حد پایین varlow است که هر ELRبا استفاده از این حدود قابل تعریف خواهد بود. ELR متناسب است با تعداد کل تخم‌ها، تعداد تخم‌های فعلی فاخته و همچنین حد بالا و پایین متغیر‌های مساله. بنابراین ELR به صورت رابطه زیر تعریف می‌شود:
5351780141738(3-16)
020000(3-16)

آلفا متغیری است که حداکثر مقدار ELR تنظیم می‌شود.
3-8-2-2- روش فاخته‌ها برای تخم‌گذاریهر فاخته به صورت تصادفی تخم‌هایی را در لانه پرندگان میزبان که در ELR خود قرار دارد می‌گذارد (شکل 3-8). وقتی تمام فاخته‌ها تخم‌های خود را گذاشتند برخی از تخم‌ها که شباهت کمتری به پرنده میزبان دارند شناسایی شده و از لانه بیرون انداخته می‌شود. بنابراین بعد از هر تخم‌گذاری p% از تمام تخم ها (معمولا 10%)که مقدار تابع سود آنها کمتر است نابود می‌شوند. بقیه جوجه‌ها در لانه‌های میزبان تغذیه شده و رشد می‌کنند.
وقتی جوجه فاخته‌ها از تخم در می‌آیند تخم‌های خود پرنده میزبان را از لانه بیرون پرت می‌کنند و اگر جوجه‌های پرنده میزبان زودتر از تخم خارج شده باشند جوجه فاخته بیشترین مقدار غذا را که پرنده میزبان ‌‌‌ می‌آورد خورده (بدن 3 برابر بزرگتری که دارد بقیه جوجه ها را کنار می گذارد) و پس از چند روز جوجه های خود پرنده میزبان از گرسنگی می‌میرند و فقط جوجه فاخته زنده می‌ماند.

شکل 3-9: شعاع تخم‌گذاری فاخته ها، ستاره قرمز در مرکز داره سکونت فعلی فاخته ها با 5 تخم می‌باشد. ستاره های صورتی آشیانه های جدید تخم‌ها می‌باشد]30[.
3-8-2-3- مهاجرت فاخته‌هاپس از بزرگ شدن فاخته‌ها مدتی در آن محیط زندگی می‌کنند ودر زمان تخم‌گذاری به habitatهای بهتر که در آنجا شانس زنده ماندن بیشتر است، مهاجرت می‌کنند. پس از تشکیل گروه‌های فاخته در مناطق مختلف زیست کلی (فضای جستجوی مساله) گروه دارای بهترین موقعیت به عنوان نقطه هدف برای سایر فاخته‌ها جهت مهاجرت انتخاب می‌شود.
هنگامی که فاخته‌های بالغ در اقصی نقاط محیط زیست زندگی می‌کنند، تشخیص اینکه هر فاخته به کدام گروه تعلق دارد کار سختی است. برای حل این مشکل،‌گروه‌بندی فاخته‌ها توسط روش کلاس بندی k-means انجام می‌شود (یک k بین 3 تا 5 معمولا کفایت می کند). حال که گروه‌های فاخته تشکیل شدند سود میانگین گروه محاسبه می‌شود تا بهینگی نسبی محل زیست آن گروه به دست آید سپس گروهی که دارای سود (بهینگی) باشد به عنوان گروه هدف انتخاب و در آن گروه موقعیت بهترین فاخته را به دست آورده می‌شود و همه‌ گروه‌ها به سمت آن فاخته مهاجرت می‌کنند. شکل (3-9)مهاجرت فاخته‌ها را نشان می‌دهد.