دانلود پاورپوینت فوق العاده کامل جهت ارائه پروژه و سمینار با عنوان روشهای آزمون سختی سنجی در 25اسلاید

به نام یکتا خالق بی همتا

دانلود پاورپوینت فوق العاده کامل جهت ارائه پروژه و سمینار با عنوان روشهای آزمون سختی سنجی در 25 اسلاید 

فرمت فایل : پاورپوینت  pptx (قابل ویرایش و تغییر)

تعداد صفحات :31 صفحه کامل فایل پاورپوینت به صورت اسلاید 

کاربرد فایل : این فایل جهت تهیه و ارائه پروژه و سمینار و جزوات دروس مهندسی مکانیک ،مواد و  متالورژی به فرمت پاورپوینت pptx ،گزارش کار دروس مهندسی مکانیک و مواد و  متالورژی ،کتاب و طرح درس های دروس مهندسی مکانیک و مواد و  متالورژی  ،تحقیق، گزارش کارآموزی و کارورزی ، انجام کارهای پژوهشی و تحقیقاتی مانند تهیه مقالات،گزارش کار، طرح درس ، پروژه پایانی ، پایان نامه ، سمینار، پروپوزال و طرح پژوهشی در کلیه سطوح و مقاطع تحصیلی رشته های مختلف  فنی و مهندسی که با مباحث  روشهای آزمون سختی سنجی  سرو کار دارند بسیار کاربردی و مفید می باشد

 تهیه کننده :

 mypro.sellfile.ir

 شرح مختصر : 

به نام خدا

مقدمه

سختی یک جسم میزان مقاومت آن را در مقابل تغییر شکل یا نفوذ جسم سخت خارجی نشان میدهد که این جسم سخت خارجی را فرو رونده یا ایندنتور مینامند.

از آنجایی که سختی نشان دهنده مجموعه ای از خواص قطعه است لذا بسته به نوع آزمایش و کاربرد ،تعابیر زیـادی دارد که مهمـترین آنـها عبارتند از:

* جذب انرژی تحت نیروهای ضربه ای

* مقاومت در برابر خراش

* مقاومت در برابر سایش

* مقاومت در مقابل فرو رفتگی تحت نیروهای استاتیکی و دینامیکی

* مقاومت در برابر برش،ماشینکاری یا سوراخکاری

* قابلیت انعطاف پذیری،استحکام کششی و استحکام تسلیم 

تمامی خواص فوق به یکدیگر مربوط بوده و با آزمایش سختی سنجی تا حدودی اکثر این خواص را میتوان حدس زد.هدف اصلی از آزمـون سختی سنجی،تعیین مناسب بودن نوع ماده یا عملیات اصلاح ســـازی ویژه ای است که بر روی ماده انجام گرفته است.

طبقه بندی روشهای سختی سنجی

بطور کلی روشهای سختی سنجی به چند دسته تقسیم میشوند که عبارتند از:

*  روشهای سختی سنجی خراشی شامل :

روش مو

روش سختی سوهانی

* روش سختی سنجی دینامیکی یا اسکلروسکپ 

* روشهای مقاومت در برابر فرو رفتگی شامل :

روشهای سختی سنجی راکول

روش سختی سنجی برینل

روش سختی سنجی ویکرز

در حال حاضر در مورد فلزات بیشتر از روشهای مقاومت در مقابل فرو رفتگی جهت تعیین سختی استفاده میشود.

کلیه روشهای سختی سنجی میتواند به دو روش کلی ماکرو سختی و میکرو سختی سنجی تقسیم بندی شود.

روشهای ماکرو سختی به روشهایی گفته میشود که اثر ایجاد شده بر روی نمونه آزمایش با چشم غیر مسلح قابل رویت است اما در روشهای میکرو سختی اثر ایجاد شده مخرب نبوده و با چشم غیر مسلح قابل رویت نیست.

در روشهای ماکرو سختی از بارهای بالاتر و در روشهای میکرو سختی از بارهای پایین تر استفاده میشود.

انواع روشهای راکول ،برینل و ویکرز جزء روشهای ماکرو و روشهای ویکرز میکرو ونوپ و آلتراسونیک از روشهای میکرو سختی هستند.

 

ادامه .....................

فرمت فایل  :  پاورپوینت  (قابل ویرایش و تغییر)

شما می توانید این فایل پاورپوینت  فوق العاده کامل را با عنوان روشهای آزمون سختی سنجی در 25 اسلاید را  پس از تکمیل خرید و پرداخت در سایت بانک و ارجاع مجدد به این سایت به طور کامل در اختیارداشته باشید همچنین لینک دانلود این فایل در ادامه پس از خرید به ایمیل شما ارسال می گردد . این فروشگاه همواره و به مناسبت های مختلف ملی و مذهبی اقدام به انتشار کد تخفیف جهت رضایت بیشتر مشتریان می نماید که مشخصات آن در پایان هر خرید در محل درج کد تخفیف و نیز در بالای سایت نمایش داده می شود 

فرمول تولید محلول شستشوی موتور خودرو1

این فرمول بر پایه آب بوده و میتویان به صورت اسپری انرا داخل موتور پاشید و با پارچه تمیز نمود

فرمول این محلول به رنگ داخل موتوز هیچ آسیبی نمیزند و آتشگیر هم نیست و ضمن اثر پاک کنندگی بالا بوی زننده و نامطبوع ندارد

این فرمول در یک صفحه و با فرمت پی دی اف ارائه شده است

فرمول تولید پولیش براق کننده بدنه خودرو مقاوم به مواد شوینده

این پولیش موجب تمیز شدن وبرق افتادن بدنه خودرو شده و مقاوم به مواد شوینده است بدین معنی که یک لایه محافظ روی بدنه ایجاد کرده و از نشستن گردو خاک روی بدنه ممانعت می کند چراکه با یک آب کشی ساده آلودگی های سطحی پاک می شوند و واکس همچنان روی رنگ خودرو باقی است

این فرمول در یک صفحه و با فرمت پی دی اف ارائه شده است

تحقیق در مورد کاربرد الگوریتم ژنتیکی سازگار یافته برای مسائل دینامیکی 24 ص

لینک دانلود و خرید پایین توضیحات

دسته بندی : وورد

نوع فایل :  .DOC ( قابل ویرایش و آماده پرینت )

تعداد صفحه : 24 صفحه

 قسمتی از متن .DOC : 

کاربرد الگوریتم ژنتیکی سازگار یافته برای مسائل دینامیکی چند هدفه

Zafer Bingul

Department of Mechatronics Engineering, Kocaeli University, Kocaeli, Turkey

خلاصه :

این مقاله یک الگوریتم ژنتیکی سازگار (AGA) را همراه با تابع لیاقت دینامیکی، برای مسائل چند هدفه (MOPs) در محیط دینامیکی تشریح می کند. به منظور دیدن اجرای الگوریتم، این روش برای دو نوع از مسائل MOPs بکار گرفته شده است. اولا این روش برای پیدا کردن آرایش نیروهای نظامی برای شبیه سازی رزمی بکار گرفته شده است. این مقاله در مورد چهار تابع هدف بحث می کند که باید بهینه شوند و یک واسطه فازی را ارئه می دهد که طرح جامعی را از چهار تابع هدف می سازد. دومین واسطه فازی برای کنترل نرخ عملکردهای تقاطع (Crossover) و جهش (Mutation) بکار گرفته می شود که بر اساس خواص آماری لیاقت (Fitness) جامع می باشد.

علاوه بر مسئله آرایش نیروهای نظامی یک مثال ساده از بهینه سازی چند هدفه که توسط فرینا و همکارانش گشته نیز ارائه شده است و توسط این الگوریتم پیشنهادی حل شده است. نتایج بدست آمده در اینجا نشان می دهد که الگوریتم ژنتیکی افزایش یافته، نسبت به الگوریتم ژنتیکی معمولی، عملکرد بهتری در مورد همگرائی دارد.

کلمات کلیدی:

الگوریتم ژنتیکی سازگار یافته ، منطق فازی ، آرایش نیروهای نظامی ، شبیه سازی رزمی و بهینه سازی چند هدفه .

مقدمه

بدیهی است که حالتهای متعددی برای مسائل عملی بهینه سازی وجود دارد که در ابتدا، بهینه سازی چندین اندازه گیری اجرا (MOP) یا محک ، غیر قابل اجتناب است و این اندازه گیری ها ممکن است که با هم تداخل هم داشته باشند. مسائل مربوط به MOPsمی توانند استاتیکی یا دینامیکی باشند. مهمترین موضوع در حل این گونه از مسائل عبارت از مشخص کردن توابع هدف طراحی، برای اینکه خوبی (Goodness) یک حل مشخص بر آورد شود. در مسائل MOPs بجای یک حل بهینه ، یک مجموعه از حل های بهینه ( مجموعه بهینه پارتو )، بسته به وجود چند تابع هدف، رخ می دهد. بدون تنزل یکی از جوابها ، هیچ بهبودی برای هر یک از حلهای بهینه پارتو وجود ندارد. هیچ حل پارتو نمی تواند از حل دیگری بهتر باشد مگر اطلاعات بیشتری را در اختیار داشته باشیم . برای اینکه انتخاب نهایی بهتری داشته باشیم ، بهترین راه این است که تا جایی که ممکن است حلهای مختلف بهینه پارتو را بدست آوریم.

در بعضی از کاربردهای جهانی نظیر حمل ونقل باربا روباتها ، مشخص کردن مدل و طراحی کنترل کننده ها ، مسائل محیطی و نیازهای MOPs بصورت دینامیکی تغییر می کنند و برای اینگونه کاربردها ، بهینه سازی چند هدفه وابسته به زمان، نیاز است . در این گونه از مسائل ، توابع هدف مربوطه و قیود و پارامترهای مسئله یا همه اینها، ممکن است لحظه به لحظه تغییر کنند. این گونه از مسائل MOPs دینامیکی نامیده می شوند. در این حالتها ، بهینه سازی تابع باید در بازه های زمانی خیلی محدود شده انجام پذیرد.

الگوریتمهای ژنتیکی معمولا بهترین وسیله جستجو در فضاهای بزرگ در طی یک زمان قابل قبول می باشند و نیازی به تحدب، تقعر و یا پیوستگی توابع بهینه ندارند. این موضوع منجر به دامنه وسیعی از کاربردها برای این الگوریتم در مسائل بهینه سازی بزرگ درگستره های مختلف می گردد مانند تحلیل سریع تاکتیکهای جنگی برای دفاع و حلهای انعطاف پذیر برای مدیریت زنجیره ای. این انواع مسائل پیچیده معمولا شامل آشوبناکی ، اتفاقی و مسائل دینامیکی پیچیده غیر خطی می شوند. غیر ممکن است که این طیف از مسائل را بتوان با روش قدیمی الگوریتم ژنتیکی حل نمود. الگوریتمهای ژنتیکی، تحلیل مجموعه ها را بصورت موازی انجام می دهند و تشابه این حلها را توسط ترکیب آنها برجسته می کنند. این موضوع باید تذکر داده شود که از آن جا که این گونه الگوریتمها تعداد زیادی از حلها را در مجموعه های بهینه پارتو پیدا می کنند، برای حل مسائل چند هدفه بسیار خوب می باشند . به هر حال، در الگوریتم ژنتیکی ساده، پارامترهای ثابت، مستقیما اجرای الگوریتم را تحت تاثیر قرار می دهند. معمولا پارامترهای بدون آهنگ منجر به مسائل متعددی نظیر همگرایی زودرس می شوند. بنابراین تعدادی از تکنیک های سازگار یافته برای این گونه از پارامترها پیشنهاد شده است. همانند جهش احتمالاتی ، تقاطع احتمالاتی ، اندازه جمعیت [1] و ]2[ و عملکرد تقاطع ]3[.

یکی از مهمترین راهبردها برای مسائل بهینه سازی چند هدفه ، الگوریتم ژنتیکی چند هدفه (MOGA) می باشد. مطالعات زیادی در مورد MOGA در منابع موجود می باشد [5]، [6]، [7]، [9]، [10]، [11]، [12]، [13]، [14]، [15]، [16]، [17]، [18]، [19]، [20].

مخصوصا دب (Deb) [20] یک MOGA عالی را ارائه داده است . یک الگوریتم ژنتیکی با بر آورد برداری (VEGA) [9] نسبت به یک الگوریتم ژنتیکی ساده متفاوت می باشد چون در این روش جدید، از یک عملگرا انتخاب اصلاح شده استفاده می شود و در هر نسل، تعدادی از زیر جمعیتها توسط اجرای انتخاب خطی تولید می شوند. مهمترین نقص این روش آن است که قادر به تولید حلهای بهینه پارتو برای فضاهای جستجویی غیر محدب نمی باشد. در تکنیک مرتبه لغت نویسی (lexicographic ordering ) [14]، حلهای طراح مرتبه ها، بر اساس خواص مهم توابع می باشد. سپس حل بهینه توسط مینیم سازی توابع هدف بدست می آید که بر اساس مهم بودن آنها، از مهمترین آنها شروع می شود. مهمترین ضعف این روش این است که ممکن است منجر به بدست آوردن توابع هدف جانبدارانه شود و این موضوع ممکن است باعث بدست آمدن یک سری از توابع هدفی گردد که باعث ازدیاد توابع هدف و اتفاقی بودن آنها ، هنگام انجام فرایند بهینه سازی شود. الگوریتم ژنتیکی هاجِلا و لین (HLGA) از روش مجموع وزن دار برای انتصابها استفاده

دانلود جزوه برنامه نویسی هم روند استاد تناوش تهران مرکز

محتویات محصول  برنامه نویسی هم روند هم روندی داده هامتغیرهای محلی و اشتراکیمعماری مالتی پروسسرهاارتباط بین پردازشبه اشتراک گذاشتن داده هاهم روندی سنکرون شده معماری مالتی کامپیوترها تعداد صفحات : 113فرمت فایل : پی دی اف این فایل باید با نرم افزار پی دی اف ریدر همراه این فایل مشاهده شود