payanneme

۴‐٢‐ سه نوع تبدیل موجک................................................................................................................... ٣٣
۴‐٢‐١‐تبدیل موجک پیوسته............................................................................................................ ٣٣
۴‐٢‐٢‐ تبدیل موجک نیمه گسسته.................................................................................................. ٣۵
۴‐٣‐ انتخاب نوع تبدیل موجک......................................................................................................... ۷۳
۴‐۴‐ آنالیز مالتی رزولوشن و الگریتم DWT سریع ........................................................................... ۷۳
۴‐۴‐١‐ آنالیز مالتی رزولوشن ....................................................................................................... ٣٧
۴‐۵‐ زبان پردازش سیگنالی ............................................................................................................... ۴٠
۴‐۶‐ شبکه عصبی .............................................................................................................................. ۴۵
۴‐۶‐١‐ مقدمه .................................................................................................................................. ۴۵
۴‐۶‐٢‐ یادگیری رقابتی................................................................................................................. ۴۶
۴‐۶‐٢‐١‐روش یادگیری کوهنن ................................................................................................. ۴٧
۴‐۶‐٢‐٢‐ روش یادگیری بایاس .................................................................................................. ۴٨
۴‐٧‐ نگاشت های خود سازمانده ..................................................................................................... ۵٠
۴‐٨‐ شبکه یادگیری کوانتیزه کننده برداری ...................................................................................... ۵٢
۴‐٨‐١‐ روش یادگیری ................................................................................................... LVQ1 ۵٣
۴‐٨‐٢‐ روش یادگیری تکمیلی..................................................................................................... ۵۵
۴‐٩‐ مقایسه شبکه های رقابتی ........................................................................................................ ۵۵
فصل پنجم: جمعآوری اطلاعات ................................................................................................ ۵٧
۵‐١‐ نحوه بدست آوردن سیگنالها......................................................................................................... ۵٨
۵ ‐١‐١‐ بدست آوردن سیگنالهای فرورزونانس................................................................................. ۵٨
۵‐١‐٢‐ انواع کلیدزنیها و انواع سیم بندی در ترانسفورماتورها............................................................. ۵٩
۵ ‐١‐٣‐ اثر بار بر فرورزونانس .......................................................................................................... ۶۴
۵ ‐١‐۴‐ اثر طول خط......................................................................................................................... ۶۵
۵‐١‐۵‐ بدست آوردن سیگنالهای سایر حالات گذرا............................................................................. ۶۶
فصل ششم: پیاده سازی الگوریتم و نتایج شبیه سازی .............................................................. ٧۴
۶‐١‐ مقدمه ........................................................................................................................................ ٧۵
۶‐٢‐ تعیین کلاسها و تعداد الگوهای هر کلاس ................................................................................ ٧۵
۶‐٣‐ اعمال تبدیل موجک و استخراج ویژگیها ................................................................................. ٧۵
۶‐۴‐ پیاده سازی الگوریتم با استفاده از شبکه عصبی ................................................................LVQ ٨١
۶‐۵‐ پیاده سازی الگوریتم با استفاده از شبکه عصبی رقابتی.............................................................. ٨٨
فصل هفتم: نتیجه گیری و پیشنهادات........................................................................................ ٩۵
٧‐١‐ نتیجه گیری................................................................................................................................ ٩۶
٧‐٢‐ پیشنهادات ................................................................................................................................. ٩٨
فهرست منابع........................................................................................................................... ١٠٠
فهرست جدولها عنوان صفحه
جدول ۵‐۲. اطلاعات بارها ................................................................................................ ........................ ۹۵
جدول۵‐۳.مشخصات ترانسفورماتورها ....................................................................................................... ۹۵
جدول۶‐۱ در صد تشخیص شبکه LVQ با موجک ............................................................................ Db ۴۸
جدول ۶‐۲ در صد تشخیص شبکه LVQ با موجک ....................................................................... dmey ۴۸
جدول ۶‐۳ در صد تشخیص شبکه LVQ با موجک ....................................................................... haar ۵۸
جدول۶‐۴ در صد تشخیص شبکه رقابتی با موجک ............................................................................ Db ۱۹
جدول ۶‐۵ در صد تشخیص شبکه رقابتی با موجک ..................................................................... dmey ۱۹
جدول ۶‐۶ در صد تشخیص شبکه رقابتی با موجک ....................................................................... haar ۲۹
فهرست شکلها عنوان صفحه
۱‐۳. مدار معادل پدیده فرورزونانس............................................................................................................ ۰۲
۲‐۳ حل ترسیمی مدار LC غیر خطی.......................................................................................................... ۱۲
۴‐۱ نمایش پهن و باریک پنجرهای طرح زمان‐ فرکانس............................................................................. ۹۲
۴‐۲‐ چند خانواده مختلف ازتبدیل موجک. ................................................................................................ ۱۳
۴‐۳‐ دو عمل اساسی موجک‐ مقیاس و انتقال ‐ برای پر کردن سطح نمودار مقیاس زمان....................... ۳۳
۴‐۴‐ تشریح CWT طبق معادله۴ ................................................................................................................ ۴۳
۴‐۵ مثالی از آنالیزموجک پیوسته. در بالا سیگنال مورد نظر نمایش داده شده است. ............................... ۵۳
۴‐۶ طرح الگوریتم کد کردن زیر باند ......................................................................................................... ۱۴
۴‐۷ نمایش تجزیه توسط موجک................................................................................................................. ۳۴
۴‐۸ مثالیاز تجزیه .DWT سیگنال اصلی، سیگنال تقریب (AP) وسیگنالهای جزئیات CD1) تا ..................................................................................................................................................... (CD6 ۴۴
۴‐۹ معماری شبکه رقابتی............................................................................................................................ ۶۴
۴‐ ۰۱نمایش همسایگی................................................................................................................................ ۱۵
۴‐۱۱ معماری شبکه ......................................................................................................................... LVQ ۲۵
۵‐۱. فیدر .......................................................................................................................................... 20kV ۸۵
۵‐۲ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز.......................................................................................... ۹۵
۵‐۳ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز.......................................................................................... ۹۵
۵‐۴ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز.......................................................................................... ۰۶
۵‐۵ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز.......................................................................................... ۰۶
۵‐۶ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز.......................................................................................... ۰۶
۵‐۷ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز.......................................................................................... ۰۶
۵‐۸ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز.......................................................................................... ۱۶
۵‐۹ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز.......................................................................................... ۱۶
۵‐۰۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز........................................................................................ ۱۶
۵‐۱۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز........................................................................................ ۱۶
۵‐۲۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز........................................................................................ ۲۶
۵‐۳۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز........................................................................................ ۲۶
۵‐۴۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز........................................................................................ ۲۶
۵‐۵۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز ................................................................................... ۲۶
۵‐۶۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز........................................................................................ ۳۶
۵‐۷۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز........................................................................................ ۳۶
۵‐۸۱ ولتاﮊ ثانویه فاز a در اثر افزایش بار................................................................................................ ...۴۶
۵‐۹۱ ولتاﮊ ثانویه فاز a در اثر قطع تعدادی از بارها ................................ ...................................................۶۴
۵‐۰۲ ولتاﮊ فاز a ثانویه ترانس با کاهش طول خط................................ ......................................................۶۵
۵‐۱۲.ولتاﮊ فاز a ثانویه ترانس با افزایش طول خط................................ .....................................................۵۶
۵‐۲۲.پیکربندی فازها و اطلاعات مکانیکی................................................................ .................................۷۶
۵‐٢٣مدل فرکانسی بار CIGRE در ................................................................ EMTP ...............................۷۶
۵‐٢۴یک نمونه از منحنی مغناطیس شوندگی ترانسفورماتورها................................ ....................................٧٠
۵‐۵۲ . سه نمونه از سیگنالهای کلیدزنی خازنی................................................................ ...........................۰۷
۵‐۶۲. سه نمونه از سیگنالهای کلیدزنی بار ................................................................ ..................................۱۷
۵‐۷۲. سه نمونه از سیگنالهای کلیدزنی ترانسفورماتور ................................ ...............................................۱۷
۶ ‐۸ یک الگوی فرورزونانس، سیگنال تقریب((AP و سیگنالهایجزئیات(CD1 تا (CD6 با
استفاده از تبدیل موجک ................................................................ Daubechies ....................................۸۷
۶‐۹. یک الگوی کلیدزنی خازنی، سیگنال تقریب((AP و سیگنالهای جزئیات(CD1تا (CD6
با استفاده از تبدیل موجک ................................................................ Daubechies .................................۸۷
۶‐۰۱ یک الگوی کلیدزنی بار، سیگنال تقریب((AP و سیگنالهایجزئیات(CD1تا (CD6 با استفاده
از تبدیل موجک ................................................................Daubechies .................................................۸۷
۶‐۱۱یک الگوی کلیدزنی ترانسفورماتور، سیگنال تقریب((AP و سیگنالهای جزئیات(CD1تا
(CD6 با استفاده از تبدیل موجک ................................................................ Daubechies .....................۸۷
۶‐۲۱یک الگوی فرورزونانس، سیگنال تقریب((AP و سیگنالهایجزئیات(CD1تا (CD6 با استفاده
از تبدیل موجک ................................................................................................ Haar .............................۹۷
۶‐۳۱. یک الگوی کلیدزنی خازنی، سیگنال تقریب((AP و سیگنالهای جزئیات(CD1تا (CD6 با
استفاده از تبدیل موجک ................................................................ Haar .................................................۹۷
۶‐۴۱ یک الگوی کلیدزنی بار، سیگنال تقریب((AP و سیگنالهای جزئیات(CD1تا (CD6 با استفاده از
تبدیل موجک ................................................................................................ Haar .................................۹۷
۶‐۵۱یک الگوی کلیدزنی ترانسفورماتور، سیگنال تقریب((AP و سیگنالهای جزئیات(CD1تا (CD6
با استفاده از تبدیل موجک ................................................................ Haar .............................................۹۷
۶‐۶۱یک الگوی فرورزونانس، سیگنال تقریب((AP و سیگنالهایجزئیات(CD1تا (CD6 با استفاده
از تبدیل موجک ................................................................................................DMeyer ........................۰۸
۶‐۷۱یک الگوی کلیدزنی خازنی، سیگنال تقریب((AP و سیگنالهای جزئیات(CD1تا (CD6 با
استفاده از تبدیل موجک ................................................................ DMeyer ...........................................۰۸
۶‐۸۱ یک الگوی کلیدزنی بار، سیگنال تقریب((AP و سیگنالهایجزئیات(CD1تا (CD6 با استفاده
از تبدیل موجک ................................................................................................DMeyer ........................۰۸
۶‐۹۱یک الگوی کلیدزنی ترانسفورماتور، سیگنال تقریب((AP و سیگنالهای جزئیات(CD1تا (CD6
با استفاده از تبدیل موجک ................................................................ DMeyer ........................................۰۸
۶‐۰۲ الگوریتم ارائه شده ................................................................................................ ............................۱۸
۶‐۱۲‐ انرﮊی لحظه ای یک نمونه از جریان فاز دوم سیگنالها......................................................................۶۸
۶‐۲۲‐ انرﮊی لحظه ای یک نمونه از ولتاﮊ فاز سوم سیگنالها........................................................................۶۸
۶‐۳۲ مقایسه میانگین مولفه های متناظر بردارهای ویژگی استخراج شده توسط تبدیل موجک
Daubechies1 بر روی جریان فاز دوم چهار سیگنال بصورت نرمالیزه شده...........................................۷۸
۶‐۴۲‐ مقایسه میانگین مولفه های متناظر بردارهای ویژگی استخراج شده توسط تبدیل موجک
Daubechies2بر روی ولتاﮊ فازسوم چهار سیگنال بصورت نرمالیزه شده..............................................۷۸
۶‐۵۲‐ مقایسه میانگین مولفه های متناظر بردارهای ویژگی استخراج شده توسط تبدیل موجک 1
Daubechies بر روی جریان فاز دوم چهار سیگنال بصورت نرمالیزه شده. ............................................۲۹
۶‐۶۲‐ مقایسه میانگین مولفه های متناظر بردارهای ویژگی استخراج شده توسط تبدیل موجک
Daubechies2 بر روی ولتاﮊ فازسوم چهار سیگنال بصورت نرمالیزه شده ............................................۳۹
۶‐۷۲‐ انرﮊی لحظه ای یک نمونه از ولتاﮊ فاز سوم سیگنالها ......................................................................۳۹
۶‐۸۲‐ انرﮊی لحظه ای یک نمونه از جریان فازدوم سیگنالها ......................................................................۴۹
چکیده
یکــی از عوامــل ســوختن و خرابــی ترانــسفورماتورها در سیــستم هــای قــدرت، وقــوع پدیــده
فرورزونانس است. با توجه به اثرات مخرب این پدیده، تشخیص آن از سایر پدیده هـای گـذرا از
اهمیت ویژه ای برخوردار است که در این پایان نامه کارکرد دو شـبکه عـصبی یـادگیری کـوانتیزه
کننده برداری((LVQ١ و شبکه عصبی رقابتی در دسته بندی دو دسته سیگنال کـه دسـته اول شـامل
انواع فرورزونانس و دسته دوم شامل انواع کلیدزنی خازنی، کلیدزنی بار، کلیـدزنی ترانـسفورماتور
می باشد، با استفاده از ویژگیهای استخراج شده توسط تبدیل موجک٢ خانواده Daubechies تا شش
سطح مورد بررسی قرار گرفته است. نقش شبکه های عصبی مذکور بعنـوان طبقـه بنـدی کننـده،
جدا سازی پدیده فرورزونانس از سایر پدیده های گذرا است. سیگنالهای مذکور بـا شـبیه سـازی
توسط نرم افزار EMTP بر روی یک فیدر توزیع واقعی بدست آمده اند. بـرای اسـتخراج ویژگیهـا،
کلیه موجکهای موجود در جعبه ابزار Wavelet نرم افزار MATLAB بررسی شده اسـت کـه تبـدیل
موجک خانواده Daubechies بعنوان مناسبترین موجک تشخیص داده شد. به منظـور اسـتخراج هـر
چه بهتر ویژگیها سیگنالها، الگوها نرمالیزه (مقیاسبنـدی) شـدهانـد سـپس انـرﮊی شـش سـیگنال
جزئیات حاصل از اعمال تبدیل موجک به عنوان ویژگیهای استخراج شده از الگوها، برای آموزش
و امتحان دو شبکه عصبی مذکور بکار رفتهاست. به کمک این الگوریتم تفسیر برخـی از رخـدادها
که احتمال بروز پدیده فرورزونانس در آنها وجود دارد قابل انجام بوده، همچنین میتوان نسبت بـه
ساخت رله هایی برای مقابله با پدیده فرورزونانس کمک نماید. عناوین روشهای ارایه شده در این
پایان نامه به شرح زیر میباشند:

1 -Learning Vector Quantizer (LVQ)
2- Wavelet Transform
١) شناسایی فرورزونانس با استفاده از تبدیل موجک و شبکه عصبی LVQ
٢) شناسایی فرورزونانس با استفاده از تبدیل موجک و شبکه عصبی رقابتی
نتایج حاصل از این روشها بیانگر موفقیت بسیار هر دو روش در شناسـایی فرورزونـانس از سـایر
پدیده های گذرا می باشد.
کلید واﮊه: شبکه عصبی LVQ، شبکه عصبی رقابتی، تبدیل موجک، پدیده فرورزونانس, نـرم
افزار EMTP ، نرم افزار MATLAB

١
مقدمه
امروزه انرﮊی الکتریکی نقش عمدهای در زمینههای مختلف جوامـع بـشری ایفـا مـیکنـد و جـزﺀ
لاینفک زندگی است. بدیهی است که مانند سایر خـدمات اندیـسها و معیارهـایی جهـت ارزیـابی
کیفیت برق تولید شده مورد توجه قرار گیرد. اما ارزیابی میزان کیفیت برق از دید افراد مختلـف و
در سطوح مختلف سیستم قدرت بکلی متفاوت است. به عنوان مثال شرکتهای توزیع، کیفیت بـرق
مناسب را به قابلیت اطمینان سیستم برقرسانی نسبت میدهنـد و بـا ارائـه آمـار و ارقـام قابلیـت
اطمینان یک فیدر را مثلاﹰ ٩٩% ارزیابی میکنند سازندگان تجهیـزات الکتریکـی بـرق بـا کیفیـت را
ولتاﮊی میدانند که در آن تجهیزات الکتریکی به درسـتی و بـا رانـدمان مطلـوب کـار مـیکننـد و
بنابراین از دید سازندگان آن تجهیزات، مشخصات مطلوب ولتاﮊ شبکه بکلی متفاوت خواهد بـود.
اما آنچه که مسلم است آنست که موضوع کیفیت برق، نهایتـاﹰ بـه مـشترکین و مـصرف کننـدگان
مربوط میشود و بنابراین، تعریف مصرفکنندگان اهمیت بیشتری دارد.
بروز هر گونه اشکال یا اغتشاش در ولتاﮊ، جریان یا فرکانس سیستم قدرت کـه باعـث خرابـی یـا
عدم عملکرد صحیح تجهیزات الکتریکی مشترکین گردد به عنوان یک مشکل در کیفیت برق، تلقی
میگردد.
واضح است که این تعریف نیز از دید مشترکین مختلـف، معـانی متفـاوتی خواهـد داشـت. بـرای
مشترکی که از برق برای گرم کردن بخاری استفاده میکند، وجود هارمونیکها در ولتاﮊ یا انحراف
فرکانس از مقدار نامی هیچ اهمیتی ندارد، در حـالی کـه تغییـر انـدکی در فرکـانس شـبکه، بـرای
مشترکی که فرکانس برق شهر را به عنوان مبنای زمانبندی تجهیزات کنترلی یک سیـستم بـه کـار
گرفته است،میتواند به طور کلی مخرب باشد.
٢
یکی از مواردی که بعنوان یک مشکل در کیفیت برق تلقی می گردد، پدیده فرورزونانس است. در
اثر وقوع این پدیده و اضافه ولتاﮊ و جریان ناشی از آن، موجب داغ شدن و خرابی
ترانسفورماتورهای اندازه گیری و ترانسفورماتور های قدرت می گردد که میتوانند بر حسب
شرایط اولیه، ولتاﮊ و فرکانس تحریک و مقادیر مختلف پارامترهای مدار (کاپاسیتانس وشکل
منحنی مغناطیسی)، مقادیر متفاوتی پیدا کنند، بنابراین بایستی محدودیت هایی بر پارامترهای
سیستم اعمال کرد تا از وقوع چنین پدیده ناخواسته جلوگیری نمود.
با توجه به اهمیت شناسایی پدیده فرورزونانس از سایر حالتهای گذرا دراین پایان نامه تلاش شد
تا سیستمی هوشمند جهت تشخیص این پدیده از سایر حالتهای گذرای کلیدزنی ارائه گردد. در
طراحی این سیستم هوشمند اولاﹰ از جدیدترین روش های تجزیه و تحلیل و پردازش سیگنالهای
الکتریکی برای پردازش دادهها استفاده گردید. ثانیاﹰ از طبقهبندی کنندههای پیشرفته با توانایی بالا
در دستهبندی دادهها بهره گرفته شد. به منظور مقایسه نتایج حاصل از فرورزونانس با سایر
سیگنالهای گذرای شبکه توزیع، تعدادی از حالتهای گذرا نظیر کلیدزنی بار، کلیدزنی خازنی و
کلید زنی ترانسفورماتور توسط نرم افزار EMTP بر روی یک فیدر توزیع واقعی شبیه سازی شد.
در فصل دوم به مروری بر کارهای انجام شده در زمینه پـردازش سـیگنال در سیـستمهای قـدرت
پرداخته، در فصل سوم به معرفی پدیده فرورزونانس خـواهیم پرداخـت. در فـصل چهـارم مبـانی
علمی روشهای پیشنهادی، در فصل پنجم نحوه جمع آوری اطلاعات و سیگنالها بررسی مـی شـود
و درفصل ششم نحوه پیاده سازی روشهای پیشنهادی بررسی مـی شـود و نهایتـا نتیجـه گیـری و
پیشنهادات پایان بخش مطالب خواهند بود.
٣

۴
۲‐۱‐ مقدمه
با دستهبندی دقیق مسائل، همچنین میتوان منابع تولید هر دسته از مشکلات را نیز شناسـایی و در
دستهبندی فوق جـای داد. بـه ایـن ترتیـب پـس از شناسـایی نـوع اغتـشاش از روی پارامترهـای
اندازهگیری شده اقدام برای بهبود کیفیت برق نیز تا حدودی آسانتر خواهد شد. در ضمن میتـوان
اغتشاشهای بوجود آمده در هر دسته را با اندیسها و مشخصههای مربوط به خودش تعریف کرد و
بنابراین توصیف کاملی از انحرافات بوجود آمده در شکل مـوج ولتـاﮊ نـسبت بـه حالـت ایـدهآل
بدست آورد.
به منظور تشخیص پدیده های تصادفی در سیستم های قدرت, سـیگنالهای مختلفـی مـورد توجـه
قرار گرفته اند. از این سیگنالها می توان به سیگنالهای کیفیت توان و سـیگنالهای خطـای امپـدانس
بالا و سیگنالهای فرورزونانس اشاره کرد که در ادامه مـروری بـر روشـهای شناسـایی سـیگنالهای
کیفیت توان و سیگنالهای خطای امپدانس بالا شده است. لازم به ذکر است با توجـه بـه اینکـه در
زمینه شناسایی سیگنالهای فرورزونانس از سایر سیگنالهای گذرا، مقالـه یـا کـار تحقیقـاتی وجـود
ندارد در این پایان نامه روشهای شناسایی این پدیده بررسی شده است.
٢‐٢‐ مروری بر روشهای شناسایی اغتشاشات کیفیت توان
در این بخش قبل از بررسی کامل روشهای گوناگون شناسایی اغتشاشات کیفیت توان لازم دیـدیم
که با توجه به کاربرد وسیع روشهای پردازش سیگنال در بحث کیفیت توان نکات چندی را خـاطر
نشان سازیم. در وهله اول، با توجه به توضیحات قسمت قبل، لزوم جداسازی اغتشاشات و تعیـین
نوع آنها هرچه بیشتر اهمیت مییابد. در ضمن با مرور کارهـای گذشـته و انجـام شـده در بحـث
کیفیت توان روشهای مختلف پردازش سیگنال به صورت عمده در سه بخش زیـر مـورد اسـتفاده
۵
قرار گرفتهاند:
١‐ کاربرد پردازش سیگنال و تکنیکهای آن در فشردهسازی اطلاعات و شکل موجهـا و کـاربرد
آن در کیفیت توان
٢‐ استفاده از تکنیکهای مختلف پردازش سیگنال و سیستمهای خبره در جداسازی اغتشاشات
٣‐ استفاده از تکنیکهای مختلف پردازش سیگنال در تشخیص نوع اغتشاش بوجود آمده
١. سیستمهای هوشمند در طبقهبندی اغتشاشات
در این قسمت تشخیص دو موضوع عمده ضروری است. اول آنکه کدام یک از روشهای پردازش
سیگنال اعم از تبدیل فوریه، موجک و … جهت تجزیه و تحلیل و استخراج ویژگیهای مربوط بـه
هر یک از اغتشاشات به کار گرفته شدهاند و در مرحله دوم دستهبندی کننده موردنظر جـزﺀ کـدام
یک از سیستمهای هوشمند مانند شبکههای عصبی، فازی و … بوده است.
الف) تکنیک مورد استفاده در پردازش شکل موجهای مربوط به اغتشاشات
تکنیکهای مورد استفاده در طبقهبندی اغتشاشات کیفیت توان در چهار دسته زیر قرار می گیرند:
۱. تکنیکهای مطرح شده با استفاده از تبدیل فوریه (FFT, STFT)
٢. تکنیکهای مطرح شده با استفاده از تبدیل موجک (DWT, CWT)
۳. تکنیکهای ترکیبی
۴. تکنیکهای نوین مطرح شده در حوزه پردازش سیگنال
اگر قرار باشد به سراغ کارهای قدیمی در حوزه پردازش سیگنال بـرویم آنگـاه تبـدیل فوریـه بـه
عنوان یک ابزار قوی در این زمینه مطرح میگردد. تبدیل فوریه سریع و تبدیل فوریه زمان کوتاه از
جمله تکنیکهایی هستند که در این قسمت مورد استفاده قرار گرفتهاند] ۱.[
ابزار جدید مطرح شده در حوزه پردازش سـیگنال تبـدیل موجـک مـیباشـد. بـا توجـه بـه آنکـه
۶
تکنیکهای گسسته پردازش سیگنال امروزه فراگیر شدهاند، اکثریت قریب به اتفـاق کارهـای انجـام
شده با استفاده از تبدیل موجک به DWT یا همان تبدیل موجک گسسته برمیگـردد. نمونـه هـای
فراوانی از کاربردهای این تبدیل را در کارهای قبلی می توان مشاهده کرد]۲.[
عدهای از محققان روشهای ترکیبی را جهت استخراج ویژگیهایی اغتـشاشات بـه کـار بـردهانـد. از
جمله این روشها میتوان به ترکیب تبدیل فوریه و تبدیل والش در ]۳[ و ترکیب تبـدیل فوریـه و
موجک در ]۴[ اشاره کرد. از طرفی با پیشرفتهای بدست آمده در حوزه پردازش سـیگنال مـیتـوان
نمونههایی از به کارگیری تبدیلهای جدید مانند S Transform را در بحث طبقهبنـدی اغتـشاشات
درمراجع یافت] ۵.[
آنچه که در تمامی این تحقیقات بیش از همه به چشم می آید عدم وجود یک شـبکه واقعـی اسـت
که نتایج این روشها را همچنان در هالهای از ابهام نگه میدارد.
ب) سیستمهای خبره به کار گرفته شده
تحت عنوان طبقهبندی کننده اغتشاشات کیفیت توان قبل از بـه کـارگیری یـک سیـستم هوشـمند
جهت تشخیص اغتشاشات موردنظر در یک بازه زمانی خاص لازم است ویژگیهایی جهت هر یک
از اغتشاشات استخراج شود. این ویژگیها میتوانند مجموع ضرایب، مجمـوع قـدرمطلق ضـرایب،
ماکزیمم ضرایب، انحراف معیار ضرایب یا هرچیز دیگـر باشـند. در ادامـه ضـمن معرفـی سیـستم
هوشمند در هر تحقیق ویژگیهای استفاده شده در آن تحقیق را بررسی می کنیم.
شبکه های موجک: شبکههای موجک نوع خاصی از شبکههای عصبی مـیباشـند کـه در آنهـا توابع متداول شبکه های عصبی با توابع موجک مادر جایگزین مـیشـوند. ایـن شـبکههـا بـه خصوص در سالهای اخیر توانایی خاصی از خود در تقریب توابع نشان دادهاند. این شـبکههـا به همراه دوره اغتشاشی سیگنال جهت طبقـهبنـدی اغتـشاشات کیفیـت تـوان بـه کـار گرفتـه
٧
شدهاند]۶.[
شبکه های عصبی: شبکههای عصبی مورد اسـتفاده در طبقـهبنـدی اغتـشاشات بیـشتر از نـوع شبکههای عصبی چند لایه پرسپترون یا همان MLP بوده، البته کارهایی از شبکههـای عـصبی احتمالی (PNN) و شبکههای عصبی خودسازمانده تطبیقی را در این بحث مـیتـوان مـشاهده کرد. ویژگیهای موردنظر جهت آموزش این شبکهها مشتمل بر انحراف معیار ضـرایب، انـرﮊی سیگنال در سطوح مختلف فرکانسی، ماکزیمم ضرایب سیگنالها در سطوح مختلف فرکانسی، متوسط و واریانس آنها و مینیمم آنها بوده اند]۷.[
منطق فازی: در استفاده از منطق فازی، تحقیقات انجام شده براساس قوانین – مبتنی بر ویژگیهای استخراج شده استوار بوده است. به عنوان مثال انرﮊی سیگنال در سطوح مختلف فرکانسی یک بردار ویژگی میسازد که مولفههای این بردار بسته به نوع اغتشاش دارای شدت یا ضعف خواهند بود. این شدت یا ضعف انرﮊی سـیگنال در سـطوح مختلـف فرکانـسی بـه همراه استنتاج فازی سیستم هوشمندی را میسازد که توانایی آن در دستهبندی اغتشاشات قابل ملاحظه است]۸.[
مدل مخفی مارکوف: این مدل که براساس نظریه مارکوف و نظریه احتمالات بنا نهـاده شـده است و در سالهای اخیر با منطق فازی نیز ترکیب شده علـیرغـم داشـتن توانـایی مناسـب در بحث طبقهبندی از پیچیدگیهای خاصی برخوردار است]۹.[
درخت تصمیمگیری: درخت تصمیمگیری از مباحـث مطـرح شـده در Machine Learning میباشد. این دستهبندی کننده به همراه ویژگیهای استخراج شده از تبـدیل موجـک بـه عنـوان یک دستهبندی کننده توانمند در حوزه کیفیت توان مطرح شده است]۰۱.[
٨
فیلتر کالمن: فیلتر کالمن بویژه فیلتر کالمن غیرخطی در سالهای اخیر به عنوان یک ابزار قـوی جهت تجزیه و تحلیل سیگنالهای مختلف به کار گرفته شده است. اگر شکل موج اغتشاشی به عنوان ورودی این فیلتر به کار رود. خروجی فیلتر مـیتوانـد نـوع اغتـشاش بوجـود آمـده را شناسایی کند]۱۱.[
٢‐٣‐ مروری بر روشهای شناسایی خطای امپدانس بالا
این روشها مبتنی بر تجزیه و تحلیل ولتاﮊها و جریانهای ابتدای فیـدر مـی باشـند و در یـک طبقـه
بندی کلی به چهار گروه تقسیم می شوند.
١. روشهای ارائه شده در حوزه زمان
٢. روشهای ارائه شده در حوزه فرکانس
٣. روشهای ارائه شده در حوزه زمان‐ فرکانس
١. روشهای ارائه شده در حوزه زمان:
این روشها بر اساس اطلاعات زمانی سیگنالها اقدام به شناسایی خطاهای امپدانس بالا مـی نماینـد
تعدادی از آنها عبارتند از:
الف) الگوریتم رله تناسبی
برای سیستمهایی که در چند نقطه زمین شده اند زاویه و دامنه جریان عدم تعـادل بـار( ( IO ثابـت
نیستند و جریان خطا نیز متغیر است. در نتیجه رله های اضافه جریان را نمی توان حساس ساخت.
٩
اگر رله ای بتواند فقط جریان خطا را حس کند، حساسیت آن بالا مـی رود. در رلـه پیـشنهادی بـا
توجه به سهولت اندازه گیری جریان عـدم تعـادل بـار( IO )، جریـان سیـستم نـول( I N )، جریـان
خطا( ( It طبق رابطه ١‐٢ محاسبه و موجب عملکرد رله می گـردد]۲۱.[
(۱‐۲)
It  K1 IO  K2 I N
که در آن IO و I N به ترتیب جریان عدم تعادل بار و جریان سیم نـول و K1 و K2 ثابـت مـی
باشند.
ب) الگوریتم رله نسبت به زمین
این رله به خاطر غلبه بر اثر تغییرات بار بر روی حساسیت رله هـای اضـافه جریـان سـاخته شـده
است و گشتاور عملکرد آن بطور اتوماتیک بار تغییر می کند] ۳۱.[
ج) استفاده از رله های الکترومکانیکی
در این رابطه برای شناسایی خطاهای امپدانس بالا بر روی شبکه های چهـار سـیمه شـرکت بـرق
پنسیلوانیا با همکاری شرکت وستینگهاوس اقدام به ساخت رلـه ای نمـوده انـد کـه بـا اسـتفاده از
نسبت جریان باقیمانده( (3 IO به جریان مولفه مثبت( ( I1 عمل می کند. اگر نسبت 3 IO از مقـدار
تنظیم شده رله فراتر رفت رله عمل خواهد کرد.] ۴۱.[
د) الگوریتم تغییرات جریان
در یکی از روشهای ارائه شده با توجه به تغییرات ملایم جریان به هنگام کلیـدزنی بـار از سـرعت
١٠
تغییرات جریان برای شناسایی خطاهای امپدانس بالا استفاده شـده اسـت]۵۱.[ ایـن روش کـارایی
خود را هنگامیکه جریانهای خطا دارای تغییرات اولیـه سـریع نیـستند از دسـت میدهـد. در روش
دیگر از تغییرات لحظه ای دامنه جریان برای آشکارسازی خطا استفاده شده اسـت]۶۱.[ هـر چنـد
خطاهای امپدانس بالا رفتار تصادفی دارند ولی سطح جریان همه آنها برای چند سـیکل زیـاد مـی
شود(لحظه وقوع جرقه) و بعد به میزان جریان بار می رسد. با توجه به این تغییـرات کـه در سـایر
کلیدزنیها وجود ندارد اقدام به شناسایی آنها گردیده اسـت. در روش دیگـری از تغییـرات بوحـود
آمده در نیم سیکل مثبت و منفی شکل موج جریان برای آشکارسازی استفاده شده است]۷۱.[
برای فیدرهایی که از طریق ترانسهای ∆ − ∆ تغذیه می شوند افزایش دامنـه جریـان و پـیش فـاز
شدن آن برای شناسایی خطای امپدانس بالا استفاده شده است] ۸۱.[
٢. روشهای ارائه شده در حوزه فرکانس:
این روشها بر اساس اطلاعات حوزه فرکانس سیگنالها عمل می کننـد و در آنهـا عمـدتا از تبـدیل
فوریه برای نگاشت سیگنالهای حوزه زمان به حوزه فرکانس استفاده می شود که در ادامه تعـدادی
از روشهای حوزه فرکانس ارائه می گردند
الف) استفاده از هارمونیک دوم و سوم جریان برای شناسایی خطاهای امپدانس بالا
برخورد هادی انرﮊی دار با زمین باعث ایجاد جرقه می گردد. این جرقه ها باعث ایجاد ناهماهنگی
و عدم تقارن شکل موج جریان می شوند که این عدم تقارن تولید هارمونیک های دوم و سـوم در
جریان خطا می کند و تعدادی از روشهای آشکارسازی بر این اساس ارائـه شـده انـد. در یکـی از
روشها نسبت دامنه مولفه دوم جریان به مولفه اصلی آن برای هـر سـه فـاز بعنـوان معیـاری بـرای
١١
شناسایی معرفی شده اند] ۹۱ .[ در روش دیگری از نسبت دامنه هارمونیک سوم جریان بـه مولفـه
اصلی برای شناسایی استفاده شده است] ۰۲.[
در روش دیگر با استفاده از مولفه هـای صـفر و منفـی هارمونیکهـای دوم، سـوم و پـنجم بعنـوان
ویژگیهای مناسب و روشی درست اقدام به جداسازی خطای امپدانس بالا از سایر حالتهـای گـذرا
همچون کلیدزنی بار، کلیدزنی خازنها و جریان هجـومی ترانـسها گردیـده اسـت] ۱۲ .[ همچنـین
انرﮊی سیگنال در یک فرکانس یـا محـدوده فرکانـسی بعنـوان ویژگیهـای مناسـبی بـرای ارزیـابی
خطاهای امپدانس بالا در نظر گرفته شده اند]۲۲.[
ب) استفاده از مولفه های فرکانس بالا جهت شناسایی خطاهای امپدانس بالا
٩۵% خطاهای امپدانس بالا با جرقه توام هستند و این جرقه ها ایجـاد نوسـانات فرکـانس بـالا در
محدوده kHz١٠‐ ٢ می نمایند. حد پایین به منظور عدم تداخل با فرکانسهای پایین که در شـرایط
معمولی وجود دارند، تعیین گ
ردیده و حد بالا به علت کاهش انرﮊی سیگنال در فرکانسهای بسیار بالا انتخاب شـده انـد. نتـایج
عملی نشان می دهند که این مولفه ها برای شناسایی مناسب هستند. هر چند اگر دامنه جریان کـم
و یا بانکهای خازنی بزرگ در شبکه وجود داشته باشند موجب حذف این مولفه ها مـی گردنـد و
عمل آشکارسازی را با مشکل مواجه می سازد] ۳۲ .[
ج) شناسایی خطاهای امپدانس بالا به کمک مولفه های بین هارمونیکی
علاوه بر هارمونیک های فرکانس پایین و فرکانس بالا مولفه های بین هـارمونیکی بـرای فرکـانس
پایه ۵٠ هرتز عبارتند از:٢۵،٧۵ و ١٢۵ هرتز و بـرای فرکـانس پایـه ۶٠ هرتـز، ٣٠،٩٠، ١۵٠، ٢١٠
١٢
هرتز می باشند] ۴۲،۵۲.[ این فرکانـسها تغییـرات دامنـه و زاویـه زیـادی در هنگـام وقـوع خطـای
امپدانس بالا از خود نشان می دهند و با حذف فرکانسهای پایه و بعضی از هارمونیک ها به کمـک
فیلتر کردن جریان می توان به آنها دست یافت و برای آشکار سازی از آنها اسـتفاده کـرد. مـشکل
عمده این روشها ساخت فیلتر هایی است که مولفه های بین هارمونیک را از خود عبور دهند] ۴۲
.[استفاده از انرﮊی این مولفه ها نیز بعنوان روشی برای جداسازی خطاهای امپـدانس بـالا از سـایر
حالات مطرح شده است] ۵۲ .[
د) آشکارسازی به کمک فیلتر کالمن
تبدیل فوریه برای سیگنالهای ایستان که دامنه آنهـا بـا زمـان تغییـر نمـی کنـد مناسـب هـستند در
صورتیکه خطاهای امپدانس بالا دارای ماهیت غیر ایستان می باشند و استفاده از تبدیل فوریه برای
تجزیه و تحلیل آنها روش بهینه ای نیست. یکی از روشـهایی کـه بـرای بررسـی سـیگنالهای غیـر
ایستان بکار می رود فیلتر کالمن است، در این روش هم مولفه اصلی و هم هارمونیک هـا بررسـی
می شوند. فیلتر کالمن برآورد مناسبی برای تغییرات زمانی فرکانس اصلی و هارمونیک ها ارائه می
کند و خطاهای مربوط به فیلترهای کلاسیک و فوریه را ندارد] ۶۲ .[
٣.روشهای ارائه شده در حوزه زمان‐ فرکانس
در این روشها از تبدیل موجک برای تجزیه و تحلیل سیگنالها استفاده می شود. با توجه به مزیـت
این تبدیل نسبت به تبدیل فوریه اخیرا در پردازش سیگنالها از جمله سیگنالهای ناشی از خطاهـای
امپدانس بالا تبدیل موجک بعنوان تبدیلی کارآمد مورد توجه قرار گرفته است. مقالاتی که در ایـن
ارتباط ارائه شده اند عبارتند از:
١٣
الف) اولین کاربرد موجک برای شناسایی خطاهای امپدانس بالا مربوط به خطاهایی اسـت کـه در
آنها از یک مقاومت زیاد بعنوان مدل خطا استفاده شده است. شبکه بررسی شـده یـک شـبکه سـه
شینه، kV۴٠٠ بوده و با استفاده از برنامه EMTP شـبیه سـازی شـده و اطلاعـات مـورد نیـاز بـا
فرکانس نمونه برداری kHZ ۴ ثبت گردیده و سه سیکل از شکل موج ولتاﮊ برای پردازش اسـتفاده
شده است. کاهش دامنه ضرایب بعنوان معیاری برای شناسایی خطا استفاده گردیده است] ۷۲ .[
ب) کاربرد دیگر تبدیل موجـک اسـتفاده از موجـک Spline و قـدر مطلـق ضـرایب سـطوح ۱و۲
سیگنالهای جریان تجزیه شده برای شناسایی خطاهای امپدانس بـالا مـی باشـد. اطلاعـات لازم بـا
شبیه سازی یک فیدر kV۱۱ با استفاده از برنامه EMTP ثبت شده اند و سه سیکل از سـیگنالهای
جریان پردازش شده اند] ۸۲. [
١۴

١۵
۳‐۱‐ مقدمه
فرورزونانس اصطلاحی است که بمنظور توصیف پدیده رزونانس در مداری که حداقل دارای یک
عنصر غیر خطی اندوکتیو است، بکار برده می شود. مداری که شامل ترکیب سری یک اندوکتانس
قابل اشباع و مقاومت خطی وخازن است، مدار فرورزونانس نامیده می شود.
رزونانسی که در مدار شامل راکتور خطی رخ می دهد به رزونانس خطی سری و رزونانسی که در
مدار شامل راکتور قابل اشباع رخ می دهد به فرورزونانس یا رزونانس جهشی موسوم است.
بواسطه مشخصه غیر خطی راکتور، مقدار اندوکتانس در ناحیه اشباع تابعی از درجه اشباع هسته
مغناطیسی که خود وابسته به ولتاﮊ دو سر راکتور است، می باشد و از این رو در ناحیه اشباع
اندوکتانس می تواند مقادیر متعددی را به خود اختصاص دهد که ممکن است در هر یک از این
مقادیر تحت شرایط خاصی پدیده فرورزونانس تحقق یابد.
در حقیقت پدیده فرورزونانس مورد خاصی از رزونانس جهشی است که در آن غیر خطی بودن،
مربوط به هسته مغناطیسی راکتور است. رزونانس جهشی به این معناست که هر گاه در سیستمی
که توسط منبع سینوسی تحریک می شود، در اثر افزایش مقدار یا فرکانس ورودی و یا مقدار یکی
از پارامترهای سیستم، یک جهش ناگهانی در مقدار یکی از سیگنالهای دیگر سیستم پیش آید. این
جهش می تواند در ولتاﮊ یا جریان و یا فلوی مغناطیسی یا در تمامی آنها ایجاد گردد.
هنگامیکه در اثر اشباع هسته مغناطیسی و تحت شرایط خاصی چنین پدیده ای رخ می دهد ولتاﮊ
زیادی در دو سر راکتور ظاهر شده و جریان مغناطیس کننده در نقاطی که ولتاﮊ تغییر جهت می
دهد به شکل پالس به مقدار زیادی افزایش می یابد.
١۶
۳‐۲‐ تاریخچه فرورزونانس
تحقیقات در مورد پدیده فرورزونانس سابقه هشتاد ساله دارد. کلمه فرورزونانس در مقالات علمی
دهه ١٩٢٠ دیده شد. علایق عملی در سال ١٩٣٠ زمانی به وجود آمد که استفاده از خازنهای سـری
برای تنظیم ولتاﮊ در سیستمهای توزیع آن زمان، باعث بروز اضافه ولتاﮊ در شبکه توزیع می گـردد
]۹۲.[ از آن زمان تاکنون بیشتر تحقیقات در این زمینه بر مـدل سـازی دقیـق تـر ترانـسفورماتور و
مطالعه پدیده فرورزونانس در سطح سیستم متمرکـز بـوده اسـت. اصـولا فرورزونـانس پدیـده ای
غیرخطی است. بنابراین بسیاری از روشهای بکار برده شده جهت بررسـی ایـن پدیـده مبتنـی بـر
حوزه زمان و با بکار بردن نرم افزار EMTP می باشد
٣‐٣‐ موارد وقوع فرورزونانس در سیستم های قدرت
در سیستم های قدرت الکتریکی مواردی که در آنها احتمال وقوع فرورزونانس وجود دارد عبارتند
از :
الف‐ ترانسفورماتورهای ولتاﮊ (CVT, VT)
ب‐ خطوط انتقال موازی EHV جابجا نشده
ج‐ سیستم توزیع انرﮊی
این پدیده معمول بواسطه اثر متقابل ترانسفورماتور (بدون بار یا بار کم) با کاپاسیتانس سیستم
بوجود می آید.
مثلا اگر ولتاﮊی در نقطه صفر شکل موج آن به ترانسفورماتور بدون بار اعمال شود، یک جریان
زیادی از مقدار عبور می کند زیرا، فلوی مغناطیسی تمایل دارد که در سیکل اول مقدارش را دو
١٧
برابر نماید و در نتیجه هسته به میزان زیادی اشباع می گردد، این جریان زیاد تا چند سیکل ادامه
می یابد و در شرایط ماندگار جریان تحریک به مقدار معمولش تنزل می یابد.
اما اگر چنانچه ترانسفورماتور از طریق یک خازن سری انرﮊی دار گردد این جریان غیرعادی
درشرایط ماندگار نیز ادامه می یابد، این جریان حتی از جریان بار نیز بزرگتر است و در این حالت
شکل موج جریان و ولتاﮊ دو سر ترانسفورماتور اعوجاج یافته اند و پدیده فرورزونانس تحقق
یافته است.
٣‐۴‐ شروع فرورزونانس
پدیده فرورزونانس همواره پس از وقوع یک اغتشاش فاحش، رخ میدهد. اغتشاش وارده به
سیستم ممکن است منجر به تغییر افزایشی در مقدار فرکانس ورودی سیستم یا مقادیر پارامترهای
سیستم گردد.در سیستم های قدرت، معمولا اغتشاش ناشی از قطع خط ترانسفورماتور بدون بار و
شرایط سوئیچینگ نامطلوب، احتمال وقوع فرورزونانس را افزایش می دهد. اغلب این پدیده در
سیستم قدرتی که دارای تلفات کم است آغاز می گردد.
٣‐۴‐١ شرایط ادامه یافتن فرورزونانس
وقوع فرورزونانس در سیستم های قدرت به شرایط اولیه مخصوصا به انرﮊی اولیه ذخیره شده
سیستم در زمان پس از اغتشاش وابسته است اگر این انرﮊی کافی باشد اندوکتانس با هسته آهنی
را به اشباع می برد.
اگر برای تغذیه تلفات سیستم بقدر کافی انرﮊی از منبع تغذیه انتقال یابد پدیده فرورزونانس ادامه
می یابد، البته مکانیزم انتقال انرﮊی در موارد مختلف، متفاوت خواهد بود.
١٨
مثلا در خطوط دوبل EHV وقتی یک از مدارها قطع می شود و خط دیگر انرﮊی دار می گردد،
انتقال توان از طریق کاپاسیتانس کوپلاﮊ بین دو خط از خط انرﮊی دار صورت می گیرد.
نتایج نشان می دهد که با وارد کردن مقاومت بزرگ در مدار امکان وقوع فروزونانس کاهش
مییابد که از آن می توان برای جلوگیری فروزونانس درترانسفورماتور ولتاﮊ استفاده نمود.
داغ شدن ترانسفورماتور قدرت عایقی آن را تضعیف کرده و منجر به شکست عایق تحت تنشهای
الکتریکی می شود. در صورت عدم توقف این پدیده ترانسفورماتور شدیدا آسیب دیده و ممکن
است باعث اتصال کوتاه و با انفجار و یا حتی آتش سوزی شود.
اضافه ولتاﮊهای ناشی از پدیده فرورزونانس می تواند تا حدود ۵ پریونیت افزایش یابد. بدیهی
است چنین اضافه ولتاﮊهایی به راحتی می توانند به سیم پیچی ترانسفورماتور آسیب برسانند. با
توجه به مسائل و مشکلات فوق شبیه سازی و تفهیم پدیده فرورزونانس موضوع بسیاری از
مقالات بوده است.
۳‐۵‐ اثرات نامطلوب فرورزونانس] ۰۳[
به وجود آمدن ولتاﮊها و جریانهای بزرگ ماندگار یا موقت در سیستم
ایجاد اعوجاج در شکل موجهای ولتاﮊ جریان
تولید صداهای گوش خراش پیوسته در ترانسفورماتورها و راکتورها
تخریب تجهیزات الکتریکی به علت گرمای زیاد یا شکست الکتریکی
عملکرد ناخواسته رله ها
گرم شدن ترانسفورماتور (در حالت بی باری)
١٩
به علت اشباع هسته ترانسفورماتور و عبور جریانهای لحظه ای بزرگ در سیم پیچهای
ترانسفورماتور در زمان وقوع این پدیده، ترانسفورماتور داغ می شود.
٣‐۶‐ مبانی پدیده فرورزونانس
به منظور تفهیم هر چه بهتر پدیده فرورزونانس مدار شکل (١‐٣) را در نظر بگیرید که در آن
سلف دارای مشخصه غیر خطی است. هر گاه منبع ولتاﮊ سینوسی باشد، می توان KVL را طبق
رابطه (١‐٣) نوشت :
L

C
R
E
شکل ۱‐۳. مدار معادل پدیده فرورزونانس
R ≈ 0 (١‐٣) jI ) V  E  − j E  I ( jwL  wC wC با توجه به شکل (٢‐٣) مشخص است که به تناسب مقدار ظرفیت خازنی، یک یا سه نقطه تقاطع
بین منحنی سلف غیرخطی و راکتانس خازنی وجود دارد. نقطه تقاطع (٢) ناپایدار می باشد. و
فقط در حالتهای گذرا چنین نقطه ای به وجود می آید. همچنین واضح است که اگر نقطه
تقاطع(۳) نقطه کار باشد در آن صورت ولتاﮊ و جریانهای بسیار بزرگی به وجود می آیند.
در مقادیر کم ظرفیت خازنی، نقطه کار فقط، نقطه سوم بوده و چون در این حالت راکتانس
خازنی بزرگ است، موجب جریان پیشفاز در سیستم و ولتاﮊ بزرگتر روی سلف می شود. با
٢٠
افزایش مقدار ظرفیت خازنی نقطه تقاطع دیگری به وجود می آید که تمایل سیستم به نقطه تقاطع
که دارای حالت سلفی با جریان پسفاز است. بیشتر می باشد.
هر گاه مقدار ولتاﮊ اعمالی به اندازه کمی تغییر نماید آنگاه نقطه کار (١) حذف و نقطه کار به نقطه

(٣) پرش خواهدکرد.
voltage
2
1
current
3
شکل۲‐۳ حل ترسیمی مدار LC غیر خطی
در این حالت جریان بسیار زیادی از سلف می گذرد و طبیعی است که با عبور این جریان بزرگ،
ولتاﮊ دوباره کاهش یافته و دبواره نقطه کار (١) به وجود می آید. و بدین ترتیب نقطه کار بین (١)
و (٣) پرش خواهد کرد. در این صورت ولتاﮊ و جریانهای به وجود آمده کاملا تصادفی و غیر
قابل پیش بینی می باشند.
در سیستمهای توزیع، پدیده فرورزونانس زمانی اتفاق می افتد که بانک خازنی و یا طولی از کابل
با مشخصه مغناطیسی ترانسفورماتور و یک منبع ولتاﮊ بطور سری قرار بگیرد. برای کابلهای با
طول کم فقط یک نقطه کار در ناحیه سوم وجود دارد و بنابراین شکل موج ولتاﮊ و جریان ناشی
از فرورزونانس دارای پریودی برابر پریود شبکه میباشد. با افزایش ظرفیت خازنی قله این اضافه
٢١
ولتاﮊها روی منحنی اشباع مدام بالا می رود تا جائیکه اندازه ولتاﮊ بسیار بیشتر از حالت عادی می
شود. با افزایش بیشتر ظرفیت خازنی نقطه کار (١) نیز فعال می شود و به تناسب نوع حالت
گذاری پیش آمده، اضافه ولتاﮊهای به وجود آمده در دو سر اندوکتانس غیرخطی، ممکن است
دارای پریود پایدار و یا شکل موج آشفته باشند.
با افزایش دوباره ظرفیت خازنی زمانی فرا می رسد که نقطه تقاطع سوم حذف می شود و در
حالت عادی در ناحیه فرورزونانس نخواهیم بود. اما حالتهای گذرا نظیر کلید زنی می توانند باعث
به وجود آوردن چنین نقطه کاری در ناحیه سوم شوند.
٣‐٧‐ فرورزونانس در ترانسفورماتورهای توزیع] ۱۳[
با گسترش خطوط کابلی زیر زمینی و همچنین تمایل روزافزون استفاده از ترانسفورماتورهای با
تلفات کم، مخصوصا ترانسفورماتور های ساخته شده از ورقه های فولاد حاوی سیلیکان، احتمال
وقوع فرورزونانس در این ترانسفورماتورها بیشتر شده است. این مشکل زمانی رخ می دهد که
ترانسفورماتور بی بار تغذیه شده از طریق خط کابلی (و یا متصل شده به بانک خازنی) تحت کلید
زنی تک فاز و یا دو فاز قرار می گیرد. همچنین در خطوط انتقال توزیع طولانی نیز، این مشکل
می تواند اتفاق بیافتد.
البته در رده توزیع خوشبختانه تمامی کلیدهای قدرت دارای قطع سه فاز بوده و این مسئله زیاد
جدی نمی باشد. اما در حالتهایی که از وسایل قطع تک فاز مانند کات آوت فیوزاستفاده می شود
امکان وقوع چنین شرایطی بسیار مهیا است. در این حالت مدار فرورزونانس شامل ولتاﮊ القایی
(ولتاﮊ القا شده از فازهای دیگر ترانسفورماتور به فاز قطع شده) و مشخصه مغناطیسی هسته
ترانسفورماتور و ظرفیت خازنی بین کابل (یا خط انتقال) و زمین می باشد. در این حالت ولتاﮊ
٢٢
ظاهر شده در فاز قطع شده ترانسفورماتور به تناسب مقدار ظرفیت خازنی کابل متصل به آن و
سایر پارامترها می تواند از چند پریونیت تجاوز نماید. شکل هسته ترانسفورماتور و منحنی
مشخصه آن در رفتار ترانسفورماتور بسیار با اهمیت می باشد.
فرورزونانس زمانی اتفاق می افتد که در هنگام بی باری و یا کم باری ترانسفورماتور در نقطه ای
دور از آن قطع تک فاز و یا دو فاز انجام شود. به تناسب پارامترهای مقدار امکان دارد که
فرورزونانس دارای دو حالت مختلف به شرح زیر میباشد:
٣‐٧‐١‐ فرورزونانس پایدار
در این حالت اضافه ولتاﮊهای فرورزونانس تا زمانی که فاز قطع شده بی برق بماند، پایدار می
باشند. این اضافه ولتاﮊها ممکن است که دارای قله بسیار بزرگی نباشند ولی به دلیل پایدار بودن
می توانند باعث صدمات جدی به برقگیرها و حتی انفجار آنها در عرض چند دقیقه شوند.
٣‐٧‐٢‐ فرورزونانس ناپایدار
در این حالت نقاط کار سیستم در حالت پایدار در محدوده فرورزونانس نمی باشند، اما حالتهای
گذرا نظیر کلید زنی می توانند نقاط کار سیستم را برای مدت کوتاهی به این محدوده وارد نمایند.
در این حالت اضافه ولتاﮊهای فرورزونانس برای مدت کوتاهی بعد از کلید زنی پدیدار شده ولی
به زودی میرا می شوند.
٢٣
٣‐٨‐ تاثیر نوع سیم بندی ترانسفورماتور
یکی از مزیتهای مدلسازی دوگانی ترانسفورماتورهای قدرت که در این مطالعه استفاده شده است،
این است که بدون تغییر در مدل هسته ترانسفورماتور، می توان سیم بندی ترانسفورماتور را
تعویض نمود] ۲۳.[
در ظرفیتهای خازنی مساوی، اضافه ولتاﮊهای فرورزونانس در ترانسفورماتور مورد نظر در حالت
اتصال ستاره با نوترال زمین شده بسیار کمتر است. با قطع نوترال ترانسفورماتور مورد نظر و قطع
تک فاز و دو فاز اضافه ولتاﮊهای بسیار بزرگتری حاصل می شوند که حتی از حالت اتصال
مثلث‐ ستاره بزرگتر می باشند
۳‐۹‐ تاثیر بار بر اضافه ولتاﮊهای فرورزونانس
همچنانکه می دانیم اضافه ولتاﮊهای فرورزونانس در هنگام بی باری و یا کم باری ترانسفورماتور
به وجود می آید. شبیه سازیها نشان می دهد که در مقادیر پایین ظرفیت خازنی مقدار بار لازم
برای حذف پدیده فرورزونانس بسیار کم است ولی با اضافه شدن ظرفیت خازنی مقدار بار لازم
برای قطع تک فاز و دو فاز بیشتر می شود. اضافه ولتاﮊهای فرورزونانس در ترانسفورماتورهای با
اولیه زمین شده کمتر هستند.
فازهای مختلف ترانسفورماتور دارای رفتار مساوی درمقابل اضافه ولتاﮊهای فرورزونانس نیستند.
با افزایش ظرفیت خازنی، میزان بارلازم برای حذف اضافه ولتاﮊهای فرورزونانس افزایش می یابد.
باری در حدود ۵ % بار نامی ترانسفورماتور در بیشتر حالات، قادر به حذف اضافه ولتاﮊهای
فرورزونانس می باشد.
٢۴
٣‐١٠‐ طبقه بندی مدلهای فرورزونانس
مدل پایه
در این حالت ولتاﮊ و جریان پریودیک می باشند و پریود آنها با پریود سیستم برابر است.
مدل زیر هارمونیک
در این حالت ولتاﮊ و جریان با پریودی نوسان می کنند که ضریبی از پریود منبع می باشند. این
حالت به زیر هارمونیک n ام معروف است که حالت فرورزونانس زیر هارمونیک فرد می باشد.
مدل شبه پریودیک
در این نوع فرورزونانس نوسانات کاملا اتفاقی و غیر پریودیک می باشند
٣‐١١‐ شناسایی فرورزونانس
بروز فرورزونانس با اثرات وعلایمی به شرح زیر همراه است:
اضافه ولتاﮊهای با دامنه زیاد و دائمی بصورت فاز به فاز و فاز به زمین اضافه جریانها با دامنه زیاد و دائمی اعوجاجها با دامنه زیاد و دائمی در شکل موج ولتاﮊ و جریان جابجایی ولتاﮊ نقطه صفر افزایش دمای ترانس در حالت بی باری
افزایش بلندی نویز ترانسها و راکتورها تریپ بی موقع تجهیزات حفاظتی
البته بعضی از این علایم مختص این پدیده نیست بطور مثال جابجایی نقطه صفر در شبکه هایی
که نقطه صفر آنها زمین نشده است می تواند بدلیل وقوع اتصال فاز به زمین رخ دهد.
٢۵
٣‐١١‐١ شرایط لازم برای بروز پدیده فرورزونانس
۱‐ حضور همزمان خازن با راکتور غیر خطی در سیستم
۲‐ وجود حداقل یک نقطه از سیستم که دارای ولتاﮊ ثابت نباشد
۳‐ وجود اجزا سیستم با بار کم مانند ترانسهای قدرت یا ترانسهای ولتاﮊ بدون بار یا منابع انرﮊی
با اتصال کوتاه پایین مانند ﮊنراتورهای اضطراری
در صورتیکه هر کدام از این سه شرط برقرار نباشد احتمال وقوع فرورزونانس بسیار ضعیف است
در غیر این صورت باید تحقیقات گسترده ای به عمل آورد.

دانلود پایان نامه ارشد- مقاله تحقیق

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : homatez.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

٢۶

٢٧
۴‐۱‐ از تبدیل فوریه٣ تا تبدیل موجک ]۳۳[
در قرن نوزدهم، ﮊان پاپتیست فوریه، ریاضی دان فرانسوی، نشان داد که هر تابع متناوب را میتـوان
به صورت حاصل جمعی نامحدود از توابع نمایی مختلط متناوب نمایش داد. سالها بعـد از عنـوان
شدن این خاصیت مهم، ایده او به نمایش سیگنالهای نامتناوب و سپس سیگنالهای گسسته متناوب
و نامتناوب گسترش یافت. بعد از این عمومیت بـه حـوزه گسـسته، تبـدیل فوریـه در محاسـبات
کامپیوتری بسیار موثر واقع گردید. در سال ۵۶۹۱، الگوریتم جدیدی به نـام تبـدیل فوریـه سـریع۴
عنوان شد، که نسبت به الگوریتم های قبلی تبدیل فوریه بیشتر به کار گرفته شد.
FFT چنین تعریف میشود
(۴‐ ۱) ∞∫ f (t )e − jwt dt F (w)  − ∞ (۴‐ ۲) f (t)  ∞∫F(w)e jwt dw −∞ اطلاعات حاصل از انتگرال، مربوط به تمام زمانها میباشد، چرا کـه انتگـرال گیـری از زمـان منفـی
بینهایت تا مثبت بینهایت انجام میشود. به همین علت، اگر سیگنال شامل فرکانسهای متغییر با زمان
باشد، یعنی سیگنال ثابت نباشد، تبدیل فوریه مناسب نخواهد بود. این بـدان معناسـت کـه تبـدیل
فوریه تنها مشخص میکند که آیا یک مولفه فرکانسی بخصوص در یک سیگنال وجود دارد یـا نـه،
و اطلاعاتی در مورد زمان ظاهر شدن این فرکانس به ما نمی دهد.

3-Fourier Transform 4-Fast Fourier Transform
٢٨
به همین دلیل، یک نمایش فرکانسی‐ زمانی به نام تبدیل فوریه زمان کوتاه۵ معرفی شد. در STFT،
سیگنال به قطعات زمانی به اندازه کافی کوتاه تقسیم میسود، بطوری که میتوان این قسمتهای کوتاه
را سیگنال ثابت فرض کرد. برای رسیدن به این هدف، یک تابع پنجره انتخاب میشود. پهنـای ایـن
پنجره باید با طولی از سیگنال که میتوان آنرا فرایند ثابت در نظر گرفت، برابر باشد. نمـایش STFT
به شکل زیر تمام مطالب ذکر شده در این مورد را خلاصه میکند:

(۴‐۳)
که w تابع پنجره میباشد.
نکته مهم در STFT پهنای پنجره بکار رفته میباشد. این پهنا را تکیه گاه پنجره نیز مینامند. هر چقدر
پهنای پنجره را کاهش دهیم، رزولوشن زمانی بهتر، و فرض فراینـد ثابـت محکمتـر میـشود ولـی
رزولوشن فرکانسی ضعیفتر خواهد شد، و بر عکس‐ شکل۴‐۱ راببینید.

شکل۴‐۱ نمایش پهن و باریک پنجرهای طرح زمان‐ فرکانس

5-Short Time Fourier Transform
٢٩
مشکل STFT را میتوان به وسیله اصل عدم قطعیت هایزنبرگ۶ مطرح کرد. ایـن اصـل معمـولاﹲبرای
مقدار جنبش و موقعیت مکانی ذرات در حال حرکت به کار میرود، با این حال میتوان آنـرا بـرای
اطلاعات حوزه زمانی‐فرکانسی بکار ببریم. بطور مختصر، ایـن اصـل مـیگویـد کـه نمـیتـوانیم
تشخیص دهیم که در هر لحظه زمانی کدام فرکانس وجود دارد. آنچه که ما میتـوانیم بفمـیم ایـن
است که در هر بازه زمانی کدام باندهای فرکانسی وجود دارند.
بنابراین، مساله انتخاب یک تابع پنجره، واستفاده از آن در تمام آنالیز میباشد. جـواب ایـن مـساله
بستگی به کاربرد دارد. اگر اجزاﺀ فرکانسی در سیگنال اصلی به خوبی از هم تفکیک شـده باشـند،
میتوانیم رزولوشن فرکانسی را در یک انـدازه مناسـب در نظـر بگیـریم و آنگـاه بـه طراحـی یـک
رزولوشن زمانی خوب بپردازیم، چرا که مولفههای طیفی قبلاﹲ از هم تفکیک شدهاند. در غیـر ایـن
صورت، پیدا کردن یک تابع پنجره مناسب بسیار مشکل خواهد بود.
اگر چه مشکل رزولوشن فرکانسی و زمانی از یک پدیده فیزیکی (اصل عـدم قطعیـت هـایزنبرگ)
ناشی میشود، و همواره برای هر تبدیل بکار رفته وجود دارد، میتوان سـیگنال را بـا یـک تبـدیل
دیگر بنام تبدیل موجک (WT) آنالیز کنیم
تبدیل موجک سیگنال را در فرکانسهای مختلف با رزولوشنهای مختلف آنالیز میکنـد. و بـا
تمام اجزاﺀ فرکانسی به صورت یکسان، آنطور که در STFT عمل میشد، برخورد نمیشود.
تبدیل موجک طوری طراحی شده است که در فرکانسهای بالا رزولوشن زمانی خوب و رزولوشن
فرکانسی ضعیف، و در فرکانسهای پایین، رزولوشن فرکانسی خوب و رزولوشـن زمـانی ضـعیف
داشته باشد. این خاصیت هنگامی که سیگنال تحت بررسـی دارای فرکانـسهای بـالا در بـازههـای

6-Heisenberg 's Uncertainty Principle
٣٠
زمانی کوتاه و فرکانسهای پایین برای زمانهای طولانی میباشد. دو تفاوت عمده بین STFT و CWT
عبارتند از
۱_ تبدیل فوریه سیگنال حاصل از اعمال تابع پنجره، گرفته نمیشود.
۲_ هنگامی که تبدیل برای یک جزﺀ طیفی محاسبه میشود، طول پنجره تغییر میکند. احتمالاﹲ ایـن
مهمترین مشخصه تبدیل موجک میباشد.
تبدیل موجک پیوسته (CWT) بصورت زیر تعریف میشود(:(Daubechies92
(۴‐۴)

که

(۴‐۵)
یک تابع پنجره است که موجک مادر٧ نامیده میشود، a یک مقیاس و b یک انتقال است.

شکل۴‐۲‐ چند خانواده مختلف ازتبدیل موجک. عدد بعد از نام موجک معرف تعداد لحظات محو شدن
است

7-Mother Wavelet
٣١
اصطلاح موجک به معنی موج کوچک میباشد. کوچکی برای شرایطی تعریف شده است که تـابع
پنجره طول محدود داشته باشد. موج هم برای شرایطی تعریف شده است کـه ایـن تـابع نوسـانی
باشد. اصطلاح مادر بر این نکته دلالت دارد که توابع بـا نـواحی مختلـف کـارایی، کـه در تبـدیل
استفاده میشوند، از یک تابع اصلی یا تابع مادر یک نمونه اصلی بـرای تولیـد سـایر توابـع پنجـره
میباشد. یک نمونه ازموجک مادر را در شکل۴‐۲ مشاهده میکنیم
اصطلاح انتقال به همان نحو که برای STFT بکار میرفت، در اینجا استفاده میشود. این اصـطلاح
به مکان پنجره، هنگامی که در امتداد سیگنال شیفت مییابد، دلالت میکند. واضح اسـت کـه ایـن
اصطلاح به اطلاعات زمانی در حوزه تبدیل مربوط میشود. با ایـن وجـود، مـا پـارامتر فرکانـسی،
آنطور که برایSTFT داشتیم، برای تبدیل موجک نداریم. در عوض در اینجا یـک مقیـاس موجـود
میباشد. مقیاس دهی همانند یک تبدیل ریاضی، به معنی گسترده یا فشرده کردن سیگنال میباشد.
مقیاسهای کوچکتر به معنی سیگنالهای گستردهتر و مقیاسهای بزرگتر به معنی سیگنالهای فشردهتـر
میباشد. از آنجا که در مبحث موجک پارامتر مقیاس دهی در مخرج بکار میرود، عکـس عبـارت
فوق در اینجا صادق خواهد بود.
رابطه بین مقیاس و فرکانس این است که مقیاسهای پایین مربوط به فرکانـسهای بـالا و مقاسـهای
بالا مربوط به فرکانسهای پایین میباشد. با توجه به بحث ذکر شده، ما تا بحال طرح زمـان‐مقیـاس
داریم. توصیف شکل۴‐۳ معمولاﹲ در توضیح اینکه چگونه رزولوشنهای زمانی و فرکانسی تفسیر
شوند، بکار میرود.
٣٢

شکل۴‐۳‐ دو عمل اساسی موجک‐ مقیاس و انتقال ‐ برای پر کردن سطح نمودار مقیاس‐ زمان
هر مستطیل در شکل۴‐۳ مربوط به یک مقدار تبدیل موجک در صفحه زمـان‐مقیـاس مـیباشـد.
توجه کنید که مستطیلها یک مساحت غیر صفر مشخص دارند، که این بدان معناسـت کـه مقـدار
یک نقطه بخصوص در طرح زمان‐مقیاس قابل تشخیص نیـست. اگـر ابعـاد جعبـههـا را در نظـر
نگیریم، مساحت جعبهها، در STFT و WTبـا هـم برابـر هـستند و بـا نامـساوی هـایزنبرگ تعیـین
میشوند. خلاصه، مساحت مستطیلها برای تابع پنجره (STFT) و (WT) ثابت است. همچنین، تمام
مساحتها دارای حد پایین محدود شده به ۴π/ هستند. یعنی، طبـق اصـل عـدم قطعیـت هـایزنبرگ
نمیتوانیم مساحت جعبهها را هر اندازه که بخواهیم، کاهش دهیم.
۴‐۲‐سه نوع تبدیل موجک ]۳۳[
ما سه نوع تبدیل در اختیار داریم: پیوسته، نیمه گسسته٨ و گسسته در زمان. اختلاف انـواع مختلـف
تبدیل موجک مربوط به روشی است که مقیاس وشیفت را پیاده سازی میکند. در این بخـش ایـن
سه نوع مختلف را ریزتر بررسی خواهیم کرد.

8-Semidiscrete
٣٣
۴‐۲‐۱‐ تبدیل موجک پیوسته
برای CWT پارامترها به صورت پیوسته تغییر میکنند. این موضـوع باعـث حـداکثر آزادی در
انتخاب موجک مناسب برای آنالیز خواهد شد. تنها لازم است که تبدیل موجـک شـرط (۴‐۷)، و
مخصوصاﹲ مقدار متوسط صفر را داشته باشد. این شرط برای اینکه CWT معکـوس پـذیر باشـد،
لازم است. تبدیل عکس به صورت زیر تعریف میشود:
(۴‐۶)

که Ψ شرط لازم زیر را باید ارضا کند

(۴‐۷)
که Λψ تبدیل فوریه Ψ است.
بطور شهودی واضح است که CWT بر محاسبه "ضریب همبـستگی" بـین سـیگنال وموجـک
اصرار دارد. شکل۴ را ببینید

شکل۴‐۴‐ تشریح CWT طبق معادله۴
الگوریتم CWT را میتوان به شکل زیر توصیف کرد‐شکل۴‐۴ را ببینید.
۱_ یک موجک در نظر بگیرید و آنرا با با قسمتی از ابتدای سیگنال اصلی مقایسه کنید.
٣۴
۲_ ضریب c(a,b) که نمایانگر میزان ارتباط موجک با این قـسمت از سـیگنال اسـت را محاسـبه
کنید. هر چقدر c بیشتر باشد، شباهت بیشتر است. توجه کنید که نتیجه به شکل موجک انتخـاب
شده دارد.
۳_موجک را به سمت راست شیفت دهید و مراحل ۱و ۲ را تا رسیدن بـه انتهـای سـیگنال تکـرار
کنید.
۴_موجک را به سمت راست شیفت دهید و مراحل ۱ تا ۳ را تکرار کنید.
یک مثال از ضرایب CWT مربوط به سیگنال استاندارد در شکل۴‐۵ نشان داده شده است.

شکل۴‐۵ مثالی از آنالیزموجک پیوسته. در شکل بالا سیگنال مورد نظر نمایش داده شده است.
شکل پایین ضرایب موجک مربوطه را نشان میدهد.
٣۵
۴‐۲‐۲ تبدیل موجک نیمهگسسته
در عمل، محاسبه تبدیل موجک برای بعضی مقادیر گسسته a و b بسیار متداولتر است. برای مثـال، بکارگیری مقیاسهای a 2j dyadic و شـیفتهای صـحیح b  2j k بـا (j, k) z2 راتبـدیل
موجک نیمه گسسته (SWT) مینامیم.
در صورتی که مجموعه متناظر با الگوها، یک قالب موجـک را تعریـف کنـد، تبـدیل عکـسپـذیر
خواهد بود. به عبارت دیگر، موجک باید طوری طراحی شود که

(۴‐۸)
در اینجا A و B دو ثابت مثبت، ملقب به حدود قالب هستند. که ما باید برای بدستآوردن ضرایب
موجک انتگرالگیری انجام دهیم، چرا که f(t) هنوز یک تابع پیوسته است.
۴‐۲‐۳ ‐ تابع موجک گسسته
در اینجا، تابع گسسته f(n) و تعریف موجک (DWT) داده شده بـه صـورت زیـر را در اختیـار
داریم:
(۴‐۹)

که ψj,x یک موجک گسسته تعریف شده به شکل زیر میباشد:

(۴‐۰۱)
پارامترهای a و b به شکل a2j و b  2jkتعریف میشوند. عکس تبدیل به شـکلی مـشابه،
چنین تعریف میشود:
٣۶

(۴‐۱۱)
اگر حدود قالب در معادله۴‐٨ A=B=1 باشد، آنگـاه تبـدیل عمـودی خواهـد بـود. ایـن تبـدیلهـا
میتوانند با یک آنالیز چند بعدی، که در بخش بعد بحث خواهد شد، شروع شوند.
۴‐۳‐ انتخاب نوع تبدیل موجک
چه موقع آنالیز پیوسته از آنالیز گسسته مناسبتر است؟ هنگامی که انرﮊی سیگنال محدود است، اگر
از یک تبدیل موجک مناسب استفاده کنیم، تمام مقادیر یک تجزیه برای بازسازی شکل موج اصلی
لازم نخواهد بود. در این شرایط، یک سیگنال پیوسته را میتوان بوسیله تبـدیل گسـسته آن کـاملاﹰ
مشخص کرد. بنابراین آنالیز گسسته کافی است و آنالیز پیوسته اضافی خواهـد بـود. هنگـامی کـه
سیگنال بصورت پیوسته یا یک شبکه زمانی ریز ثبت میشود، هر دو نوع آنالیز، امکانپذیر خواهـد
بود. کدامیک باید استفاده شود؟ جواب این است: هر یک مزایای مربوط به خود را دارد.
آنالیز پیوسته معمولاﹰ برای تفسیر آسانتر اسـت، چـرا کـه اضـافات آن، تمایـل بـه تقویـت ویژگیها دارد و و اطلاعات را بسیار واضحتر خواهد کرد. این موضوع بـرای بـسیاری از ویژگیهای مفید درست است. آنالیز پیوسته تفسیر را راحتر، و خوانایی را بیشتر مـی کنـد، در عوض حجم بیشتری برای زخیره لازم دارد.
آنالیز گسسته حجم ذخیره سازی را کاهش میدهد و برای بازسازی کافی است.
٣٧
۴‐۴‐ آنالیز مالتی رزولوشن٩ و الگوریتم DWT سریع
برای اینکه تبدیل موجک مفید باشد، باید آنرا با الگوریتمهای سریع به منظور استفاده در ماشینهای
محاسباتی، پیادهسازی کنیم. یعنی روشی مثل FFT که هم ضرایب تبدیل wavwlet را بدست آورد و
هم بازسازی تابعی را که نمایش میدهد، انجام دهد.
۴‐۴‐۱‐آنالیز مالتی رزولوشن (MRA)
آنالیز مالتیرزولوشن Mallat را که خیلی عمومیت دارد، توضیح میدهیم. با فضایl2 که شامل تمام
توابع جمعپذیر مربعی است، شروع میکنیم، یعنی: f در فضای l2 (s) است، اگرMRA . ∫f 2  ∞
s
یک سری افزایشی از زیر فضای بسته {vj}jzاسـت، کـه l2 (R)را تخمـین میزنـد. شـروع کـار،
انتخاب یک تابع مقیاسدهی مناسـبΦ اسـت. تـابع مقیـاسدهـی بـه منظـور ارضـاﺀ پیوسـتگی،
یکنواختی و بعضی شرایط لازم بعدی انتخاب شده است. اما نکته مهمتر این اسـت کـه، مجموعـه
{φ(x − k), k z} یک اساس درست برای فضای مرجع v0 ایجاد میکند. رابطههای زیر آنالیز را
توصیف میکنند:
(۴‐۲۱)...v-1 v0 v1
فضاهایvj به صورت تودرتو قرار گرفتهاند. فضای l2 (R) اشتراک تمامvj را شامل مـیشـود. بـه
عبارت دیگر j z vj در(l2 (R متراکم شده است. اشتراک همهvj ها تهی است.
(۴‐۳۱)

9-Multiresolution
٣٨
فضاهای vj وvj1 مشابه هستند. اگر فضایvj دارای فاصـلههـای خـالی(φ1,k (x ، k z باشـد،
آنگـــاه فـــضایij1 دارای فاصـــلههـــای(φ1,k (x ، k z اســـت. فاصـــلهvj1 بوســـیله تـــابع
، که تولید میشود.
حالا شکلگیری موجک را توضـیح مـیدهـیم. چـون v0 v1 ، هـر تـابعی در v0 را مـیتـوانیم
بصورت ترکیبی از توابع پایه 2φ(x − k) ازv1 بنویسیم. مخصوصاﹰΦ باید معادلات دو بعـدی ۴۱

و ۵۱ را برآورده کند:
(۴‐۴۱)2φ (x − k) (φ (x)  ∑h(k

k
ضرایب h(k) بصورت((2Φ(x − k h(k)  (Φ(x), تعریف شـدهانـد. حـال بـه عـضو عمـودی

wj از vj برvj1 ،vj1  vj wj را در نظر بگیرید. این بدان معناست که تمام اعضایvj بـر
اعضای wj عمود هستند. ما لازم داریم که

تعریف زیر را ارائه میدهیم:
(۴‐۵۱)2∑(−1)k h(−k  1)φ (x − k) ψ (x) 

k
ما میتوانیم نشان دهیم کـه2{ψ(x − k), k z} یـک اسـاس درسـت بـرایw1 اسـت. دوبـاره، خاصیت تشابه MRI عنوان میکند که2j{ψ( 2jx − k), k z} یک اساس بـرایwj اسـت. از

آنجــــا کــــه v  wدر l2 (R) متمرکــــز اســــت، خــــانواده داده شــــده
jj z jj z
2j{ψ( 2jx − k), k z} یک اساس بـرای l2 (R) اسـت. بـرای یـک تـابع داده شـده f l2 (R)

٣٩
میتوان N را طوری بیابیم که f N vj ، f را بالاتر از دقت تعیین شده، تقریب بزند. اگـرgi wi
و f i vi آنگاه

(۴‐١۶)
معادله (۴‐١۶) تجزیه موجک تابع f است.
۴‐۵ ‐ زبان پردازش سیگنالی]۳۳و۴۳[
ما مراحل آنالیز مالتیرزولوشنی را با زبان پردازش سیگنالی تکرار میکنیم. آنالیز مالتی رزولوشـن
waveletبا الگوریتم کد کردن زیرباند یا محوطهای در پردازش سیگنال در ارتباط اسـت. همچنـین،
فیلترهای آینهای مربعی هم در الگوریتم مالتی رزولوشـن Mallat قابـل تـشخیص اسـت. در نتیجـه
نمایش زمان‐ مقیاس یک سیگنال دیجیتال با اسـتفاده از روشـهای فیلتـر کـردن دیجیتـال حاصـل
میشود.
معادلات۴‐۴۱ و۴‐۵۱ را از بخش قبل به خاطر بیاورید. سـریهای{h(k), k z} و {g(k), k z}
در اصطلاح پردازش سیگنال، فیلترهای آیینهای مربعی هستند. ارتباط بین h و g چنین است:
(۴‐۷۱)g(k)  (−1)n h(1 − n)
h(k) فیلتر پایین گذر و g(k) فیلتر بالا گذر است. این فیلتر با خانواده فیلترهای بـا پاسـخ ضـزبه
محدود (FIR) تعلق دارند. خواص زیر را میتوان با استفاده از تبدیل فوریه و عمـود بـودن اثبـات
کرد:
(۴‐۸۱) ∑g(k)  0 ∑h(k)  2
k k

۴٠
عملیات تجزیه با عبور سیگنال (دنباله) از یک فیلتر پایین گذر نیم باند دیجیتال با پاسخ ضربه h(n)
شروع میشود. فیلتر کردن یک سیگنال معادل با عملیات ریاضی کانولوشن سیگنال با پاسخ ضـربه
فیلتر میباشد. یک فیلتر پایین گذر نـیم بانـد تمـام فرکانـسهایی را کـه بـالاتر از نـصف بیـشترین
فرکانس سیگنال قرار دارند را حذف میکند
اگر سیگنال با نرخ نایکویست (که دو برابر بیشترین فرکانس در سیگنال است) نمونهبرداری شـده
باشد، بالاترین فرکانس که در سیگنال وجود داردπرادیان است. یعنـی، فرکـانس نایکویـست در
حوزه فرکانسی گسسته مطابق با π(--/s) میباشد. بعد از عبور سیگنال از یک فیلتر پایین گذر نـیم
باند، طبق روش نایکویست میتوان نصف نمونهها را حذف کـرد، چـرا کـه حـال سـیگنال دارای
حداکثر فرکانس(π/2(--/s میباشد. به این ترتیب سیگنال حاصل دارای طـولی بـه انـدازه نـصف
طول سیگنال اولیه میباشد.

شکل۴‐۶ طرح الگوریتم کد کردن زیر باند(قسمت بالا تجزیه و قسمت پایین ترکیب را نمایش میدهد)
۴١
حال مقیاس سیگنال دو برابر شده است. توجه کنید فیلتـر پـایینگـذر، اطلاعـات فرکـانس بـالای
سیگنال را حذف کرده است، اما مقیاس را بدون تغییر گذاشته است. این تنها کاهش تعداد نمونهها
است که مقیاس را تغییر میدهد. از طرف دیگر رزولوشن که به میزان اطلاعلت موجود در سیگنال
ارتباط دارد، توسط فیلتر کردن تغییر کرده است. فیلتر پـایین گـذر نـیم بانـد نـصف، فرکانـسها را
حذف کرده است، که میتوان این عمل را به نصف شدن اطلاعات تفـسیر کـرد. توجـه کنیـد کـه
کاهش نمونهها بعد از فیلتر کردن تاثیری در میزان رزولوشن ندارد، چرا کـه بعـد از فیلتـر کـردن
نصف نمونهها اضافی خواهد بود. پس نصف کردن نمونههـا باعـث حـذف هیچگونـه اطلاعـاتی
نمیشود. خلاصه، فیلتر کردن اطلاعات را نصف میکند، ولی مقیـاس را تغییـر نمـیدهـد. سـپس
سیگنال با نرخ دو نمونه برداری میشود، چرا که حال نصف نمونهها اضـافی اسـت. ایـن عمـل ،
مقیاس را دو برابر میکند. عملیات توصیف شده در شکل۴‐۶ نشان داده شده است.
یک روش بسیار مختصر برای توصیف این عملیات و همچنین عملیات موثر برای تعیین ضـرایب
موجک نمایش عملکرد فیلترها است. برای یک دنبالـه، f  {f n} نمایـانگر سـیگنال گسـستهای
است که باید تجزیه شود و G وH بوسیله روابط هممرتبه زیر تعریف می شوند:
(۴‐۹۱)

(۴‐۰۲)
معادلات ۴‐۹۱و ۴‐۰۲ فیلتر کردن سیگنال با فیلترهای دیجیتال h(k) و g(k) که معـادل عملگـر
ریاضی کانولوشن با پاسخ ضربه فیلترها میباشد، را نمایش میدهد. فاکتور 2k کاهش نمونههـا را
نمایش میدهد.
۴٢
عملگرهای G و H مربوط به گام اول در تجزیه موجک میباشند. تنها تفاوت این است که روابط با
از ضریب 2 معادلات ۴‐١٣و۴‐١۴ چشمپوشی کرده است. بنابراین تبـدیل موجـک گسـسته را

میتوان در یک خط خلاصه کرد‐ شکل ۴‐۷ را ببینید:

(۴‐۱۲)
(0)0(j 1)(j 2)(1)
که ما میتوانیم d  ,d  ,..., d ,d را جزئیات ضرایب و cرا تقریب ضرایب بنامیم.
جزئیات و ضرایب با روش تکرار حاصل می شوند:

شکل۴‐۷ نمایش تجزیه توسط موجک
برای مقایسه این روش با SWT، بیایید دنباله x(k) حاصـل از ضـرب داخلـی سـیبگنال پیوسـته
u(t) با انتقالهای صحیح تابع مقیاس دهی را تعریف کنیم

(۴‐۲۲)
حال، ما میتوانیم SWT را با استفاده از DWT طبق رابطه زیر بدست آوریم
(۴‐۳۲)

که برای هر عدد صحیح j ≥ 0 و هر عدد صحیح k درست است.
۴٣
عملیات بازسازی مشابه عملیات تجزیه است. تعداد نمونههای سـیگنال در هـر سـطحی دو برابـر
− −− −
میشود، از فیلترهای ترکیب کننده نشان داده شده بـا H و G عبـو داده مـیشـود، و سـپس جمـع
− −− −
H و G را طبق روابط زیر تعریف میکنیم

(۴‐۴۲)
(۴‐۵۲)
AP Signal 4 10 x 10 2 5 0 15 10 5 00 0.4 0.3 0.2 0.1 0 -2 CD5 5 CD6 0.5 0 0 30 20 CD3 10 -50 15 10 CD4 5 0 -0.5 0.5 1 0 0 80 60 40 20 -0.50 40 30 20 10 0 -1 CD1 0.2 CD2 0.5 0 0 400 300 200 100 -0.20 200 150 100 50 0 -0.5
شکل۴‐۸ مثالی از تجزیه .DWT سیگنال اصلی، سیگنال تقریب((AP
و سیگنالهای جزئیات(CD1تا (CD6
با استفاده مکرر از روابط بالا داریم

(۴‐۶۲)
۴۴
که در حوزه زمانی
(۴‐۷۲)

Dj و cجزئیات و تقریب نامیده میشوند. یک مثـال از تجزیـه در شـکل۸ ، همـراه بـا تقریـب و
جزئیات و سیگنال اصلی نشان داده شده است.
۴‐۶‐ شبکه عصبی
۴‐۶‐۱ مقدمه]۵۳[
خودسازماندهی١٠ شبکهها یکی از موضوعات بـسیار جالـب در شـبکههـای عـصبی میباشـد. ایـن
شبکهها میتوانند انتظام و ارتباط موجود در ورودی خود را تشخیص و به ورودیهـای دیگـر طبـق
این انتظام پاسخ دهند. نرونهای شبکه های عـصبی رقـابتی طـرز تـشخیص گـروه هـای مـشابه از
بردارهای ورودی را یاد میگیرند. نگاشـتهای خـود سـازمانده طـرز تـشخیص گـروه هـای مـشابه
بردارهای ورودی را به این شکل یاد میگیرند که نرونهـای مجـاور هـم از لحـاظ مکـانی در لایـه
نرونی، به بردارهای ورودی مشابه پاسخ می دهند.
یادگیری کوانتیزه نمودن برداری (LVQ) روشی است که از ناظر برای یادگیری شبکه هـای رقـابتی
استفاده میکند. یک لایه رقابتی خود به خود طبقه بندی بردارهای ورودی را یـاد میگیـرد. بـا ایـن
وجود، کلاسهایی که لایه رقابتی پیدا می کند، تنها به فاصله بردارهای ورودی ارتباط دارد. اگـر دو
بردار ورودی خیلی به هم شبیه باشند، احتمالآ لایه رقابتی آن دو را در یک کلاس قرار مـی دهـد.
در شبکه های عصبی رقابتی، روشی یرای تشخیص اینکه آیا دو نمونه بردار ورودی در یک طبقـه

10-Self Organizing
۴۵
قرار می گیرند یا نه، وجود ندارد. با این وجود، شبکه های طبقـه بنـدی بردارهـای ورودی را در
طبقه هایی که توسط خود کاربر تعیین می شوند، انجام می دهد.
۴‐۶‐۲‐ یادگیری رقابتی١١
نرونها در یک لایه رقابتی طوری توزیع می شوند که بتوانند بردارهای ورودی را تـشخیص دهنـد.
معماری یک شبکه رقابتی در شکل(۴‐۹) نشان داده شده است.
جعبه ||dist|| بردار ورودی p و ماتریس وزن ورودی IW1,1 را بـه عنـوان ورودی دریافـت مـی
کند، و برداری شامل s1 عنصر تولید می کنـد. ایـن عناصـر، منفـی فاصـله بـین بـردار ورودی و
بردارهای j IW1,1 تشکیل شده از سطر های ماتریس وزن ورودی، می باشند.

شکل۴‐۹معماری شبکه رقابتی
ورودی خالص١٢ n1 یک لایه رقابتی، با جمع کردن بایاس b با فاصله هـای بردارهـای ورودی از
سطرهای ماتریس وزن، محاسبه میشوند. اگر بایاسها صفر باشند، بیشترین مقداری که یـک ورودی
خالص میتواند داشته باشد، صفر خواهد بود. این هنگامی اتفاق می افتد که بردار ورودی p برابر با
یکی از بردارهای وزن شبکه باشد.

-Competitive Learning -Net Weight

11
12
۴۶
تابع تبدیل رقابتی یک بردار وزن خالص را دریافت می کند، و خروجی صفر را برای همه نرونهـا،
به غیر از نرون برنده (نرون دارای کمترین فاصله)، که همـان نـرون مربـوط بـه بزرگتـرین عنـصر
ورودی خالصn1 میباشد، تولید می کند، و نـرون برنـده دارای خروجـی ۱ خواهـد بـود. فوائـد
استفاده از جمله بایاس در هنگام بحث از آموزش شبکه روشن خواهد شد.
۴‐۶‐۲‐۱ روش یادگیری کوهنن١٣ (learnk)
وزنهای نرون برنده (یک سطر در ماتریس وزن ورودی) با روش یادگیری کوهنن تنظیم می شـود.
فرض کنید که i امین نرون برنده شـود، آنگـاه عناصـر i امـین سـطر از مـاتریس وزن ورودی بـه
صورت زیر تنظیم میشود.
(۴‐۸۲)j IW1,1 (q) j IW1,1 (q − 1)  α ( p(q)− jIW1,1(q−1))
روش یادگیری کوهنن باعث میشود که وزنهای نرون یک بردار ورودی را یـاد بگیرنـد، و بـه ایـن
دلیل در کاربردهای تشخیص الگو مفید می باشد.
به این ترتیب نرونی که بردار وزن آن از همه نرونهای دیگـر بـه ورودی نزدیکتـر اسـت، طـوری
تغییر میکند که بیشتر به ورودی نزدیکتر شود. نتیجه این تغییـر ایـن خواهـد بـود کـه در صـورت
عرضه کردن ورودی مشابه ورودی قبلی بـه شـبکه، نـرون برنـده در رقابـت قبلـی، دارای شـانس
بیشتری برای برنده شدن مجدد خواهد داشت.
هر چقدر ورودیهای بیشتری به شبکه عرضه شود، هر نرونی که بـه ایـن ورودیهـا نزدیکتـر باشـد
بردار وزن آن طوری تنظیم میشود که به این ورودیها نزدیک ونزدیکتر شود. در نتیجه، اگـر تعـداد
نرونها به اندازه کافی باشد، هر خوشه از ورودیهای مشابه، یک نرون خواهد داشـت کـه خروجـی

13-Kohonen Learning Rule
۴٧
آن با عرضه کردن یک بردار از این خوشه یک و در غیر این صورت صـفر خواهـد بـود. بـه ایـن
ترتیب شبکه یاد گرفته است که بردارهای ورودی عرضه شده را طبقه بندی کند.
۴‐۶‐۲‐۲ روش یادگیری بایاس١۴ (learncon)
یکی از محدودیتهای شبکه های رقابتی این است که یک نرون ممکن است هرگز تنظیم نشود. بـه
عبارت دیگر، بعضی از بردارهای وزن نرونی ممکن است در آغاز از هر بردار ورودی دور باشـند،
و هر چند آموزش را ادامه دهیم هرگز در رقابت پیروز نشوند. نتیجـه ایـن اسـت وزن هـای آنهـا
تنظیم نمیشود و هرگز در رقابت پیروز نمی شوند. این نرون های نا مطلـوب، کـه بـه نـرون هـای
مرده اطلاق می شوند، هرگز عمل مفیدی انجام نمی دهند.
برای جلوگیری از روی دادن این مورد، بایاسهایی اعمال میشود تا اینکه نرونهـایی کـه بـه نـدرت
برنده میشوند، احتمال برنده شدن را دررقابتهای بعدی داشته باشند. یک با یـاس مثبـت بـه منفـی
فاصله اضافه می شود، به این ترتیب احتمال برنده شدن نرون دورتر بیشتر می شود.
به این منظور، یک متوسط از خروجی نرونها نگهداری میشود. این مقادیر نمایانگر درصـد برنـده
شدن نرونها در رقابتهای قبلی می باشد. و از آنها برای تنظیم با یاس های نرونها استفاده می شوند
به این ترتیب که با یاس نرونهای غالبا برنده کاهش و بر عکس با یاس نرونهایی که بندرت برنـده
می شود، افزایش می یابد.
برای اطمینان از درستی متوسطهای خروجی، نرخ یادگیری learncon بسیار کمتر از learnk انتخـاب
می شود. نتیجه این است که بایاس نرونهایی که اغلب بازنده اند در مقابل نرون هـای غالبـا برنـده
افزایش مییابد. هنگامی که بایاس نرونهای غالباﹰ بازنده افزایش می یابد، فضای ورودی که نرون بـه

14-Bias Learning Rule
۴٨
آن پاسخ می دهد نیز گسترش می یابد. هر چقـدر فـضای ورودی افـزایش بیابـد، نرونهـای غالبـاﹰ
بازنده، به ورودیهای بیشتری پاسخ میدهند. سرانجام این نرون نـسبت بـه سـایر نرونهـا بـه تعـداد
برابری از ورودیها پاسخ خواهد داد
این امر، دو نتیجه خوب دارد. اول اینکـه، اگـر یـک نـرون بـه علـت دوری وزنهـای آن از همـه
ورودیها هرگز برنده نشود، بایاس آن عاقبت به حدی بزرگ خواهد شد که این نرون بتواند برنـده
شود. وقتی که این اتفاق ( برنده شدن نرون ) روی داد، این نرون به سمت دسته هـایی از ورودی
حرکت خواهد کرد. هنگامی که وزن یک نرون در بازه یک دسته از ورودیها قـرار گرفـت، بایـاس
آن به سمت صفر کاهش خواهد یافت به این ترتیب مشکل نرون بازنده حل خواهد شد.
فایده دوم استفاده از بایاس این است که آنها نرونها را وادار می کننـد کـه هـر کـدام درصـدهای
یکسانی از ورودیها را طبقه بندی کنند. بنابراین، اگـر یـک ناحیـه از فـضای ورودی دارای تعـداد
بیشتری از بردارهای ورودی نسبت به سـایر مکانهـا باشـد، ناحیـه بـا چگـالی بیـشتر در ورودی،
نرونهای بیشتری جذب خواهد کرد. و در نتیجه این ناحیه بـه زیـر گروههـای کـوچکتری تقـسیم
خواهد شد.
۴‐۷‐ نگاشت های خود سازمانده١۵ (SOM)
نگاشت های خود سازمانده یاد می گیرند کـه بردارهـای ورودی را آنطـور کـه در فـضای ورودی
طبقه بندی شده اند، طبقه بندی کنند. تفاوت آنها با لایه های رقابتی این است که نرونهای مجـاور
نگاشت خود سازمانده، قسمتهای مجاور از فضای ورودی را تشخیص می دهند.

15-Self Organizing Maps
۴٩
بنابراین، نگاشتهای خود سازمانده هم توزیع( مثل لایه ها رقابتی) و هم موقعیت مکانی بردارهای
ورودی آموزشی را یاد می گیرند. در اینجا یک شبکه نگاشت خود سازمانده نرون برنـده i* را بـه
روشی مشابه لایه رقابتی تعیین می کند. اما به جای اینکه تنها نرون برنده تنظیم شود، تمام نرونهـا
در یک همسایگی مشخص N (d) از نرون برنده با استفاده از قانون کوهنن تنظیم می شوند. یعنی،
i*
ما تمام نرونهای i Ni* (d) را طبق رابطه زیر تنظیم می کنیم
(۴‐۹۲)i W (q)i W (q − 1)  α ( p(q)−i IW (q−1))
یا
(۴‐٣٠i W (q) (1−α) i W (q − 1)  αp(q)(
در اینجا همسایگی N (d) شامل آندیس تمام نرونهایی است کـه در شـعاع d بـه مرکزیـت نـرون
i*
برنده i* قرار دارند.
(۴‐۱۳)Ni* (d)  {j,dij≤d}
بنابراین، هنگامی که بردار p به شبکه عرضه میشود، وزنهای نرون برنده و همسایه های نزدیک آن
به سمت p حرکت خواهد کرد. در نتیجه، بعد از آزمونهای پی در پی فـراوان، نرونهـای همـسایه،
نمایانگر بردارهای مشابه هم خواهند بود.
برای توضیح مفهوم همسایگی، شکل ۴‐۰۱ را در نظر بگیرید. شکل سمت چـپ یـک همـسایگی
دو بعدی به شعاع d=1 را حول نرون 13 نشان میدهد. دیاگرام سمت راست یـک همـسایگی بـه
شعاع d=2 را نشان میدهد. این همسایگی ها را میتوان به صورت زیر نوشت:
N13 (1)  {8,12,13,14,18}
و
۵٠
N13 (2)  {3,7,8,9,11,12,13,14,15,17,18,19,23}

شکل۴‐۰۱نمایش همسایگی
میتوان نرونها را در یک فضای یک بعدی، دو بعدی، سه بعدی یا حتـی بـا ابعـاد بیـشتر نیـز قـرار
دهیم. برای یک شبکه SOM یک بعدی ، یک نرون تنها دو همسایه (یا اگر نرونها در انتها باشـند
یک همسایه) در شعاع یک خواهد داشت.
۴‐۸‐ شبکه یادگیری کوانتیزه کننده برداری١۶]۵۳[
معماری شبکه عصبی LVQ در شکل۴‐۱۱ نشان داده شده است. یـک شـبکه LVQ در لایـه اول از
یک شبکه رقابتی و در لایه دوم از یک شبکه خطی تـشکیل شـده اسـت. لایـه رقـابتی بردارهـای
ورودی را به همان روش لایه های رقابتی ذکر شده، طبقه بندی میکند. لایه خطـی نیـز کلاسـهای
لایه رقابتی را بصورت کلاسهای مورد نظر کاربر طبقه بندی میکند. ما کلاسهایی کـه لایـه رقـابتی
جدا کرده است را زیر کلاس و کلاسهایی را که لایـه خطـی مـشخص میکنـد، کلاسـهای هـدف
مینامیم.

16-Learning Vector Quantization Networks
۵١

شکل۴‐۱۱ معماری شبکه LVQ
هر دوی لایه های رقابتی و خطی دارای تنها یک نرون بـرای هـر زیـر کـلاس یـا کـلاس هـدف
هستند. به همین دلیل لایه رقابتی میتواند S1 کلاس را یاد بگیرد. در مرحله بعد این S1 کـلاس در
S2 کلاس توسط لایه خطی طبقه بندی خواهد شد.( S1 همیشه از S2 بزرگتر است.)
برای مثال فرض کنید که نرونهای ١،٢و٣ در لایهرقابتی، زیر کلاسهایی از ورودی را یـاد میگیرنـد
که به کلاس هدف شماره ٢ لایه خطی تعلق دارند. آنگـاه نرونهـای رقـابتی ١،٢و٣ دارای وزنهـای
Lw2,1 برابر یک در نرون n2 لایهخطی، و وزنهای صفر برای بقیه نرونهای لایه خطی خواهند بود.
بنابراین این نرون لایه خطی ( ( n2 در صورت برنده شدن هر یک از نرونهای ١،٢و٣ لایـه رقـابتی،
یک ١ در خروجی ایجاد خواهد کرد. به این ترتیب زیر کلاسهای لایه رقابتی بـصورت کلاسـهای
هدف ترکیب خواهند شد.
خلاصه، یک ١ در iامین ردیف از a1 (بقیه عناصر a1 صفر خواهد بود)، iامـین ردیـف از Lw2,1
را به عنوان خروجی شبکه انتخاب میکند. این ستون شامل یک ١ که نمایانگر یـک کـلاس هـدف
است، خواهد بود را تعیین کنیم. اما ما باید با استفاده از یک عملیات آموزشی به لایه اول بفهمانیم،
که هر ورودی را در زیر کلاس مورد نظر طبقه بندی کند.
۵٢
۴‐٨‐١ روش یاد گیری (learnlv1) LVQ1
یادگیری LVQ در لایه رقابتی بر اساس یک دسته از جفتهای ورودی/ هدف میباشد.
(۴‐۲۳){ p1 ,t1},{ p2 ,t2},...,{ pQ ,tQ}
هر بردار هدف شامل یک ١ میباشد. بقیه عناصر صفر هستند. عدد ١ نمایانگر طبقه بردار ورودی
میباشد. برای نمونه، جفت آموزشی زیر را در نظر بگیرید.
0 2 (۴‐٣٣) 0 − 1 ,  t1 p1 1 0 0 در اینجا ما بردارهای ورودی سه عنصری داریم، و هر بردار ورودی باید به یکی از چهـار کـلاس
تعلق گیرد. شبکه باید طوری آموزش یابد که این بردار ورودی را در سومین کـلاس طبقـه بنـدی
کند.
به منظور آموزش شبکه، یک بردار ورودی p ارائه میشود، و فاصله از p بـرای هـر ردیـف بـردار
وزن ورودی Iw1,1 محاسبه میشود. نرونهای مخفی لایه اول به رقابت می پردازند. فرض کنیـد کـه
iامین عنصر از n1 مثبت ترین است، و نرون i* رقابت را می برد. آنگاه تابع تبدیل رقابتی یک ۱ را
به عنوان i* عنصر از a1 تولید می کند. تمام عناصر دیگرa1 صفر هستند. هنگـامی کـهa1 در وزنهـای
لایه دوم یعنیLw2,1 ضرب میشود، یک موجود در a1 کلاس k* مربوطه راانتخاب میکنـد. بـه ایـن
ترتیب، شبکه بردار ورودی p را در کلاس k* قرار داده و a2 یک شـده اسـت. البتـه ایـن تعیـین
k*
کلاس بردار p توسط شبکه بسته به اینکه آیا ورودی در کلاس k* است یا نه، میتواند درسـت یـا
غلط باشد.
۵٣
اگر تشخیص شبکه درست باشد سطر i* ام ازIw1,1 را طوری تصحیح میکنیم کـه ایـن سـطر بـه
بردار ورودی نزدیکتر شود، وبرعکس، در صورت غلـط بـودن تـشخیص ، تـصحیح بـه گونـه ای
صورت میگیرد که این سطر ماتریس وزن Iw1,1 از ورودی دورتر میشود. بنابراین اگـر p درسـت
طبقه بندی شود، یعنی
(۴‐٣۴( a2k*  tk*  1)(
ما مقدار جدید i* امین ردیف ازIw1,1 را چنین تنظیم میکنیم:
(۴‐٣۵) IW1,1 (q)i*IW1,1α(p(q)−i*IW1,1(q−1))
از طرفی، اگر طبقه بندی اشتباه باشد،
(۴‐٣۶) a2k*  1 ≠ tk*  0
مقدار جدیدi* امین ردیف را Iw1,1 را طبق رابطه زیر تغییر میدهیم
(۴‐۷۳) IW1,1 (q)i*IW1,1−α(p(q)−i*IW1,1(q−1))
این تصحیحات موجب میشود که نرون مخفی به سوی برداری کـه در کـلاس مربوطـه قـرار دارد
حرکت کند و از طرفی از سایر بردارها فاصله بگیرد.
۴‐۸‐۲ روش یادگیری تکمیلی١٧ LVQ21
روش یادگیری که در اینجا توضیح میدهیم را میتوانیم بعد از استفاده از 1 بکار ببریم. بکـارگیری
این روش ممکن است نتایج یادگیری اولیه را بهبود بخشد.
اگر نرون برنده در لایه میانی، بردار ورودی را به درستی طبقه بندی ننمود، بردار وزن آن نـرون را
طوری تنظیم میکنیم که از بردار ورودی فاصله بگیرد و به طور همزمان بردار وزن متناظر با نرونی

17-Supplemental Learning Rule
۵۴
را که بیشترین نزدیکی را به بردار ورودی دارد، طوری تنظیم میکنیم کـه بـه سـمت بـردار ورودی
حرکت نماید(به بردار ورودی نزدیکتر گردد).
زمانی که شبکه بردار ورودی را به درستی طبقه بندی نمود، تنها بردار وزن یـک نـرون بـه سـمت
بردار ورودی نزدیک میشود. اما اگر بردار ورودی بطور صحیح طبقـه بنـدی نـشد، بـردار وزن دو
نرون تنظیم میشود، یکی به سمت بـردار ورودی نزدیـک میـشود و دیگـری از بـردار ورودی دور
میشود.
۴‐۹‐ مقایسه شبکههای رقابتی
یک شبکه رقابتی طرز طبقه بندی بردار ورودی را یاد میگیرد. اگر تنها هدف ایـن باشـد کـه یـک
شبکه عصبی طبقه بندی بردارهای ورودی را یاد بگیرد، آنگاه یک شـبکه رقـابتی مناسـب خواهـد
بود. شبکه های عصبی رقابتی همچنین توزیع ورودیها را نیز با اعطای نرونهای بیشتر بـرای طبقـه
بندی قسمتهایی از فضای ورودی دارای چگالی بیشتر، یاد میگیرنـد. یـک نگاشـت خودسـازمانده
طبقه بندی بردارهای ورودی را یاد میگیرد. همچنین توضیع بردارهای ورودی را نیـز یـاد میگیـرد.
این نگاشت نرونهای بیشتری را برای قسمتهایی از فضای ورودی که بردارهای بیشتری را به شبکه
اعمال میکند، در نظر میگیرد.
نگاشت خودسازمانده، همچنین توپولوﮊی بردارهای ورودی را نیز یـاد خواهـد گرفـت. نرونهـای
همسایه در شبکه به بردارهای مشابه جواب میدهنـد. لایـه نرونهـا را میتـوان بـه فـرم یـک شـبکه
لاستیکی کشیده شده در نواحی از فضای ورودی که بردارها را به شبکه اعمال کرده است، تـصور
کرد.
۵۵
در نگاشت خودسازمانده تغییرات بردارهای خروجی نسبت به شبکه های رقابتی بسیار ملایـم تـر
خواهد بود.
شبکه عصبی LVQ بردارهای ورودی را در کلاسهای هدف به وسیله یک لایـه رقـابتی بـرای پیـدا
کردن زیر کلاسهای ورودی، و سپس با ترکیب آنها در کلاسهای هدف، طبقه بندی میکنند.
بر خلاف شبکه های پرسپترون که تنها بردارهای مجزا شده خطی را طبقه بنـدی میکننـد، شـبکه
های LVQ میتواند هر دسته از بردارهای ورودی را طبقه بندی کند. تنها لازم است که لایـه رقـابتی
به اندازه کافی نرون داشته باشد، تا به هر طبقه تعداد کافی نرون تعلق بگیرد.
۵۶

۵٧
۵‐۱‐ نحوه بدست آوردن سیگنالها
در این پایان نامه ۴ نوع سیگنال داریم که عبارتند از سـیگنالهای فرورزونـانس، کلیـدزنی خـازنی،
کلیدزنی بار، کلیدزنی ترانسفورماتور. سیگنالها را به دو دسته تقسیم می کنیم که دسته اول شـامل
انواع فرورزونانس و دسته دوم شامل انواع کلیدزنی خازنی، کلیدزنی بار، کلیـدزنی ترانـسفورماتور
می باشند. سیگنالها، با شبیه سازی بر روی فیدر توزیع واقعی توسط نرم افزار EMTP بدست آمـده
است که نحوه بدست آوردن سیگنالها در زیر توضیح داده شده است.
۵‐۱‐۱‐ سیگنالهای فرورزونانس
از آنجائیکه در وقوع پدیده فرورزونانس پارامترهای مختلف از جمله انواع کلید زنیها، نوع اتـصال
ترانسفورماتور، پدیده هیسترزیس، خاصیت خازنی خـط، طـول خـط و بـار مـوثر هـستند، انـواع
سیگنالهای فرورزونانس با بررسی اثرات هر یک از خواص بر روی شبکه واقعی بدست آمده انـد.
برای بدست آوردن این سیگنالها، بخشی از یک فیدر 20kV جزیره قشم کـه در شـکل ۵‐۱ نـشان
داده شده است انتخاب شده است] ۶۳.[

U

315 500 315 250 315 100 800 250
1250

315 315 500 315 1250 630 500 315 500 800 630 800 100 630 250
شکل۵‐۱. فیدر 20kV
۵٨
۵‐١‐٢‐ انواع کلید زنیها و انواع سیم بندی درترانسفورماتورها
عملکرد غیر همزمان کلیدهای قدرت و تغذیه ترانسفورماتور بی بار یا کم بار توسط یک فاز یا دو
فاز خط انتقال، شرایط بسیار مساعدی برای تحقق فرورزونانس مهیا می کند. عملکرد غیر همزمان
کلیدهای قدرت که در اثر قطع فاز یا گیر کردن کنتاکتهای بریکر در شبکه اتفاق می افتد را میتـوان
به دو نوع کلیدزنی تکفاز و دوفاز تقسیم بندی کرد. در این قسمت تاثیر انواع سیم بندیهای ترانس
20/0.4kv ابتدای فیدر را در اثر کلیدزنی تکفاز و دوفاز بررسی می کنیم.
الف)ترانس Yزمین شده ∆ /

شکل۵‐۲ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز

شکل۵‐۳ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز
۵٩
ب)ترانس Yزمین نشدهY/ زمین شده

شکل۵‐۴ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز

شکل۵‐۵ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز
ﭖ)ترانس Yزمین شدهY/ زمین شده

شکل۵‐۶ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز

شکل۵‐۷ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز
۶٠
ت)ترانس ∆/∆

شکل۵‐۸ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز

شکل۵‐۹ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز
ث)ترانس Y/∆ زمین شده:

شکل۵‐۰۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز

۶١
شکل۵‐۱۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز
ج)ترانس Yزمین نشدهY/ زمین نشده

شکل۵‐۲۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز

شکل۵‐۳۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز
چ )ترانس Yزمین نشده ∆ /

شکل۵‐۴۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز

شکل۵‐۵۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز
۶٢
ح )ترانسفورماتور Y/∆ زمین نشده:

شکل۵‐۶۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی تکفاز

شکل۵‐۷۱ ولتاﮊ فاز a ثانویه ترانس در کلیدزنی دوفاز
همانطور که ملاحظه می شود سوئیچینگ تکفاز که بدترین حالت کلیدزنی است باعـث بـه اشـباع
رفتن سریع هسته می شود. در این نوع کلیدزنی اضافه ولتاﮊهایی بصورت دائم و با دامنـه بـیش از
۲ برابر ولتاﮊ سیستم خواهد بود. در کلید زنی دوفاز نوسانات پایه یا زیر هارمونیک دائـم بـا دامنـه
۵,۱ تا ۷,۱ برابر خواهد بود. زمین کردن نقطه ستاره ترانس اگرچه احتمال فرورزونـانس را از بـین
نمی برد ولی احتمال آن را کمتر و دامنه اضافه ولتاﮊهای ناشی از این پدیده را کمتـر مـی کنـد. در
حالت کلید زنی دوفاز این احتمال بسیار پایین می آید و وقوع آن به شرایط دیگر سیـستم بـستگی
دارد و در صورت وقوع، سیستم دارای هـر چـه مقاومـت نـوترال یـا زمـین کمتـر باشـد احتمـال
۶٣
فرورزونــانس کمتــر اســت. در ظرفیتهــای خــازنی مــساوی، اضــافه ولتاﮊهــای فرورزونــانس
درترانسفورماتور مورد نظر در حالت اتصال ستاره با نوترال زمین شده بسیار کمتر اسـت. بـا قطـع
نوترال ترانسفورماتور مورد نظر و قطع تک فاز و دو فاز اضافه ولتاﮊهای بسیار بزرگتـری حاصـل
می شوند که حتی از حالت اتصال مثلث‐ ستاره بزرگتر می باشـند. همچنـین بـا توجـه بـه شـبیه
سازیهای انجام شده، فازهای مختلف ترانسفورماتور دارای رفتار مساوی در مقابل اضافه ولتاﮊهای
فرورزونانس نیسستند.

—d1231

جدول 3-11: قوانین استخراج شده توسط الگوریتم Weka Apriori55
جدول 3-12: تنظیمات پارامترهای الگوریتم K-Means57
اجرا برای 9 خوشه در الگوریتم K-Means60
جدول 3-13: تنظیمات پارامترهای الگوریتم Kohonen64
جدول 3-14: تنظیمات پارامترهای الگوریتم دوگامی69
جدول 4-1: مقایسه الگوریتم های دسته بند70
جدول 4-2: مقایسه الگوریتم های دسته بند درخت تصمیم70
جدول 4-3: ماتریس آشفتگی قانون شماره 171
جدول 4-4: ماتریس آشفتگی قانون شماره 272
جدول 4-5: ماتریس آشفتگی قانون شماره 3 الف72
جدول 4-6: ماتریس آشفتگی قانون شماره 3 ب72
جدول 4-7: ماتریس آشفتگی قانون شماره 3 ج73
عنوان صفحه
جدول 4-8: ماتریس آشفتگی قانون شماره 3 د73
جدول 4-9: ماتریس آشفتگی قانون شماره 3 ه73
جدول 4-10: ماتریس آشفتگی قانون شماره 3 و74
جدول 4-11: ماتریس آشفتگی قانون شماره 3 ز76
جدول 4-12: ماتریس آشفتگی قانون شماره 476
جدول 4-13: ماتریس آشفتگی قانون شماره 577

دانلود پایان نامه ارشد- مقاله تحقیق

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : homatez.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

جدول 4-14: ماتریس آشفتگی قانون شماره 6 الف77
جدول 4-15: ماتریس آشفتگی قانون شماره 6 ب78
جدول 4-16: ماتریس آشفتگی قانون شماره778
جدول 4-17: ماتریس آشفتگی قانون شماره879
جدول 4-18: مقایسه الگوریتم های خوشه بندی79
جدول 4-19: فیلدهای حاصل از الگوریتم های خوشه بندی80
جدول 4-20: نتایج الگوریتم های FpGrowth, Weka Apriori81

فهرست شکل‌ها
عنوان صفحه
شکل شماره3-1: داده از دست رفته فیلد" نوع بیمه " پس از انتقال به محیط داده کاوی33
شکل 3-2: نتایج الگوریتمPCA 34
شکل 3-3: نتایج الگوریتم SVM Weighting در ارزشدهی به ویژگی ها35
شکل 3-4: نتایج الگوریتم Weighting Deviation در ارزشدهی به ویژگی ها35
شکل 3-5: نتایج الگوریتم Weighting Correlation در ارزشدهی به ویژگی ها36
شکل 3-6: نمای کلی استفاده از روشهای ارزیابی41
شکل 3-7: نمای کلی استفاده از یک مدل درون یک روش ارزیابی42
شکل 3-8: نمودار AUC الگوریتم KNN42
شکل 3-9: نمودار AUC الگوریتم Naïve Bayes43
شکل 3-10: تبدیل ویژگی های غیر عددی به عدد در الگوریتم شبکه عصبی44
شکل 3-11: نمودار AUC و ماتریس آشفتگی الگوریتم Neural Net44
شکل 3-12: تبدیل ویژگی های غیر عددی به عدد در الگوریتم SVM خطی45
شکل 3-13 : نمودار AUC الگوریتم SVM Linear46
شکل 3-14 : نمودار AUC الگوریتم رگرسیون لجستیک47
شکل 3-15 : نمودار AUC الگوریتم Meta Decision Tree48
شکل 3-16 : قسمتی از نمودارtree الگوریتم Meta Decision Tree49
شکل 3-17 : نمودار --ial الگوریتم Meta Decision Tree49
شکل 3-18: نمودار AUC الگوریتم Wj4850
شکل 3-19 : نمودار tree الگوریتم Wj4851
شکل 3-20 : نمودار AUC الگوریتم Random forest52
شکل 3-21 : نمودار تولید 20 درخت در الگوریتم Random Forest53
شکل 3-22 : یک نمونه درخت تولید شده توسط الگوریتم Random Forest53
عنوان صفحه
شکل 3-23 : رسیدن درصد خطا به صفر پس از 8مرتبه57
شکل 3-24 : Predictor Importance for K-Means58
شکل 3-25 : اندازه خوشه ها و نسبت کوچکترین خوشه به بزرگترین خوشه در الگوریتم
K-Means59
شکل 3-26 : کیفیت خوشه ها در الگوریتمMeans K-60
شکل 3-27 : Predictor Importance for Kohonen61
شکل 3-28 : اندازه خوشه ها و نسبت کوچکترین خوشه به بزرگترین خوشه در الگوریتم
Kohonen62
شکل 3-29 : کیفیت خوشه ها در الگوریتمMeans K-63
شکل 3-30 : تعداد نرون های ورودی و خروجی در Kohonen63
شکل 3-31 : Predictor Importance for دوگامی64
شکل 3-32 : اندازه خوشه ها و نسبت کوچکترین خوشه به بزرگترین خوشه در
الگوریتم دوگامی65
شکل 3-33 : کیفیت خوشه ها در الگوریتم دوگامی66
شکل4-1: نمودارنسبت تخفیف عدم خسارت به خسارت75
فصل اول
194500518986500
مقدمه
شرکتهای تجاری و بازرگانی برای ادامه بقا و حفظ بازار همواره بر سود دهی و کاهش ضرر و زیان خود تاکید دارند از این رو روشهای جذب مشتری و همچنین تکنیکهای جلوگیری یا کاهش زیان در سرلوحه کاری این شرکتها قرار می گیرد.
از جمله شرکتهایی که بدلایل مختلف در معرض کاهش سود و یا افزایش زیان قرار می گیرند شرکتهای بیمه ای می باشند. عواملی همچون بازاریابی، وفاداری مشتریان، نرخ حق بیمه، تبلیغات، تقلب، می تواند باعث جذب یا دفع مشتری گردد که در سود و زیان تاثیر مستقیم و غیر مستقیم دارد. پرداخت خسارت نیز به عنوان تعهد شرکتهای بیمه منجر به کاهش سود و در بعضی موارد موجب زیان یک شرکت بیمه می شود. خسارت می تواند بدلایل مختلف رخ دهد و یا عملی دیگر به گونه ای خسارت جلوه داده شود که در واقع اینچنین نیست[Derrig et. al 2006].
عواملی از قبیل فرهنگ رانندگی، داشتن گواهینامه رانندگی، نوع گواهینامه و تطابق یا عدم تطابق آن با وسیله نقلیه، جاده های بین شهری و خیابانهای داخل شهر که شهرداری ها و ادارات راه را به چالش می کشد، تقلب، وضعیت آب و هوا، کیفیت خودروی خودرو سازان، سن راننده، سواد راننده، عدم تطابق حق بیمه با مورد بیمه [Wilson 2003]، روزهای تعطیل، مسافرتها و بسیاری موارد دیگر می توانند موجب خسارت و در نهایت افزایش زیان یک شرکت بیمه ای گردند.
بیمه صنعتی سودمند، ضروری و مؤثر در توسعه اقتصادی است. این صنعت بدلیل «افزایش امنیت در عرصه های مختلف زندگی و فعالیتهای اقتصادی»، «افزایش سرمایه گذاری و اشتغال و رشد اقتصادی» و « ارتقای عدالت اقتصادی و کاهش فقر ناشی از مخاطرات »، حائز جایگاه مهمی در پیشرفت و تعالی یک کشور است.
با وجود نقش مهم بیمه در بسترسازی و تأمین شرایط مساعد اقتصادی، وضعیت کنونی این صنعت در اقتصاد ملی با وضعیت مطلوب آن فاصله زیادی دارد. عدم آشنایی عمومی و کم بودن تقاضا برای محصولات بیمه ای، دانش فنی پایین در عرصه خدمات بیمه ای، عدم تطابق ریسک با حق بیمه، تفاوت فاحش در مقایسه معیارهای تشخیص ریسک بیمه شخص ثالث با نوع بیمه معادل در کشورهای توسعه یافته، وجود نارسایی ها در مدیریت واحدهای عرضه بیمه از دلایل عدم توسعه مناسب این صنعت در کشور است. از آنجا که بشر در طول تاریخ به کمک علم و تجربه رستگاری ها و توفیقات فراوانی کسب کرده است، نگاه علمی تر به مشکلات این صنعت و یافتن راه حل در بستر علم می تواند راه گشا باشد.
امروزه بوسیله روشهای داده کاوی ارتباط بین فاکتورهای مختلف موثر یا غیر موثر در یک موضوع مشخص می شود و با توجه به اینکه داده کاوی ابزاری مفید در استخراج دانش از داده های انبوه می باشد که ارتباطات نهفته بین آنها را نشان می دهد، شرکتهای تجاری بازرگانی رو به این تکنیکها آورده اند.
داده کاوی محدود به استفاده از فناوری ها نیست و از هرآنچه که برایش مفید واقع شود استفاده خواهد کرد. با این وجود آمار و کامپیوتر پر استفاده ترین علوم و فناوری های مورد استفاده داده کاوی است.
تعریف داده کاوی XE "تعریف داده کاوی" XE "تعریف داده کاوی"
داده کاوی روند کشف قوانین و دانش ناشناخته و مفید از انبوه داده ها و پایگاه داده است[ Liu et. al 2012].
انجام عمل داده کاوی نیز مانند هر عمل دیگری مراحل خاص خود را دارد که به شرح زیر می باشند:
1-جدا سازی داده مفید از داده بیگانه
2-یکپارچه سازی داده های مختلف تحت یک قالب واحد
3-انتخاب داده لازم از میان دیگر داده ها
4- انتقال داده به محیط داده کاوی جهت اکتشاف قوانین
5-ایجاد مدلها و الگوهای مرتبط بوسیله روشهای داده کاوی
6-ارزیابی مدل و الگوهای ایجاد شده جهت تشخیص مفید بودن آنها
7-انتشار دانش استخراج شده به کاربران نهایی
تعریف بیمهبیمه: بیمه عقدی است که به موجب آن یک طرف تعهد می کند در ازاء پرداخت وجه یا وجوهی از طرف دیگر در صورت وقوع یا بروز حادثه خسارت وارده بر او را جبران نموده یا وجه معینی بپردازد. متعهد را بیمه گر طرف تعهد را بیمه گذار وجهی را که بیمه گذار به بیمه گر می پردازد حق بیمه و آنچه را که بیمه می شود موضوع بیمه نامند]ماده یک قانون بیمه مصوب 7/2/1316[.
هدف پایان نامهدر این پژوهش سعی شده است با استفاده از تکنیکهای داده کاوی اقدام به شناسایی فاکتورهای تاثیر گذار در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه نموده و ضریب تاثیر آنها را بررسی نماییم. الگوریتم های استفاده شده در این پژوهش شامل دسته بند ها، خوشه بند ها، درخت های تصمیم و قوانین انجمنی بوده است.
مراحل انجام تحقیقدر این پایان نامه با استفاده از روشهای داده کاوی با استفاده از بخشی از داده های صدور و خسارت یک سال شرکت بیمه مدل شده و از روی آنها یک الگو ساخته می شود. در واقع به این طریق به الگوریتم یاد داده می شود که ارتباطات بین داده ها، منجر به چه نتایجی می شود. سپس بخشی از داده ها که در مرحله قبل از آن استفاده نشده بود به مدل ایجاد شده داده می شود ونتایج توسط معیارهای علمی مورد ارزیابی قرار میگیرند. بمنظور آزمایش عملکرد می توان داده های دیگری به مدل داده شود و نتایج حاصله با نتایج واقعی موجود مقایسه شوند.
ساختار پایان نامهاین پایان نامه شامل چهارفصل خواهد بود که فصل اول شامل یک مقدمه و ضرورت پژوهش انجام شده و هدف این پژوهش است. در فصل دوم برخی تکنیک های داده کاوی و روشهای آن مطرح و تحقیقاتی که قبلا در این زمینه انجام شده مورد بررسی قرار می گیرند. در فصل سوم به شرح مفصل پژوهش انجام شده و نرم افزار داده کاوی مورد استفاده در این پایان نامه می پردازیم و با کمک تکنیک های داده کاوی مدل هایی ارائه می شود و مدلهای ارائه شده درهرگروه با یکدیگر مقایسه شده و بهترین مدل از میان آنها انتخاب می گردد. در فصل چهارم مسائل مطرح شده جمع بندی شده و نتایج حاصله مطرح خواهند شد و سپس تغییراتی که در آینده در این زمینه می توان انجام داد پیشنهاد می شوند.

فصل دوم
193548028194000
ادبیات موضوع و تحقیقات پیشیندر این فصل ابتدا مروری بر روشهای داده کاوی خواهیم داشت سپس به بررسی تحقیقات پیشین می پردازیم.
داده کاوی و یادگیری ماشینداده کاوی ترکیبی از تکنیک های یادگیری ماشین، تشخیص الگو، آمار، تئوری پایگاه داده و خلاصه کردن و ارتباط بین مفاهیم و الگوهای جالب به صورت خودکار از پایگاه داده شرکتهای بزرگ است. هدف اصلی داده کاوی کمک به فرآیند تصمیم گیری از طریق استخراج دانش از داده هاست [Alpaydin 2010].
هدف داده کاوی آشکار کردن روندها یا الگوهایی که تا کنون ناشناخته بوده اند برای گرفتن تصمیمات بهتر است که این هدف را بوسیله به کارگیری روشهای آماری همچون تحلیل لجستیک و خوشه بندی و همچنین با استفاده از روشهای تحلیل داده به دست آمده از رشته های دیگر )همچون شبکه های عصبی در هوش مصنوعی و درختان تصمیم در یادگیری ماشین( انجام میدهد[Koh & Gervis 2010] . چون ابزارهای داده کاوی روند ها و رفتارهای آینده را توسط رصد پایگاه داده ها برای الگوهای نهان پیش بینی می کند با عث می شوند که سازمان ها تصمیمات مبتنی بر دانش گرفته و به سوالاتی که پیش از این حل آنها بسیار زمان بر بود پاسخ دهند [Ramamohan et. al 2012 ] .
داده کاوی یک ابزار مفید برای کاوش دانش از داده حجیم است. [Patil et. al 2012 ]. داده کاوی یافتن اطلاعات بامعنای خاص ازیک تعداد زیادی ازداده بوسیله بعضی ازفناوری ها به عنوان رویه ای برای کشف دانش ازپایگاه داده است، که گام های آن شامل موارد زیر هستند [Han and Kamber 2001] .
1-پاک سازی داده ها :حذف داده دارای نویز و ناسازگار
2-یکپارچه سازی داده: ترکیب منابع داده گوناگون
3-انتخاب داده: یافتن داده مرتبط با موضوع از پایگاه داده
4-تبدیل داده: تبدیل داده به شکل مناسب برای کاوش
5-داده کاوی: استخراج مدل های داده با بهره گیری از تکنولوژی
6- ارزیابی الگو: ارزیابی مدل هایی که واقعا برای ارائه دانش مفید هستند
7-ارائه دانش: ارائه دانش بعد ازکاوش به کاربران بوسیله استفاده از تکنولوژیهایی همچون ارائه بصری [Lin & Yeh 2012] .
ابزارها و تکنیک های داده کاویبا توجه به تنوع حجم و نوع داده ها، روش های آماری زیادی برای کشف قوانین نهفته در داده ها وجود دارند. این روش ها می توانند با ناظر یا بدون ناظر باشند. [Bolton & Hand 2002] در روش های با ناظر، نمونه هایی از مواردخسارتی موجود است و مدلی ساخته می شود که براساس آن، خسارتی یا غیر خسارتی بودن نمونه های جدید مشخص می شود. این روش جهت تشخیص انواع خسارت هایی مناسب است که از قبل وجود داشته اند]فولادی نیا و همکاران 1392[ .
روش های بدون ناظر، به دنبال کشف نمونه هایی هستند که کمترین شباهت را با نمونه های نرمال دارند. برای انجام فعالیت هایی که در هر فاز داده کاوی باید انجام شود از ابزارها و تکنیک های گوناگونی چون الگوریتمهای پایگاه داده، تکنیکهای هوش مصنوعی، روشهای آماری، ابزارهای گرافیک کامپیوتری و مصور سازی استفاده می شود. هر چند داده کاوی لزوما به حجم داده زیادی بعنوان ورودی نیاز ندارد ولی امکان دارد در یک فرآیند داده کاوی حجم داده زیادی وجود داشته باشد.
در اینجاست که از تکنیک ها وابزارهای پایگاه داده ها مثل نرمالسازی، تشخیص و تصحیح خطا و تبدیل داده ها بخصوص در فازهای شناخت داده و آماده سازی داده استفاده می شود. همچنین تقریبا در اکثرفرآیند های داده کاوی از مفاهیم، روشها و تکنیک های آماری مثل روشهای میانگین گیری )ماهیانه، سالیانه و . . . (، روشهای محاسبه واریانس و انحراف معیار و تکنیک های محاسبه احتمال بهره برداری های فراوانی می شود. یکی دیگر از شاخه های علمی که به کمک داده کاوی آمده است هوش مصنوعی می باشد.
هدف هوش مصنوعی هوشمند سازی رفتار ماشینها است. می توان گفت تکنیک های هوش مصنوعی بطور گسترده ای در فرآیند داده کاوی به کار می رود بطوریکه بعضی از آماردانها ابزارهای داده کاوی را بعنوان هوش آماری مصنوعی معرفی می کنند.
قابلیت یادگیری بزرگترین فایده هوش مصنوعی است که بطور گسترده ای در داده کاوی استفاده می شود. تکنیک های هوش مصنوعی که در داده کاوی بسیار زیاد مورد استفاده قرار می گیرند عبارتند از شبکه های عصبی، روشهای تشخیص الگوی یادگیری ماشین و الگوریتمهای ژنتیک ونهایتا تکنیک ها و ابزارهای گرافیک کامپیوتری و مصور سازی که بشدت در داده کاوی بکار گرفته می شوند و به کمک آنها می توان داده های چند بعدی را به گونه ای نمایش داد که تجزیه وتحلیل نتایج برای انسان براحتی امکان پذیر باشد [Gupta 2006].
روشهای داده کاوی عمده روشهای داده کاوی عبارتند از روشهای توصیف داده ها، روشهای تجزیه و تحلیل وابستگی، روشهای دسته بندی و پیشگویی، روشهای خوشه بندی، روشهای تجزیه و تحلیل نویز.
می توان روش های مختلف کاوش داده را در دو گروه روش های پیش بینی و روش های توصیفی طبقه بندی نمود. روش های پیش بینی در متون علمی به عنوان روش های با ناظر نیزشناخته می شوند. روش های دسته بندی، رگرسیون و تشخیص انحراف از روشهای یادگیری مدل در داده کاوی با ماهیت پیش بینی هستند. در الگوریتم های دسته بندی مجموعه داده اولیه به دو مجموعه داده با عنوان مجموعه داده های آموزشی و مجموعه داده های آزمایشی تقسیم می شود که با استفاده از مجموعه داده های آموزشی مدل ساخته می شود و از مجموعه داده های آزمایشی برای اعتبار سنجی و محاسبه دقت مدل ساخته شده استفاده می شود. هررکورد شامل یک مجموعه ویژگی است.
یکی از ویژگی ها، ویژگی دسته نامیده می شود و در مرحله آموزش براساس مقادیر سایر ویژگی ها برای مقادیر ویژگی دسته، مدل ساخته می شود. روشهای توصیفی الگوهای قابل توصیفی را پیدا میکنند که روابط حاکم بر داده ها را بدون در نظرگرفتن هرگونه برچسب و یا متغیرخروجی تبیین نمایند. درمتون علمی روشهای توصیفی با نام روشهای بدون ناظر نیز شناخته می شوند ]صنیعی آباده 1391[.

روشهای توصیف داده هاهدف این روشها ارائه یک توصیف کلی از داده هاست که معمولا به شکل مختصر ارائه می شود. هر چند توصیف داده ها یکی از انواع روشهای داده کاوی است ولی معمولا هدف اصلی نیست واغلب از این روش برای تجزیه و تحلیل نیاز های اولیه و شناخت طبیعت داده ها و پیدا کردن خصوصیات ذاتی داده ها یا برای ارائه نتایج داده کاوی استفاده می شود [Sirikulvadhana 2002] .
روشهای تجزیه و تحلیل وابستگی هدف این روشها پیدا کردن ارتباطات قابل توجه بین تعداد زیادی از متغیر ها یا صفات می باشد[Gupta 2006] . یکی از روشهای متداول برای کشف قواعد وابستگی مدل Apriori است که نسبت به سایر مدلهای کشف قواعد وابستگی سریعتر بوده و محدودیتی از نظر تعداد قواعد ندارد [Xindong et al 2007] . کاوش قواعد تلازمی یکی از محتواهای اصلی تحقیقات داده کاوی در حال حاضر است و خصوصا بر یافتن روابط میان آیتم های مختلف در پایگاه داده تاکید دارد [Patil et. al 2012] . سه مدل CARMA و GRI و Fpgrowth سه الگوریتم دیگر از قواعد وابستگی هستند.
روشهای دسته بندی و پیشگویی
دسته بندی یک فرآیند یافتن مدل است که برای بخش بندی داده به کلاس های مختلف برطبق بعضی محدودیت ها استفاده شده است. به بیان دیگر ما می توانیم بگوییم که دسته بندی یک فرآیند تعمیم داده بر طبق نمونه های مختلف است. چندین نمونه اصلی الگوریتم های طبقه بندی شامل C4. 5 ، K نزدیکترین همسایه، بیز ساده و SVM است [Kumar and Verna 2012].
یکی از این نوع الگوریتم ها نظریه بیز می باشد. این دسته بند از یک چارچوب احتمالی برای حل مساله استفاده می کند. یک رکورد مفروض با مجموعه ویژگی های (A1, A2…. An) را درنظر بگیرید. هدف تشخیص دسته این رکورد است. در واقع از بین دسته های موجود به دنبال دسته ای هستیم که مقدارP(C|A1, A2…. An) را بیشینه کند. پس این احتمال را برای تمامی دسته های موجود محاسبه کرده و دسته ای که این احتمال به ازای آن بیشینه شود را به عنوان دسته رکورد جدید در نظر می گیریم.
PCA=PAC PCPAرگرسیون نیز نوع دیگری از این الگوریتم ها است. پیش بینی مقدار یک متغیر پیوسته بر اساس مقادیر سایر متغیرها بر مبنای یک مدل وابستگی خطی یا غیر خطی رگرسیون نام دارد. درواقع یک بردار X داریم که به یک متغیر خروجی y نگاشت شده است. هدف محاسبه y یا همان F(X) است که از روی تخمین تابع مقدار آن محاسبه می شود.
درخت تصمیمدرخت تصمیم از ابزارهای داده کاوی است که در رده بندی داده های کیفی استفاده می شود. در درخت تصمیم، درخت کلی به وسیله خرد کردن داده ها به گره هایی ساخته می شود که مقادیری از متغیر ها را در خود جای می دهند. با ایجاد درخت تصمیم بر اساس داده های پیشین که رده آنها معلوم است، می توان داده های جدید را دسته بندی کرد. روش درخت تصمیم به طور کلی برای دسته بندی استفاده می شود، زیرا یک ساختار سلسله مراتبی ساده برای فهم کاربر و تصمیم گیری است. الگوریتم های داده کاوی گوناگونی برای دسته بندی مبتنی بر شبکه عصبی مصنوعی، قوانین نزدیکترین همسایگی و دسته بندی بیزین در دسترس است اما درخت تصمیم یکی از ساده ترین تکنیک هاست [Patil et. al 2012] . از انواع درخت های تصمیم می توان C4. 5 و C5 و Meta Decision Tree و Random Forest وJ48 را نام برد.

2-3-5-شبکه عصبیروش پرکاربرد دیگر در پیشگویی نتایج استفاده از شبکه های عصبی می باشد. شبکه های عصبی مدل ساده شده ای است که بر مبنای عملکرد مغز انسان کار می کند. اساس کار این شبکه شبیه سازی تعداد زیادی واحد پردازشی کوچک است که با هم در ارتباط هستند. به هریک از این واحد ها یک نرون گفته می شود. نرون ها بصورت لایه لایه قرار دارند و در یک شبکه عصبی معمولا سه لایه وجود دارد [Gupta 2006] . اولین لایه )لایه ورودی ( ، دومین )لایه نهان (و سومین )لایه خروجی (. لایه نهان می تواند متشکل از یک لایه یا بیشتر باشد [P--han et. al 2011 ] .
2-3-6- استدلال مبتنی بر حافظهتوانایی انسان در استدلال براساس تجربه، به توانایی او در شناخت و درک نمونه های مناسبی که مربوط به گذشته است، بستگی دارد. افراد در ابتدا تجارب مشابهی که در گذشته داشته را شناسایی و سپس دانشی که از آن ها کسب کرده است را برای حل مشکل فعلی به کار می گیرند. این فرآیند اساس استدلال مبتنی بر حافظه است. یک بانک اطلاعاتی که از رکوردهای شناخته شده تشکیل شده است مورد جستجو قرار می گیرد تارکوردهای از قبل طبقه بندی شده و مشابه با رکورد جدید یافت شود.
از این همسایه ها برای طبقه بند ی و تخمین زدن استفاده می شود. KNN یک نمونه از این الگوریتم هاست. فرض کنید که یک نمونه ساده شده با یک مجموعه از صفت های مختلف وجود دارد، اما گروهی که این نمونه به آن متعلق است نامشخص است. مشخص کردن گروه می تواند از صفت هایش تعیین شود. الگوریتم های مختلفی می تواند برای خودکار سازی فرآیند دسته بندی استفاده بشود. یک دسته بند نزدیک ترین همسایه یک تکنیک برای دسته بندی عناصر است مبتنی بردسته بندی عناصر در مجموعه آموزشی که شبیه تر به نمونه آزمایشی هستند.
باتکنیک Kنزدیکترین همسایه، این کار با ارزیابی تعداد K همسایه نزدیک انجام می شود. [Tan et al 2006] . تمام نمونه های آموزشی در یک فضای الگوی چند بعدی ذخیره شده اند. وقتی یک نمونه ناشناخته داده می شود، یک دسته بند نزدیکترین همسایه در فضای الگو برای K نمونه آموزشی که نزدیک به نمونه ناشناخته هستند جستجو می کند. نزدیکی بر اساس فاصله اقلیدسی تعریف می شود [Wilson and Martinez 1997] .
2-3-7-ماشین های بردار پشتیبانیSVM اولین بار توسط Vapnik در سال 1990 معرفی شد و روش بسیار موثری برای رگرسیون و دسته بندی و تشخیص الگو است [Ristianini and Shawe 2000] .
SVM به عنوان یک دسته بند خوب در نظر گرفته می شود زیرا کارایی تعمیم آن بدون نیاز به دانش پیشین بالاست حتی وقتیکه ابعاد فضای ورودی بسیار بالاست. هدف SVM یافتن بهترین دسته بند برای تشخیص میان اعضای دو کلاس در مجموعه آموزشی است [Kumar and Verna 2012] .
رویکرد SVM به این صورت است که در مرحله آموزش سعی دارد مرز تصمیم گیری را به گونه ای انتخاب نماید که حداقل فاصله آن با هر یک از دسته های مورد نظر را بیشینه کند. این نوع انتخاب مرز بر اساس نقاطی بنام بردارهای پشتیبان انجام می شوند.
2-3-8-روشهای خوشه بندی هدف این روشها جداسازی داده ها با خصوصیات مشابه است. تفاوت بین دسته بندی و خوشه بندی این است که در خوشه بندی از قبل مشخص نیست که مرز بین خوشه ها کجاست و برچسبهای هر خوشه از پیش تعریف شده است ولی در دسته بندی از قبل مشخص است که هر دسته شامل چه نوع داده هایی می شود و به اصطلاح برچسب های هر دسته از قبل تعریف شده اند. به همین دلیل به دسته بندی یادگیری همراه با نظارت و به خوشه بندی یادگیری بدون نظارت گفته می شود [Osmar 1999] .
2-3-9- روش K-Meansیکی از روش های خوشه بندی مدل K-Means است که مجموعه داده ها را به تعدادثابت و مشخصی خوشه، خوشه بندی می کند. روش کار آن به این صورت است که تعداد ثابتی خوشه در نظر میگیرد و رکوردها را به این خوشه ها اختصاص داده و مکرراً مراکز خوشه ها را تنظیم می کند تا زمانیکه بهترین خوشه بندی بدست آید[Xindong et al 2007].
2-3-10-شبکه کوهننشبکه کوهنن نوعی شبکه عصبی است که در این نوع شبکه نرون ها در دو لایه ورودی و خروجی قرار دارند و همه نرون های ورودی به همه نرون های خروجی متصل اندو این اتصالات دارای وزن هستند. لایه خروجی در این شبکه ها بصورت یک ماتریس دو بعدی چیده شده و به آن نقشه خروجی گفته می شود. مزیت این شبکه نسبت به سایر انواع شبکه های عصبی این است که نیاز نیست دسته یا خوشه داده ها از قبل مشخص باشد، حتی نیاز نیست تعداد خوشه ها از قبل مشخص باشد. شبکه های کوهنن با تعداد زیادی نرون شروع می شود و به تدریج که یادگیری پیش می رود، تعداد آنها به سمت یک تعداد طبیعی و محدود کاهش می یابد.
2-3-11-روش دو گاماین روش در دو گام کار خوشه بندی را انجام می دهد. در گام اول همه داده ها یک مرور کلی می شوند و داده های ورودی خام به مجموعه ای از زیر خوشه های قابل مدیریت تقسیم می شوند. گام دوم با استفاده از یک روش خوشه بندی سلسله مراتبی بطور مداوم زیر خوشه ها را برای رسیدن به خوشه های بزرگتر با هم ترکیب می کند بدون اینکه نیاز باشد که جزئیات همه داده ها را مجددا مرور کند.
2-3-12-روشهای تجزیه و تحلیل نویزبعضی از داده ها که به طور بارز و مشخصی از داده های دیگر متمایز هستند اصطلاحاً بعنوان داده خطا یا پرت شناخته می شوند که باید قبل از ورود به فاز مدلسازی و در فاز آماده سازی داده ها برطرف شوند. با وجود این زمانیکه شناسایی داده های غیر عادی یا غیر قابل انتظار مانند موارد تشخیص تقلب هدف اصلی باشد، همین نوع داده ها مفید هستند که در این صورت به آنها نویز گفته می شود [Osmar 1999].
دسته های نامتعادل]صنیعی آباده 1391[.
مجموعه داده هایی که در آنها ویزگی دسته دارای توزیع نامتعادل باشد بسیار شایع هستند. مخصوصاً این مجموعه داده ها در کاربردها و مسائل واقعی بیشتر دیده می شوند.
در چنین مسائلی با وجود اینکه تعداد رکوردهای مربوط به دسته نادر بسیار کمتر از دسته های دیگر است، ولی ارزش تشخیص دادن آن به مراتب بالاتر از ارزش تشخیص دسته های شایع است. در داده کاوی برای برخورد با مشکل دسته های نامتعادل از دو راهکار استفاده می شود:
راهکار مبتنی بر معیار
راهکار مبتنی بر نمونه برداری
راهکار مبتنی بر معیاردر دسته بندی شایع ترین معیار ارزیابی کارایی دسته بند، معیار دقت دسته بندی است. در معیار دقت دسته بندی فرض بر یکسان بودن ارزش رکوردهای دسته های مختلف دسته بندی است. در راهکار مبتنی بر معیار بجای استفاده از معیار دقت دسته بندی از معیارهایی بهره برداری می شود که بتوان بالاتر بودن ارزش دسته های نادر و کمیاب را در آنها به نحوی نشان داد. بنابراین با لحاظ نمودن معیارهای گفته شده در فرآیند یادگیری خواهیم توانست جهت یادگیری را به سمت نمونه های نادر هدایت نماییم. از جمله معیارهایی که برای حل مشکل عدم تعادل دسته ها بکار می روند عبارتند از Recall, Precession, F-Measure, AUC و چند معیار مشابه دیگر.
2-4-2-راهکار مبتنی بر نمونه بردارینمونه برداری یکی از راهکارهای بسیار موثربرای مواجهه با مشکل دسته های نامتعادل است. ایده اصلی نمونه برداری آن است که توزیع نمونه ها را به گونه ای تغییر دهیم که دسته کمیاب به نحو پررنگ تری در مجموعه داده های آموزشی پدیدار شوند. سه روش برای این راهکار وجود دارد که عبارتند از:
الف- نمونه برداری تضعیفی:
در این روش نمونه برداری، توزیع نمونه های دسته های مساله به گونه ای تغییر می یابند که دسته شایع به شکلی تضعیف شود تا از نظرفراوانی با تعداد رکوردهای دسته نادر برابری کند. به این ترتیب هنگام اجرای الگوریتم یادگیری، الگوریتم ارزشی مساوی را برای دو نوع دسته نادر و شایع درنظر می گیرد.
ب- نمونه برداری تقویتی:
این روش درست برعکس نمونه برداری تضعیفی است. بدین معنی که نمونه های نادر کپی برداری شده و توزیع آنها با توزیع نمونه های شایع برابر می شود.
ج- نمونه برداری مرکب:
در این روش از هردو عملیات تضعیفی و تقویتی بصورت همزمان استفاده میشود تا توزیع مناسب بدست آید.
در این پژوهش با توجه به کمتر بودن نسبت نمونه نادر یعنی منجر به خسارت شده به نمونه شایع از روش نمونه برداری تضعیفی استفاده گردید که کل تعداد نمونه ها به حدود 3 هزار رکورد تقلیل پیدا کرد و توزیع نمونه ها به نسبت مساوی بوده است. شایان ذکر است این نمونه برداری پس از انجام مرحله پاک سازی داده ها انجام شد که خود مرحله پاکسازی با عث تقلیل تعداد نمونه های اصلی نیز گردیده بود.
پیشینه تحقیقسالهاست که محققان در زمینه بیمه و مسائل مرتبط با آن به تحقیق پرداخته اند و از جمله مسائلی که برای محققان بیشتر جذاب بوده است می توان به کشف تقلب اشاره کرد.
Brockett و همکاران [Brockett et. al 1998] ابتدا به کمک الگوریتم تحلیل مولفه های اصلی (PCA) به انتخاب ویژگی ها پرداختند و سپس با ترکیب الگوریتم های خوشه بندی و شبکه های عصبی به کشف تقلبات بیمه اتومبیل اقدام کردند. مزیت این کار ترکیب الگوریتمها و انتخاب ویژگی بوده که منجر به افزایش دقت خروجی بدست آمده گردید.
Phua و همکاران [ Phua et. al 2004] با ترکیب الگوریتم های شبکه های عصبی پس انتشاری ، بیزساده و درخت تصمیم c4.5 به کشف تقلب در بیمه های اتومبیل پرداختند.نقطه قوت این کار ترکیب الگوریتم ها بوده اما بدلیل عدم کاهش ویژگی ها و کاهش ابعاد مساله میزان دقت بدست آمده در حد اعلی نبوده است.
Allahyari Soeini و همکاران [Allahyari Soeini et. al 2012] نیز یک متدلوژی با استفاده از روشهای داده کاوی خوشه بندی ودرخت تصمیم برای مدیریت مشتریان ارائه دادند. از ایرادات این روش میتوان عدم استفاده از الگوریتم های دسته بندی و قوانین انجمنی را نام برد.
مورکی علی آباد ] مورکی علی‌آباد1390[ تحقیقی داشته است که اخیراً در زمینه بیمه صورت گرفته و درمورد طبقه‌بندی مشتریان صنعت بیمه با هدف شناسایی مشتریان بالقوه با استفاده از تکنیک‌های داده‌کاوی (مورد مطالعه: بیمه‌گذاران بیمه آتش‌سوزی شرکت بیمه کارآفرین (که هدف آن دسته بندی مشتریان صنعت بیمه بر اساس میزان وفاداری به شرکت، نوع بیمه نامه های خریداری شده، موقعیت جغرافیایی مکان های بیمه شده و میزان جذب به شرکت بیمه در بازه زمانی 4 سال گذشته بوده است. روش آماری مورد استفاده از تکنیک های داده کاوی نظیر درخت تصمیم و دسته بندی بود. این تحقیق نیز چون نمونه آن قبلا انجام شده بوده از الگوریتم های متفاوت استفاده نکرده است. همچنین سعی بر بهبود تحقیق قبلی نیز نداشته است. وجه تمایز این تحقیق با نمونه قبلی استفاده از ویژگی های متفاوت بوده است.
عنبری ]عنبری 1389[ نیز پژوهشی در خصوص طبقه بندی ریسک بیمه گذاران در رشته بیمه بدنه اتومبیل با استفاده از داده کاوی داشته است که هدف استفاده از داده های مربوط به بیمه نامه بدنه از کل شرکتهای بیمه (بانک اطلاعاتی بیمه خودرو) بوده و سعی بر آن شده است تا بررسی شود که آیا میتوان بیمه گذاران بیمه بدنه اتومبیل را از نظر ریسک طبقه بندی کرد؟ و آیا درخت تصمیم برای طبقه بندی بیمه گذاران بهترین ابزار طبقه بندی می باشد؟ و آیا سن و جنسیت از موثرترین عوامل در ریسک بیمه گذار محسوب می شود؟ نتایج این طبقه بندی به صورت درخت تصمیم و قوانین نشان داده شده است. ونتایج حاصل از صحت مدل درخت تصمیم با نتایج الگوریتم های شبکه عصبی و رگرسیون لجستیک مورد مقایسه قرار گرفته است. از مزیت های این تحقیق استفاده از الگوریتم های متفاوت و مقایسه نتایج حاصله برای بدست آوردین بهترین الگوریتم ها بوده است.
رستخیز پایدار]رستخیز پایدار 1389[ تحقیقی دیگر در زمینه بخش بندی مشتریان بر اساس ریسک با استفاده از تکنیک داده کاوی (مورد مطالعه: بیمه بدنه اتومبیل بیمه ملت) داشته است. با استفاده از مفاهیم شبکه خود سازمانده بخش بندی بر روی مشتریان بیمه بدنه اتومبیل بر اساس ریسک صورت گرفت. در این تحقیق عوامل تأثیرگذار بر ریسک بیمه گذاران طی دو مرحله شناسایی گردید. در مرحله اول هیجده فاکتور ریسک در چهار گروه شامل مشخصات جمعیت شناختی، مشخصات اتومبیل، مشخصات بیمه نامه و سابقه راننده از بین مقالات علمی منتشر گردیده در ژورنال های معتبر در بازه سال های 2000 الی 2009 استخراج گردید و در مرحله دوم با استفاده از نظرسنجی از خبرگان فاکتورهای نهایی تعیین گردید. مشتریان بیمه بدنه اتومبیل در این تحقیق با استفاده از شبکه های عصبی خودسازمانده به چهار گروه مشتریان با ریسک های متفاوت بخش بندی گردیدند. مزیت این تحقیق استفاده از نظر خبرگان بیمه بوده و ایراد آن عدم استفاده از ویژگی های بیشتر و الگوریتم های انتخاب ویژگی بوده است.
ایزدپرست  ]ایزدپرست1389[ همچنین تحقیقی در مورد ارائه چارچوبی برای پیش بینی خسارت مشتریان بیمه بدنه اتومبیل با استفاده از راهکار داده کاوی انجام داده است که چارچوبی برای شناسایی مشتریان بیمه بدنه اتومبیل ارائه می‌گردد که طی آن میزان خطرپذیری مشتریان پیش‌بینی شده و مشتریان بر اساس آن رده‌بندی می‌گردند. در نتیجه با استفاده از این معیار (سطح خطرپذیری) و نوع بیمه‌نامه مشتریان، میتوان میزان خسارت آنان را پیش‌بینی کرده و تعرفه بیمه‌نامه متناسب با ریسک آنان تعریف نمود. که این مطلب می‌تواند کمک شایانی برای شناسایی مشتریان و سیاستگذاری‌های تعرفه بیمه نامه باشد. در این تحقیق از دو روش خوشه‌بندی و درخت‌تصمیم استفاده می‌گردد. در روش خوشه‌بندی مشتریان بر اساس ویژگی هایشان در خوشه هایی تفکیک شده، سپس میانگین سطح خسارت در هر یک از این خوشه‌ها را محاسبه میکند. حال مشتریان آتی با توجه به اینکه به کدامیک از این خوشه‌ها شبیه تر هستند در یکی از آنها قرار می‌گیرند تا سطح خسارتشان مشخص گردد. در روش درخت‌تصمیم با استفاده از داده‌های مشتریان، درختی را بر اساس مجموعه‌ای از قوانین که بصورت "اگر-آنگاه" می‌باشد ایجاد کرده و سپس مشتریان جدید با استفاده از این درخت رده‌بندی می‌گردند. در نهایت هر دو این مدلها مورد ارزیابی قرار می‌گیرد. ایراد این روش در عدم استفاده از دسته بند ها بوده است. چون ماهیت تحقیق پیش بینی بوده است استفاده از دسته بند ها کمک شایانی به محقق در تولبد خروجی های حذاب تر می کرد.
خلاصه فصلعمده پژوهشهایی که درخصوص داده های بیمه ای صورت گرفته کمتر به سمت پیش بینی سود و زیان شرکتهای بیمه بوده است. در موارد مشابه نیزپیش بینی خسارت مشتریان انجام شده که هدف دسته بندی مشتریان بوده است. موضوع این پژوهش اگرچه از نوع همسان با تحقیقات گفته شده است اما در جزئیات بیمه شخص ثالث را پوشش می دهد که درکشور ما یک بیمه اجباری تلقی می شود. همچنین تعداد خصیصه هایی که در صدور یا خسارت این بیمه نامه دخالت دارند نسبت به سایر بیمه های دیگر بیشتر بوده ضمن اینکه بررسی سود یا زیان بیمه شخص ثالث با استفاده از دانش نوین داده کاوی کارتقریبا جدیدی محسوب می شود.

فصل سوم
2087880229743000
شرح پژوهشدر این فصل هدف بیان مراحل انجام این پژوهش و تحلیل خروجی های بدست آمده می باشد.

انتخاب نرم افزاردر اولین دهه آغاز به کار داده کاوی و در ابتدای امر، هنوز ابزار خاصی برای عملیات کاوش وجود نداشت و تقریبا نیاز بود تا تمامی تحلیل گران، الگوریتمهای موردنظر داده کاوی و یادگیری ماشین را با زبان های برنامه نویسی مانند c یا java یا ترکیبی از چند زبان پیاده سازی کنند. اما امروزه محیط های امکان پذیر برای این امر، با امکانات مناسب و قابلیت محاوره گرافیکی زیادی را می توان یافت]صنیعی آباده 1391[.
Rapidminerاین نرم افزار یک ابزار داده کاوی متن باز است که به زبان جاوا نوشته شده و از سال 2001 میلادی تا به حال توسعه داده شده است. در این نرم افزار سعی تیم توسعه دهنده بر این بوده است که تا حد امکان تمامی الگوریتم های رایج داده کاوی و همچنین یادگیری ماشین پوشش داده شوند. بطوری که حتی این امکان برای نرم افزار فراهم شده است تا بتوان سایر ابزارهای متن باز داده کاوی را نیز به آن الحاق نمود. رابط گرافیکی شکیل و کاربر پسند نرم افزار نیز آن را یک سرو گردن بالاتر از سایر ابزارهای رقیب قرار میدهد]صنیعی آباده 1391[.
مقایسه RapidMiner با سایر نرم افزار های مشابهدر اینجا دو نرم افزار مشهور متن باز را با RapidMiner مقایسه خواهیم کرد و معایب و مزایای آنها را بررسی می کنیم.
الف-R
یک زبان برنامه نویسی و یک پکیج داده کاوی به همراه توابع آماری است و بر پایه زبان های s و scheme پیاده سازی شده است. این نرم افزار متن باز، حاوی تکنیک های آماری مانند: مدل سازی خطی و غیرخطی، آزمون های کلاسیک آماری، تحلیل سری های زمانی، دسته بندی، خوشه بندی، و همچنین برخی قابلیت های گرافیکی است. R را می توان در محاسبات ماتریسی نیز بکار برد که این امر منجر به استفاده از آن در علم داده کاوی نیز می شود.
-مزایا:
شامل توابع آماری بسیار گسترده است.
بصورت بسیارمختصر قادر به حل مسائل آماری است.
دربرابر سایر نرم افزار های مرسوم کار با آرایه مانند Mathematica, PL, MATLAB, LISP/Scheme قدرت مند تر است.
با استفاده از ویژگی Pipeline قابلیت ترکیب بالایی را با سایر ابزارها و نرم افزارها دارد.
توابع نمودار مناسبی دارد.
-معایب:
فقدان واسط کاربری گرافیک
فقدان سفارشی سازی لزم جهت داده کاوی
ساختار زبانی کاملا متفاوت نسبت به زبان های برنامه نویسی مرسوم مانندc, PHP, java, vb, c#.
نیاز به آشنایی با زبانهای آرایه ای
قدیمی بودن این زبان نسبت به رقبا. این زبان در 1990 ساخته شده است.
ب- Scipy
یک مجموعه از کتابخانه های عددی متن باز برای برنامه نویسی به زبان پایتون است که برخی از الگوریتم های داده کاوی را نیز پوشش می دهد.
-مزایا
برای کاربردهای ریاضی مناسب است.
عملیات داده کاوی در این نرم افزار چون به زبان پایتون است راحت انجام می شود.
-معایب
الگوریتم های یادگیری مدل در این کتابخانه هنوز به بلوغ کامل نرسیده اند و درحال تکامل هستند.
برای پیاده سازی الگوریتم های داده کاوی توسط این ابزار باید از ترکیب های متفاوت آنچه در اختیار هست استفاده کرد.
ج-WEKA
ابزار رایج و متن باز داده کاوی است که کتابخانه های آماری و داده کاوی بسیاری را شامل میشود. این نرم افزار بوسیله جاوا نوشته شده است و در دانشگاه وایکاتو در کشور نیوزلند توسعه داده شده است.
-مزایا
دارای بسته های فراوان یادگیری ماشین.
دارای نمای گرافیکی مناسب.
مشخصا به عنوان یک ابزار داده کاوی معرفی شده است.
کار کردن با آن ساده است.
اجرای همزمان چندین الگوریتم و مقایسه نتایج.
همانطور که مشخص شد weka در مقابل دیگر نرم افزار های بیان شده به لحاظ قدرت و کاربر پسندی به Rapidminer نزدیک تر است و شباهت های زیادی به هم دارند زیرا که:
هردو به زبان جاوا نوشته شده اند.
هردو تحت مجوزGPL منتشر شده اند.
Rapidminer بسیاری از الگوریتمهای weka را در خود بارگذاری میکند.
اما weka معایبی نسبت به Rapidminer دارد از جمله اینکه:
در اتصال به فایلهای حاوی داده Excel و پایگاه های داده که مبتنی بر جاوا نیستند ضعیف عمل میکند.
خواندن فایلهای csv به شکل مناسبی سازماندهی نشده است.
به لحاظ ظاهری در رده پایینتری قرار دارد.
در نهایت بعد از بررسی های انجام شده حتی در میان نرم افزار های غیرمتن باز تنها ابزاری که کارایی بالاتری از Rapidminer داشت statistica بود که متن باز نبوده و استفاده از آن نیازمند تقبل هزینه آن است]صنیعی آباده 1391[.
در یازدهمین و دوازدهمین بررسی سالانه KDDnuggets Data Mining / Analytics رای گیری با طرح این سوال که کدام ابزار داده کاوی را ظرف یک سال گذشته برای یک پروژه واقعی استفاده کرده ایددر سال 2010 از بین 912 نفر و در سال 2011 ازبین 1100 نفر انجام شد. توزیع رای دهندگان بدین صورت بوده است:
اروپای غربی 37%
آمریکای شمالی 35%
اروپای شرقی 10%
آسیا 6%
اقیانوسیه 4%
آمریکای لاتین 4%
آفریقا و خاورمیانه %4
نتایج به شرح جدول 3-1 بوده است :
جدول شماره 3-1: نتایج رای گیری استفاده از نرم افزارهای داده کاوی
2011 Vote 2010 Vote Software name
37. 8% 27. 7% Rapidminer
29. 8% 23. 3% R
24. 3% 21. 8% Excel
12. 1% 13. 6% SAS
18. 4% 12. 1% Your own code
19. 2% 12. 1% KNIMe
14. 4% 11. 8% WEKA
1. 6% 10. 6% Salford
6. 3% 8. 5% Statistica
همانطور که نتایج رای گیری مشخص میکند نرم افزار Rapidminer بیشترین استفاده کننده را دارد.
در این پایان نامه نیز عملیات داده کاوی توسط این نرم افزار انجام می شود. ناگفته نماند در قسمتهایی از نرم افزار minitab و Clementine12 نیز برای بهینه کردن پاسخ بدست آمده و بالابردن کیفیت نتایج استفاده شده است.

داده ها داده های مورد استفاده در این پژوهش شامل مجموعه بیمه نامه های شخص ثالث صادر شده استان کهگیلویه و بویراحمد در سال 1390 شمسی بوده که بیمه نامه های منجر شده به خسارت نیز در این لیست مشخص گردیده اند. تعداد کل رکوردها حدود 20 هزار رکورد بوده که از این تعداد تقریباً 7. 5 درصد یعنی حدود 1500 رکوردمنجر به خسارت گردیده اند.
3-2-1- انتخاب دادهداده مورد استفاده در این پژوهش شامل دو مجموعه داده به شرح زیر بوده است:
صدور: اطلاعات بیمه نامه های صادره
خسارت: جزئیات خسارت پرداختی ازمحل هر بیمه نامه که خسارت ایجاد کرده
3-2-2-فیلدهای مجموعه داده صدور
این فیلدها در حالت اولیه 137 مورد به شرح جدول 3-2 بوده است.
3-2-3-کاهش ابعاد
در این پژوهش بخاطر موثرنبودن فیلدهایی اقدام به حذف این مشخصه ها کرده و فیلدهای موثر نهایی به 42 فیلد کاهش یافته که به شرح جدول 3-3 بدست آمده اند. کاهش ابعاد میتواند شامل حذف فیلدهای موثر که دارای اثر بسیار ناچیز درمقابل دیگر فیلدها است نیز باشد.
جدول شماره 3-2: فیلدهای اولیه داده های صدور
ردیف نام فیلد ردیف نام فیلد ردیف نام فیلد
1 بیمه‌نامه 33 مدت بیمه 65 تعهدمازاد
2 سال‌صدوربیمه‌نامه 34 زمان‌شروع 66 کدنوع‌تعهدسرنشین
3 رشته‌بیمه 35 شغل‌بیمه‌گذار 67 میزان‌تعهدسرنشین
4 نمایش سند 36 سن‌بیمه‌گذار 68 حق‌بیمه‌ثالث‌قانونی
5 مکانیزه 37 سال‌کارت 69 ثالث قانونی+تعدددیات
6 دستی 38 سریال‌کارت 70 حق‌بیمه‌بند4
7 وب‌بنیان 39 کدوسیله‌نقلیه 71 حق‌بیمه‌ماده1
8 نام‌استان 40 کدزیررشته‌آمار 72 حق‌بیمه‌مازاد
9 نام‌شعبه 41 نوع‌وسیله‌نقلیه 73 حق‌بیمه‌سرنشین
10 کدشعبه 42 سیستم 74 مالیات
11 شعبه‌محل‌صدور 43 سال ساخت 75 مازادجانی
12 شعبه 44 رنگ 76 حق‌بیمه‌مازادمالی
13 نمایندگی‌محل‌صدور 45 شماره‌شهربانی 77 عوارض‌ماده92
14 کددولتی 46 شماره‌موتور 78 حق‌بیمه‌دریافتی
15 نمایندگی 47 شماره‌شاسی 79 tadodflg
16 دولتی 48 تعدادسیلندر 80 حق‌بیمه‌تعددخسارت
17 صادره‌توسط شعبه 49 کدواحدظ‌رفیت 81 جریمه‌بیمه‌مرکزی
18 کارمندی 50 ظرفیت 82 حق‌بیمه‌صادره‌شعبه
19 کدصادره‌توسط شعبه 51 شرح‌مورداستفاده 83 حق‌بیمه‌صادره‌نمایندگی
20 سریال‌بیمه‌نامه 52 یدک‌دارد؟ 84 کداضافه‌نرخ‌حق‌بیمه
21 شماره‌بیمه‌نامه 53 اتاق‌وسیله‌نقلیه 85 اضافه‌نرخ‌ثالث
22 نام‌بیمه‌گذار 54 نوع‌پلاک 86 اضافه‌نرخ‌بند4
23 آدرس‌بیمه‌گذار 55 جنسیت 87 اضافه‌نرخ‌مازاد
24 تلفن‌بیمه‌گذار 56 کدنوع‌بیمه‌نامه 88 تعدددیات
25 کدسازمان 57 نوع‌بیمه 89 اضافه‌نرخ‌تعدددیات
26 نام‌سازمان 58 بیمه‌نامه‌سال‌قبل 90 اضافه‌نرخ‌ماده‌یک
27 کدنوع‌بیمه 59 انقضاسال‌قبل 91 دیرکردجریمه
28 cbrn. cod 60 بیمه‌گرقبل 92 کدملی‌بیمه‌گذار
29 نوع‌بیمه 61 شعبه‌قبل 93 صادره‌توسط شعبه
30 تاریخ‌صدور 62 خسارت‌داشته‌؟ 94 نوع‌مستند1
31 تاریخ‌شروع 63 تعهدمالی 95 شماره‌مستند1
32 تاریخ‌انقضا 64 تعهدبدنی 96 تاریخ‌مستند1
ادامه جدول شماره 3-2: فیلدهای اولیه داده های صدور
ردیف نام فیلد ردیف نام فیلد ردیف نام فیلد
97 مبلغ‌مستند1 111 تخفیف ایمنی 125 کداقتصادی
98 شماره‌حساب1 112 سایرتخفیف ها 126 کدملی
99 بانک1 113 ملاحظات 127 تاریخ‌ثبت
100 نوع‌مستند2 114 نام‌کاربر 128 کدشعبه‌صادرکننده‌اصلی
101 شماره‌مستند2 115 تاریخ‌سند 129 کدنمایندگی‌صادرکننده‌اصلی
102 تاریخ‌مستند2 116 کدشهربانی 130 کدسازمان‌صادرکننده‌اصلی
103 مبلغ‌مستند2 117 شعبه‌محل‌نصب 131 سال
104 شماره‌حساب2 118 کدمحل‌نصب 132 ماه
105 بانک2 119 دستی/مکانیزه 133 نوع
106 تخفیف‌نرخ‌اجباری 120 تیک‌باحسابداری 134 crecno
107 تخفیف‌نرخ‌اختیاری 121 سال‌انتقال 135 type_ex
108 تخفیف عدم خسارت 122 ماه‌انتقال 136 updflg
109 تخفیف صفرکیلومتر 123 sysid 137 hsab_sync
110 تخفیف گروهی 124 trsid کداقتصادی
جدول شماره 3-3: فیلدهای نهایی داده های صدور
ردیف نام فیلد ردیف نام فیلد ردیف نام فیلد
1 ماه 15 تعهدمازاد 29 تاریخ‌شروع
2 سال 16 تعهدبدنی 30 تاریخ‌صدور
3 کدنمایندگی‌صادرکننده‌اصلی 17 تعهدمالی 31 نام‌سازمان
4 تخفیف گروهی 18 بیمه‌نامه‌سال‌قبل 32 شماره‌بیمه‌نامه
5 تخفیف عدم خسارت 19 نوع‌بیمه 33 کارمندی
6 نوع‌مستند1 20 نوع‌پلاک 34 صادره‌توسط شعبه
7 دیرکردجریمه 21 شرح‌مورداستفاده 35 دولتی
8 کداضافه‌نرخ‌حق‌بیمه 22 ظرفیت 36 نمایندگی‌محل‌صدور
9 حق‌بیمه‌دریافتی 23 تعدادسیلندر 37 خسارتی؟
10 عوارض‌ماده92 24 سال ساخت 38 مبلغ خسارت
11 مالیات 25 سیستم 39 تاریخ ایجادحادثه
12 حق‌بیمه‌سرنشین 26 نوع‌وسیله‌نقلیه 40 بیمه گر زیاندیده اول
13 حق‌بیمه‌مازاد 27 مدت بیمه 41 تعداد زیاندیدگان مصدوم
14 حق‌بیمه‌ثالث‌قانونی 28 تاریخ‌انقضا 42 تعداد زیاندیدگان متوفی
در کاهش ابعاد این مساله برای حذف فیلدهای مختلف نظرات کارشناسان بیمه نیز لحاظ شده است. جدول 3-4 فیلدهای حذف شده و علت حذف آنها را بیان کرده است.
جدول شماره 3-4: فیلدهای حذف شده داده های صدور و علت حذف آنها
نام فیلد حذف شده علت حذف
Crecno-type_ex-updflg-hsab_sync-کدمحل‌نصب-دستی/مکانیزه-تیک‌باحسابداری-سال‌انتقال-ماه‌انتقال-sysid-trsid-کدزیررشته آمار-نمایش سند-مکانیزه-دستی-وب‌بنیان-Cbrn. cod کاربرد آماری
نوع-کد شعبه صادرکننده-شعبه محل نصب-کدشهربانی-سایرتخفیف ها-تخفیف ایمنی-تخفیف صفر کیلومتر-تخفیف نرخ اختیاری-تخفیف نرخ اجباری-خسارت داشته؟-شعبه قبل-جنسیت-کد نوع بیمه نامه-یدک دارد-
اتاق وسیله نقلیه-سن بیمه گذار-شغل بیمه گذار-زمان شروع-کد نوع بیمه دارای مقدار یکسان یا null
کد سازمان صادر کننده-کد نوع تعهد سرنشین-کدواحدظرفیت-کد وسیله نقلیه-کد سازمان-کد صادره توسط-نمایندگی-کد دولتی بجای این کد از فیلد اسمی معادل آن استفاده شده است و یا برعکس زیرا در نتایج خروجی قابل فهم تر خواهد بود.
تاریخ ثبت-تاریخ سند-بیمه گر قبل-مبلغ -مستند 1و2-اضافه‌نرخ‌ثالث-4اضافه‌نرخ‌بند-
اضافه‌نرخ‌مازاد-میزان تعهد سرنشین-تعدددیات-اضافه‌نرخ‌تعدددیات-اضافه‌نرخ‌ماده‌یک-تاریخ مستند1و2-شماره -حساب 1و2-بانک1و2 دارای مقدار تکراری
کدملی-بیمه نامه-کداقتصادی-نوع مستند2-
شماره مستند1و2-نام کاربر-ملاحظات-
کدملی بیمه گذار-شماره شاسی-شماره موتور-
شماره شهربانی-سریال کارت-سال کارت-
نام‌استان-نام‌شعبه-کدشعبه-شعبه‌محل‌صدور
شعبه-سال‌صدوربیمه‌نامه-رشته‌بیمه-رنگ-تلفن بیمه گذار-نام بیمه گذار-آدرس بیمه گذار-سریال بیمه نامه بدون تاثیر
حق‌بیمه‌تعددخسارت-جریمه‌بیمه‌مرکزی-
حق‌بیمه‌صادره‌شعبه-حق‌بیمه‌صادره‌نمایندگی-
مازادجانی-حق‌بیمه‌مازادمالی-حق بیمه ماده1-
حق بیمه ماده4-ثالث قانونی + تعدد دیات- انقضا سال قبل بخشی از فیلد انتخاب شده
جدول 3-5: فیلدهای استخراج شده از داده های خسارت
مبلغ خسارت
تاریخ ایجادحادثه
بیمه گر زیاندیده اول
تعداد زیاندیدگان مصدوم
تعداد زیاندیدگان متوفی
3-2-4- فیلدهای مجموعه داده خسارتاز مجموعه داده خسارت فقط فیلدهای مشخص کننده میزان خسارت و جزئیات لازم استخراج شده است. متاسفانه اطلاعات مفید تری مثل سن راننده مقصر، میزان تحصیلات و. . . در این مجموعه داده وجود نداشته است و چون هنگام ثبت خسارت برای یک بیمه نامه از اطلاعات کلیدی داده های صدور استفاده می شود، با توجه به اینکه از مرحله قبل مهمترین فیلدهای داده های صدور را در دسترس داریم بنابراین با ادغام فیلدهای خسارت و صدور به اطلاعات جامعی در خصوص یک بیمه نامه خاص دسترسی خواهیم داشت. مشخصه ها استخراج شده از داده های خسارت طبق جدول 3-5 است.

3-2-5-پاکسازی داده هاداده ها در دنیای واقعی ممکن است دارای خطا، مقادیر از دست رفته، مقادیر پرت و دورافتاده باشند [Jiawei Han, 2010]. در مرحله پاکسازی با توجه به نوع داده ممکن است یک یا چند روش پاکسازی بر روی داده اعمال شود.
3-2-6- رسیدگی به داده های از دست رفتهدر این قسمت از کار اقدام به رفع Missing data نموده که خود مرحله مهمی از پاکسازی داده بحساب می آید. در مرحله ابتدایی با مرتب سازی تمام ویژگی های قابل مرتب سازی در نرم افزار Microsoft Excel اقدام به کشف مقادیر از دست رفته کرده و از طریق دیگر ویژگی های هر رکورد مقدار از دست رفته را حدس زده ایم. همچنین درحین انتقال داده به محیط داده کاوی مقادیر از دست رفته نیز مشخص می گردند. در بعضی موارد بدلیل تعداد زیاد ویژگی های از دست رفته اقدام به حذف کامل رکورد نمودیم. این کار برای زمانی که داده ها در حجم انبوهی وجود دارند مفید واقع میشوند اما زمانی که تعداد رکوردها کم می باشد اجتناب از این عمل توصیه می شود. برای ویژگی نوع بیمه که از نوع چند اسمی بوده است فقط دو مقدار"کارمندی" و "عادی" وجود داشته که تعداد 49 مورد فاقد مقدار بوده است. کل تعداد بیمه کارمندی 27 مورد بوده است. با توجه به کم بودن تعداد داده های ازدست رفته این فیلد و پس از مقایسه نام بیمه گذاران با اسم کارمندان مشخص شد هیچ کدام از موارد فوق کارمندی نبوده و همه از نوع عادی بوده اند.
از جمله فیلدهای دارای مقادیر از دست رفته و روش رفع ایراد آنها عبارتند از:
سیستم*** 70 مورد***تشخیص با توجه به دیگر ویژگی ها
نوع وسیله نقلیه***33مورد***تشخیص با توجه به دیگر ویژگی ها
شرح مورد استفاده***11مورد***تشخیص با توجه به دیگر ویژگی هاتعدادسیلندر***2مورد***تشخیص با توجه به دیگر ویژگی ها
دولتی***28 مورد***تشخیص از روی پلاک
ماه***130 مورد***تشخیص از روی تاریخ صدور
نوع بیمه***49مورد***تشخیص از روی نام بیمه گذار
تعداد رکوردهایی که مقادیرازدست رفته در چند ویژگی مهم را داشته اند و حذف شده اند حدود 350 مورد بوده است.
3-2-7-کشف داده دور افتادهبعضی از مقادیر بسته به نوع داده علی رغم پرت تشخیص داده شدن مقادیر صحیحی می باشند. بنابراین حذف اینگونه داده ها برای کاستن پیچیدگی مساله میتواند موجب حذف قوانین مهمی در الگوریتم های مبتنی برقانون یا درختهای تصمیم شود. پس بررسی خروجی الگوریتم توسط یک فردخبره در موضوع مساله می تواند مانع از این اتفاق شود. نوع برخورد با داده پرت میتواند شامل حذف داده پرت، تغییر مقدار، حذف رکورد و در مواردی حذف مشخصه باشد.
برای تشخیص داده پرت از نمودار boxplot نرم افزار minitab 15 استفاده گردید. در این نمودار از مفهوم درصدک استفاده میشود که داده های بین 25% تا 75% که به ترتیب با Q1 و Q3 نشان داده می شوند مهم ترین بخش داده ها هستند. X50% نیز میانه را نشان می دهد و با یک خط در وسط نمودار مشخص می شود. Interquartile range (IQR) نیز مفهوم دیگری است که برابر است با IQR = Q3-Q1 .
مقادیر بیشتر از Q3 + [(Q3 - Q1) X 1. 5] و کمتر از Q1 - [(Q3 - Q1) X 1. 5]داده پرت محسوب می شوند. برای انجام اینکار نمودار boxplot را روی تک تک مشخصه های داده ها به اجرا در آورده و نتایج مطابق جدول 3-6 حاصل گردید.
جدول 3-6: نتایج نمودار boxplot
نام فیلد محاسبه مقادیر پرت توضیحات
تعداد زیاندیدگان متوفی Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 مقدار 1و2 نشان داده شده صحیح می باشد
تعداد زیاندیدگان مصدوم Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 1و2و3 نشان داده شده صحیح می باشد
بیمه گر زیاندیده اول Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 مقدار 1و2و3و. . . نشان داده شده صحیح می باشد و عدد 99 مقداری صحیح است که به معنی ندارد استفاده میگردد
مبلغ خسارت Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 مبلغ خسارت 1.658.398.000 ریال و 900.000.000 ریال واقعا پرداخت گردیده است
تعداد سیلندر Q1=4, Q3=4, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=4
Q1 - [(Q3 - Q1) X 1. 5]=4مقدار 5 به عنوان تعداد سیلندر ناصحیح می باشد
ظرفیت Q1=5, Q3=5, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=5
Q1 - [(Q3 - Q1) X 1. 5]=5 مقادیر بین 1 تا 96 ظرفیتهای منطقی بر اساس تناژ یا سرنشین بوده و صحیح است اما مقدار 750 نا صحیح است
نوع پلاک Q1=3, Q3=3, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=3
Q1 - [(Q3 - Q1) X 1. 5]=3 مقادیر با مفهوم بوده و دور افتاده نیست
بیمه نامه سال قبل Q1=1, Q3=1, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=1
Q1 - [(Q3 - Q1) X 1. 5]=1 مقادیر عددی 0 یا 1 به معنی داشتن یا نداشتن بوده و صحیح است
تعهدات مالی Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 مقادیر با مفهوم بوده و دور افتاده نیست
حق بیمه ثالث قانونی Q1=1992600, 3=3332500, IQR=1339900
Q3 + [(Q3 - Q1) X 1. 5]=5342350
Q1 - [(Q3 - Q1) X 1. 5]=17250 مقادیر با مفهوم بوده و دور افتاده نیست
حق بیمه مازاد Q1=0, Q3=9100, IQR=9100
Q3 + [(Q3 - Q1) X 1. 5]=22750
Q1 - [(Q3 - Q1) X 1. 5]=13650 مقادیر با مفهوم بوده و دور افتاده نیست
دیرکرد جریمه Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 مقادیر با مفهوم بوده و دور افتاده نیست
تخفیف عدم خسارت Q1=610080, Q3=1495200, IQR=885120
Q3 + [(Q3 - Q1) X 1. 5]=2822880
Q1 - [(Q3 - Q1) X 1. 5]=717600 مقادیر با مفهوم بوده و دور افتاده نیست
3-2-8-انبوهش دادهبا ادغام کردن داده های صدور و خسارت به خلق ویژگیهای جدیدی دست زده ایم. چون داده ها در دو فایل جدا گانه بوده و حجم داده زیاد بوده است برای ادغام از پرس و جوی نرم افزار Microsoft Access استفاده شد. برای تشخیص بیمه نامه های خسارت دیده از فیلد شماره بیمه نامه که در هردوفایل مشترک بود استفاده کردیم.
3-2-9- ایجاد ویژگی دستهدر این مرحله پس از ادغام ویژگی های مختلف اقدام به ایجاد یک فیلد برای تمام رکوردهایی که منجر به خسارت شده اند می نماییم. این فیلد در الگوریتمهای دسته بندی مورد استفاده قرار خواهد گرفت. برای انجام این کار از یک پر و جوی Microsoft Access استفاده میکنیم.
3-2-10-تبدیل دادهجهت استفاده کاربردی تر از برخی ویژگی ها باید مقادیر آن ویژگی تغییر کند. یک نمونه از این کار تغییر مقدار ویژگی " دیرکرد جریمه " است. مقدار این فیلد مبلغ جریمه دیرکرد بیمه گذار بوده است که با تقسیم این مبلغ به عدد 13000 تعداد روزهای تاخیر در تمدید بیمه نامه افراد مشخص می شود، زیرا به ازای هر روز تاخیر مبلغی حدود 13000ریال در سال 1390 به عنوان جریمه دیرکرد از فرد متقاضی بیمه نامه دریافت می گردید.
3-2-11-انتقال داده به محیط داده کاویپس از انجام پاکسازی، داده باید به محیط داده کاوی منتقل شود. در خلال این انتقال نیاز به تعریف و یا تغییر نوع داده وجود دارد. در طول این تغییر داده ممکن است مقادیری از داده ها بدلیل ناسازگاری و یا دلایل مشابه به عنوان داده از دست رفته مشخص گردد و یا داده از دست رفته ای که قبلاً قابل تشخیص نبوده مشخص گردد. (شکل 3-1)

شکل شماره3-1: داده از دست رفته فیلد" نوع بیمه " پس از انتقال به محیط داده کاوی
3-2-12-انواع داده تعیین شده
پس از انتقال داده به محیط داده کاوی، هر ویژگی به نوع خاصی از داده توسط نرم افزار تشخیص داده شد. پس از آن نوع داده تشخیصی مورد بررسی قرار گرفت و اشتباهات پیش آمده تصحیح گردیدند. همچنین گروهی از ویژگی ها که به هیچ نوع داده ای اختصاص داده نشده بود بصورت دستی به بهترین نوع ممکن اختصاص داده شد. چون برخورد الگوریتم ها با انواع داده ها متفاوت است با توجه به موضوع پژوهش بهترین نوع داده که بتواند نسبت به الگوریتم موثرترواقع شود برای هر ویژگی درنظر گرفته شد.
جدول نوع داده های مورد استفاده در این پژوهش به شرح جدول 3-7 است:
جدول 3-7: انواع داده استفاده شده
نام فیلد نوع فیلد
ماه-سال-کدنمایندگی‌صادرکننده‌اصلی- تعداد زیاندیدگان مصدوم- نوع‌پلاک- ظ‌رفیت- تعدادسیلندر- سال ساخت- مدت بیمه- نمایندگی‌محل‌صدور- تعداد زیاندیدگان متوفی-حق‌بیمه‌ثالث‌قانونی-تعهدمازاد-تعهدبدنی-تعهدمالی Integer
- نوع‌بیمه- شرح‌مورداستفاده- بیمه گر زیاندیده اول نوع‌مستند1- سیستم نوع‌وسیله‌نقلیه- نام‌سازمان-دولتی polynominal
دیرکردجریمه-کداضافه‌نرخ‌حق‌بیمه-حق‌بیمه‌دریافتی-عوارض‌ماده92-مالیات-حق‌بیمه‌سرنشین-حق‌بیمه‌مازاد- تخفیف گروهی-تخفیف عدم خسارت- مبلغ خسارت real
بیمه‌نامه‌سال‌قبل- کارمندی- صادره‌توسط شعبه- خسارتی؟ binominal
تاریخ‌انقضا-تاریخ‌شروع-تاریخ‌صدور- تاریخ ایجادحادثه date
شماره‌بیمه‌نامه text
3-2-13-عملیات انتخاب ویژگیهای موثرتردر برخورد با برخی از الگوریتمها که با بیشتر شدن تعداد ویژگی پیچیدگی بیشتری نیز پیدا میکنند، مانند درختهای تصمیم، svm، Regression و شبکه های عصبی باید از ویژگی های کمتری استفاده کنیم. درکل انتخاب ویژگی برای استفاده در الگوریتم های دسته بندی تکنیک کارآمدی است. دراینجا ازتکنیکهای کاهش ویژگی و یا وزن دهی استفاده کرده و فیلدهای منتخبی که وزن بیشتری را دارند به عنوان ورودی الگوریتمها انتخاب گردیدند.
با توجه به اینکه احتمال ارزش دهی به یک ویژگی در تکنیکهای مختلف متغیر است و ممکن است ویژگی خاصی توسط یک تکنیک باارزش قلمداد شده و توسط تکنیکی دیگر بدون ارزش تلقی شود، نتیجه تمام تکنیکها Union, شده و فیلدهای حاصل به عنوان ورودی الگوریتم مشخص گردید.
3-3-نتایج اعمال الگوریتم PCA و الگوریتم های وزن دهی
نتایج حاصل از این تکنیک ها در شکل های 3-2 الی3-5 نمایش داده شده است.

شکل 3-2: نتایج الگوریتمPCA
در ارزشدهی به ویژگی ها

شکل 3-3: نتایج الگوریتم SVM Weighting
در ارزشدهی به ویژگی ها

شکل 3-4: نتایج الگوریتم
Weighting Deviation در ارزشدهی به ویژگی ها

شکل 3-5: نتایج الگوریتم Weighting Correlation
در ارزشدهی به ویژگی ها
3-4-ویژگی های منتخب جهت استفاده در الگوریتمهای حساس به تعداد ویژگیلازم به توضیح است در تمام الگوریتمهایی که از 24 ویژگی جدول 3-8 استفاده شده است از تمام ویژگی ها نیز استفاده شده و نتایج با هم مقایسه گردیده اند و مشخص شد که وجود برخی ویژگی ها که در آن جدول قرار ندارند باعث کاهش دقت الگوریتم شده و در برخی الگوریتم ها نیز تفاوتی میان دو مقایسه مشخص نشد.
جدول 3-8: نتایج حاصل از اجتماع فیلدهای با بالاترین وزن در الگوریتمهای مختلف
نام فیلد نوع فیلد
تعهدمازاد- تعهدبدنی- تعهدمالی- نوع‌پلاک- ظ‌رفیت- تعدادسیلندر- سال ساخت- مدت بیمه- تعداد زیاندیدگان مصدوم- تعداد زیاندیدگان متوفی Integer
شرح‌مورداستفاده- سیستم- نوع‌وسیله‌نقلیه- بیمه گر زیاندیده اول polynominal
دیرکردجریمه- کداضافه‌نرخ‌حق‌بیمه- حق‌بیمه‌دریافتی- مالیات- حق‌بیمه‌سرنشین- حق‌بیمه‌ثالث‌قانونی- مبلغ خسارت real
بیمه‌نامه‌سال‌قبل- کارمندی- صادره‌توسط شعبه binominal
3-5-معیارهای ارزیابی الگوریتمهای دسته بندیدر این بخش توضیحاتی درخصوص چگونگی ارزیابی الگوریتم های دسته بندی و معیار های آن ارائه خواهد شد.
3-6-ماتریس درهم ریختگیماتریس در هم ریختگی چگونگی عملکرد دسته بندی را با توجه به مجموعه داده ورودی به تفکیک نشان میدهد که:
TN: تعدادرکوردهایی است که دسته واقعی آنها منفی بوده و الگوریتم نیز دسته آنها را به درستی منفی تشخیص داده است.
FP: تعدادرکوردهایی است که دسته واقعی آنها منفی بوده و الگوریتم دسته آنها را به اشتباه مثبت تشخیص داده است.
FN: تعدادرکوردهایی است که دسته واقعی آنها مثبت بوده و الگوریتم دسته آنها را به اشتباه منفی تشخیص داده است.
TP: تعدادرکوردهایی است که دسته واقعی آنها مثبت بوده و الگوریتم نیز دسته آنها را به درستی مثبت تشخیص داده است.
جدول 3-9: ماتریس در هم ریختگی
رکوردهای تخمینی(Predicted Records)
دسته+ دسته- FP TN دسته-
TP FN دسته+
1903095210185رکوردهای واقعی(Actual Records)
00رکوردهای واقعی(Actual Records)

مهمترین معیار برای تعیین کارایی یک الگوریتم دسته بندی معیاردقت دسته بندی است. این معیارنشان می دهد که چند درصد ازکل مجموعه رکوردهای آموزشی بدرستی دسته بندی شده است.
دقت دسته بندی بر اساس رابطه زیر محاسبه می شود:
CA=TN+TPTN+FN+TP+FP3-7-معیار AUCاین معیار برای تعیین میزان کارایی یک دسته بند بسیار موثر است. این معیار نشان دهنده سطح زیر نمودار ROC است. هرچقدرعدد AUC مربوط به یک دسته بند بزرگتر باشد، کارایی نهایی دسته بند مطلوب تر است. در ROC نرخ تشخیص صحیح دسته مثبت روی محور Y و نرخ تشخیص غلط دسته منفی روی محورX رسم میشود. اگر هر محور بازه ای بین 0و1 باشد بهترین نقطه در این معیار (0, 1) بوده و نقطه (0, 0) نقطه ای است که دسته بند مثبت و هشدار غلط هیچگاه تولید نمی شود.
3-8-روشهای ارزیابی الگوریتم های دسته بندیدر روشهای یادگیری با ناظر، دو مجموعه داده مهم به اسم داده های آموزشی و داده های آزمایشی وجود دارند. چون هدف نهایی داده کاوی روی این مجموعه داده ها یافتن نظام حاکم بر آنهاست بنابراین کارایی مدل دسته بندی بسیار مهم است. از طرف دیگر این که چه بخشی از مجموعه داده اولیه برای آموزش و چه بخشی به عنوان آزمایش استفاده شود بستگی به روش ارزیابی مورد استفاده دارد که در ادامه انواع روشهای مشهور را بررسی خواهیم کرد]صنیعی آباده 1391[.
روش Holdoutدر این روش چگونگی نسبت تقسیم مجموعه داده ها بستگی به تشخیص تحلیلگر داشته اما روش های متداول ازنسبت 50-50 و یا دو سوم برای آموزش و یک سوم برای آزمایش و ارزیابی استفاده میکنند.
مهم ترین حسن این روش سادگی و سرعت بالای عملیات ارزیابی می باشد اما معایب این روش بسیارند. اولین ایراد این روش آن است که بخشی از مجموعه داده اولیه که به عنوان داده آزمایشی است، شانسی برای حضور در مرحله آموزش ندارد. بدیهی است مدلی که نسبت به کل داده اولیه ساخته می شود، پوشش کلی تری را بر روی داده مورد بررسی خواهد داشت. بنابراین اگر به رکوردهای یک دسته در مرحله آموزش توجه بیشتری شود به همان نسبت در مرحله آزمایش تعدادرکوردهای آن دسته کمتر استفاده می شوند.
دومین مشکل وابسته بودن مدل ساخته شده به، نسبت تقسیم مجموعه داده ها است. هرچقدر داده آموزشی بزرگتر باشد، بدلیل کوچکتر شدن مجموعه داده آزمایشی دقت نهایی برای مدل یادگرفته شده غیرقابل اعتماد تر خواهد بود. و برعکس با جابجایی اندازه دو مجموعه داده چون داده آموزشی کوچک انتخاب شده است، واریانس مدل نهایی بالاتربوده و نمی توان دانش کشف شده را به عنوان تنها نظم ممکن درمجموعه داده اولیه تلقی کنیم.
روش Random Subsamplingاگر روش Holdout را چند مرتبه اجرا نموده و از نتایج بدست آمده میانگین گیری کنیم روش قابل اعتماد تری را بدست آورده ایم که Random Subsampling نامیده می شود.
ایراد این روش عدم کنترل بر روی تعداد استفاده از یک رکورد در آموزش یا ارزیابی می باشد.
3-8-3-روش Cross-Validationاگر در روش Random Subsampling هرکدام از رکوردها را به تعداد مساوی برای یادگیری و تنها یکبار برای ارزیابی استفاده کنیم روشی هوشمندانه تر اتخاذ کرده ایم. این روش در متون علمی Cross-Validation نامیده می شود. برای مثال مجموعه داده را به دوقسمت آموزش و آزمایش تقسیم میکنیم و مدل را بر اساس آن می سازیم. حال جای دوقسمت را عوض کرده و از مجموعه داده آموزش برای آزمایش و از مجموعه داده آزمایش برای آموزش استفاده کرده و مدل را می سازیم. حال میانگین دقت محاسبه شده به عنوان میانگین نهایی معرفی می شود. روش فوق 2-Fold Cross Validation نام دارد. اگر بجای 2 قسمت مجموعه داده به K قسمت تقسیم شود، و هر بار با K-1 قسمت مدل ساخته شود و یک قسمت به عنوان ارزیابی استفاده شود درصورتی که این کار K مرتبه تکرار شود بطوری که از هر قسمت تنها یکبار برای ارزیابی استفاده کنیم، روش K-Fold Cross Validation را اتخاذ کرده ایم. حداکثر مقدار k برابر تعداد رکوردهای مجموعه داده اولیه است.
3-8-4-روش Bootstrapدر روشهای ارزیابی که تاکنون اشاره شدند فرض برآن است که عملیات انتخاب نمونه آموزشی بدون جایگذاری صورت می گیرد. درواقع یک رکورد تنها یکبار در یک فرآیند آموزشی شرکت داده می شود. اگر یک رکورد بیش از یک مرتبه در عملیات یادگیری مدل شرکت داده شود روش Bootstrap را اتخاذ کرده ایم. در این روش رکوردهای آموزشی برای انجام فرآیند یادگیری مدل ازمجموعه داده اولیه به صورت نمونه برداری با جایگذاری انتخاب خواهند شد و رکوردهای انتخاب نشده جهت ارزیابی استفاده می شود.
3-9-الگوریتمهای دسته بندیدر این بخش به اجرای الگوریتم های دسته بندی پرداخته و نتایج حاصل را مشاهده خواهیم کرد.
درالگوریتمهای اجرا شده از هر سه روش Holdout, k fold Validation, Bootstrap استفاده شده است و نتایج با هم مقایسه شده اند. در روشHoldout که در نرم افزار با نام Split Validation آمده است از نسبت استاندارد آن یعنی 70 درصد مجموعه داده اولیه برای آموزش و 30 درصد برای آزمایش استفاده شده است. برای k fold Validation مقدار k برابر 10 درنظر گرفته شده است که مقدار استانداردی است. در Bootstrap نیز مقدار تقسیم بندی مجموعه داده برابر 10 قسمت درنظر گرفته شده است. مقدار local random seed نیز برابر عدد 1234567890 می باشد که برای همه مدلها، نرم افزار از آن استفاده می کند مگر اینگه در مدل خاصی عدم استفاده از آن ویا تغییر مقدارموجب بهبود عملکرد الگوریتم شده باشد که قید میگردد. اشکال 3-6و3-7 چگونگی استفاده از یک مدل ارزیابی را در Rapidminer نشان می دهد.

شکل 3-6: نمای کلی استفاده از روشهای ارزیابی

شکل 3-7: نمای کلی استفاده از یک مدل درون یک روش ارزیابی
الگوریتم KNNدر انتخاب مقدار k اعداد بین 1 تا 20 و همچنین اعداد 25 تا 100 با فاصله 5 آزمایش شدند. بهترین مقدار عدد 11 بوده است.
پس از اجرای الگوریتم، بهترین نتیجه مربوط به ارزیابی Split Validation با دقت91.23%بوده است. نمودار AUC آن در شکل 3-8 ترسیم شده است.
25768302223135آستانه قابل قبول
020000آستانه قابل قبول
716280-63500دسته مثبت
020000دسته مثبت

شکل 3-8: نمودار AUC الگوریتم KNN
الگوریتم Naïve Bayesاین الگوریتم پارامترخاصی برای تنظیم ندارد.
بهترین نتیجه مربوط به ارزیابی Split Validation با دقت 96.09% بوده است. نمودار AUC آن در شکل 3-9 ترسیم شده است.
22872701749425آستانه قابل قبول
020000آستانه قابل قبول
7689856985دسته مثبت
020000دسته مثبت

شکل 3-9: نمودار AUC الگوریتم Naïve Bayes
الگوریتم Neural Networkتکنیک شبکه عصبی استفاده، مدل پرسپترون چندلایه با 4 نرون در یک لایه نهان بوده است.
تنظیمات الگوریتم شبکه عصبی به شرح زیر بوده است:
Training cycles=500
Learning rate=0.3
Momentum=0.2
Local random seed=1992
چون این الگوریتم فقط از ویژگیهای عددی پشتیبانی می کند، از عملگرهای مختلفی برای تبدیل مقادیر غیرعددی به عدد استفاده شده است. به همین دلیل تنها از روش Split validation با نسبت 70-30برای ارزیابی استفاده شده است که تقسیم ورودی ها نیز توسط کاربر انجام گرفت.
شکل3-10 عملیات انجام شده را نشان می دهد.

شکل 3-10: تبدیل ویژگی های غیر عددی به عدد در الگوریتم شبکه عصبی
نتیجه اجرای الگوریتم Neural Network دقت 91.25%بوده ماتریس آشفتگی آن و نمودار AUC در شکل 3-11 رسم شده است.

29222702265680آستانه قابل قبول
020000آستانه قابل قبول
725170-55245دسته مثبت
020000دسته مثبت

شکل 3-11: نمودار AUC و ماتریس آشفتگی الگوریتم Neural Net
الگوریتم SVM خطیدر این الگوریتم نیز بدلیل عدم پشتیبانی از نوع داده اسمی از عملگرهای مختلفی برای تبدیل مقادیر غیرعددی به عدد استفاده شده است. به همین دلیل تنها از روش Split validation با نسبت 70-30 برای ارزیابی استفاده شده است که تقسیم ورودی ها نیز توسط کاربر انجام شد.
شکل3-12 عملیات انجام شده را نشان می دهد.

شکل 3-12: تبدیل ویژگی های غیر عددی به عدد در الگوریتم SVM خطی
پارامترهای الگوریتم عبارتند از :
Kernel cache=200
Max iteretions=100000
نتیجه حاصل از اجرای الگوریتم SVM خطی دقت 98.54% است. ماتریس آشفتگی آن و نمودار AUC در شکل 3-13 رسم شده است.

25711152215515آستانه قابل قبول
020000آستانه قابل قبول
1045845-111760دسته مثبت
020000دسته مثبت

شکل 3-13 : نمودار AUC الگوریتم SVM Linear
3-9-5-الگوریتم رگرسیون لجستیک
در این الگوریتم از روش Split validation با نسبت 70-30برای ارزیابی استفاده شده است که تقسیم ورودی ها نیز توسط کاربر انجام شد.
نتیجه حاصل از اجرای الگوریتم رگرسیون لجستیک دقت 98.54% است. ماتریس آشفتگی آن و نمودار AUC در شکل 3-14 رسم شده است.

25482552319020آستانه قابل قبول
020000آستانه قابل قبول
974725-249555دسته مثبت
020000دسته مثبت

شکل 3-14 : نمودار AUC الگوریتم رگرسیون لجستیک
3-9-6- الگوریتم Meta Decision Treeدر این الگوریتم که یک درخت تصمیم است، از روش Split validationبا نسبت 70-30 برای ارزیابی استفاده شده است که دقت 96.64% اقدام به پیش بینی خسارت احتمالی نموده است. ماتریس آشفتگی آن و نمودار AUC در شکل 3-15 رسم شده است.

26714452353945آستانه قابل قبول
020000آستانه قابل قبول
835660-73660دسته مثبت
020000دسته مثبت

شکل 3-15 : نمودار AUC الگوریتم Meta Decision Tree
با توجه به اندازه بزرگ درخت خروجی فقط قسمتی از آن در شکل 3-16 بصورت درخت نمایش داده می شود. در شکل 3-17 درخت بصورت کامل آمده است اما نتایج آن در فصل چهارم مورد تفسیر قرار خواهند گرفت.

شکل 3-16 : قسمتی از نمودارtree الگوریتم Meta Decision Tree

شکل 3-17 : نمودار --ial الگوریتم Meta Decision Tree
3-9-7-الگوریتم درخت Wj48چون RapidMiner توانایی استفاده ازالگوریتمهای نرم افزار WEKA را نیز دارد، در بسیاری از الگوریتم ها قدرت مند تر عمل میکند. Wj48 نسخه WEKA از الگوریتمj48 است.
پارامترهای این الگوریتم عبارتند از:
C=0.25
M=2
در این الگوریتم از روش ارزیابی 10 Fold Validation استفاده شده است و دقت پیش بینی آن برابر 99.52% است. ماتریس آشفتگی آن و نمودار AUC در شکل 3-18 رسم شده است. نمای درخت در شکل 3-19 ترسیم شده است.

35471102441575آستانه قابل قبول
020000آستانه قابل قبول
908685160020دسته مثبت
020000دسته مثبت

شکل 3-18: نمودار AUC الگوریتم Wj48

شکل 3-19 : نمودار tree الگوریتم Wj48
3-9-8-الگوریتم درخت Random forest در این الگوریتم از هر سه روش ارزیابی بیان شده در قسمت 3-9 استفاده شده است، که بهترین کارایی مربوط به ارزیاب Split Validation با دقت96.72% است. ماتریس آشفتگی آن و نمودار AUC در شکل 3-20 رسم شده است.

—d1215

2-2-2. سیستم تولید جریانی با بیش از دو ماشیندر این دسته پژوهشهای زیادی انجام شده است که از آن جمله میتوان به پژوهش انجام شده توسط توکلی مقدم و همکارانش(2008) [50] اشاره کرد که مسئله زمانبندی تولید جریانی بدون انتظار با توابع هدف مینیممسازی متوسط زمان تکمیل وزنی و متوسط دیرکرد وزنی را به کمک الگوریتم سیستم ایمنی مصنوعی حل کرد. بابک جوادی و همکارانش(2008) [27] مسئله چند هدفه سیستم جریانی بدون انتظار فازی را به کمک برنامهریزی خطی حل کرد. که پن و همکارانش(2009) [41] همین مسئله را با توابع هدف مینیممسازی بیشینه زمان تکمیل و مینیممسازی بیشینه دیرکرد به کمک الگوریتم دیفرانسیل تکاملی حل کرد. یوتسنگ و تای لین(2010) [52] مسئله مورد بحث را توسط الگوریتم ژنتیک ترکیبی حل کردند. ونگ و همکارانش نیز(2010) [55] روشی بر پایه الگوریتم جستجوی ممنوع به نام جستجوی ممنوع شتاب داده شده برای حل مسئله زمانبندی تولید جریانی بدون انتظار با تابع هدف مینیممسازی بیشینه دیرکرد ارائه کردند که در آن از سه روش ابتکاری جهت تولید جواب کاندیدا استفاده شده بود. در ادامه پژوهشهای انجام شده چینگ یینگ و همکارانش(2012) [58] مسئله تولید جریانی بدون انتظار را در شرایط تولید سلولی و با محدودیت زمان نصب وابسته به گروهبندی کارها مورد مطالعه قرار دادند. ناگانو و همکارانش(2013) [47] این مسئله را با در نظر گرفتن زمانهای نصب جدا از زمان پردازش بررس کرده و روش حلی با رویکرد جستجوی خوشهبندی تکاملی برای این مسئله با تابع هدف زمان درجریان ساخت نهایی ارائه کردند. داوندرا و همکارانش(2013) [12] با بهرهگیری از الگوریتم تاکید خود سازمانی گسسته جوابهای نسبتا خوبی برای مسئله تولید جریانی بدون انتظار با هدف مینیممسازی ماکزیمم زمان تکمیل بدست آوردند.
2-2-3. سیستم تولید جریانی منعطف تحقیقات انجام شده در این دسته خود به دو بخش سیستمهای تولید جریانی منعطف با دو ایستگاه کاری یا بیش از دو ایستگاه کاری تقسیمبندی میشوند. اما در کل پژوهشهای انجام شده در این دسته از نظر فراوانی بسیار کمتر از دو دسته قبل است. برای مثال، ونگ و لیو(2013) [56] مسئله تولید جریانی بدون انتظار را در محیطی مشتمل بر دو ایستگاه کاری مورد بررسی قرار دادند و روش حلی بر پایه الگوریتم ژنتیک برای این مسئله ارائه کردند. جولایی و همکارانش(2013) [28] این مسئله را با دو تابع هدف مینیممسازی بیشینه زمان تکمیل و مینیممسازی بیشینه دیرکرد بررسی کرده و به کمک رویکرد دو هدفه الگوریتم تبرید شبیهسازی شده به حل آن پرداختند. همچنین همین نویسنده به کمک همکارانش (2009) [29] به بررسی این مسئله در شرایط وجود بیش از دو ایستگاه کاری و وجود احتمال رد سفارشات پرداخته و با رویکرد پنجرههای زمانی مدل ریاضی این مسئله را ارائه کرده است همچنین با استفاده از الگوریتم ژنتیک روش حلی نیز برای آن ارائه داده است.
مقالات مورد بررسی در این بخش در جدول(2-4) آورده شدهاند.

دانلود پایان نامه ارشد- مقاله تحقیق

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : homatez.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

جدول SEQ جدول * ARABIC 4 جدول 2-4. مسائل تولید جریانی با محدودیت پردازش بدون انتظارنویسنده مسئله رویکرد سال شماره ارجاع
آلدوویزان F2|nwt,sij|Cj- 1998 8
آلدوویزان F2|nwt,sij|Cjشاخه و کران 2001 9
شیو و همکاران F2|nwt,sij|Ciبا رویکرد تبدیل مسئله به فروشنده دورهگرد با الکوریتم کلونی مورچگان حل شد. 48
توکلی مقدم و همکاران FmnwtWiCiWi,WiTiWiرویکرد چند هدفه الگوریتم سیستم ایمنی مصنوعی 2008 50
جوادی و همکاران FmnwtWiCiWi,WiEiWiرویکرد چند هدفه فازی به کمک برنامهریزی خطی 2008 27
که پن و همکاران FmnwtCmax,Lmaxالگوریتم دیفرانسیل تکاملی 2009 41
تسنگ و تای لین FmnwtCmaxالگوریتم ترکیبی ژنتیک 2010 52
ونگ و همکاران FmnwtLmaxالگوریتم جستجوی ممنوع شتابدهی شده 2010 56
چینگ یینگ و همکاران Fmnwt,cellCmaxسه الگوریتم بر پایههای الگوریتمهای ژنتیک، تبرید شبیهسازی شده و تکرار حریصانه 2012 58
ناگانو و همکاران FmnwtCiرویکرد جدید جستجوی خوشهبندی تکاملی 2012 47
داوندرا و همکاران FmnwtCmaxالگوریتم تاکید خود سازمانی گسسته 2013 12
2-3. زمان نصب وابسته به توالی کارهابه زمان صرف شده جهت آمادهسازی ماشین برای انتقال کار روی آن زمان نصب میگویند. زمان نصب عموما صرف نصب ابزارهای لازم روی ماشین، تمیزکاری و … میشود. با نگاهی کلی به تاریخ پژوهشهای انجام شده در حوزه زمانبندی میتوان دریافت که تا دههها زمان نصب در ادبیات زمانبندی به کلی نادیده گرفته میشده است و عموما جزیی از زمان پرداش کار در نظر گرفته میشده است. این رویه شاید در برخی صنایع قابل توجیه باشد اما لزوم در نظر گرفتن زمان نصب بطور جداگانه در بسیاری از موارد غیر قابل انکار است.
به طور کلی مسائل زمانبندی از حیث در نظر گرفتن زمان نصب به دو دسته کلی تقسیم میشوند: در دسته اول که زمان نصب مستقل از توالی نامیده میشود و در آن زمان نصب یک کار بر روی ماشین تنها به خود آن کار بستگی دارد و به کار قبل از آن و یا اصطلاحا به توالی وابسته نیست. دسته دوم که آن را زمان نصب وابسته به توالی کارها مینامند به حالتی اطلاق میشود که زمان نصب یک کار روی ماشین به کار قبلی که روی آن ماشین نصب شده است نیز بستگی دارد. در این دسته حالت خاص دیگری نیز وجود دارد که آن را زمان نصب وابسته به گروههای کاری مینامند که به معنای این است که زمان نصب کارهای درون یک گروه کاری با گروه کاری دیگر متفاوت است و اگر دو کار از دو گروه متفاوت بلافاصله روی ماشین قرار بگیرند زمان نصب بزرگتری نسبت به حالتی دارد که کارهای یک گروه پشت سر هم قرار بگیرند.
اهمیت مدنظر قرار دادن زمان نصب به عنوان عاملی تاثیرگذار در بهرهوری سیستم تولیدی در تحقیقات متعددی مورد بحث قرار گرفته است. فلین [19] تاثیر زمانهای نصب وابسته به توالی را مورد تحقیق قرار داده است و ورتمن [57] فاکتورهایی که بیشترین تاثیر را در عملکرد سیستم دارند مورد بررسی قرار داد که در آن زمان نصب یکی از موثرترین راهها برای بهبود خدمات به مشتریان و کاهش هزینههای انبارداری معرفی شده است.
اگرچه محدودیت زمان نصب وابسته به توالی در اغلب چیدمانهای مسائل زمانبندی مورد مطالعه قرار گرفته است اما از آنجا که مسئله مورد بحث در حوزه تولید جریانی است در ادامه تنها به ارائه مهمترین مطالعات انجام شده در مسائل زمانبندی با محدودیت زمان نصب وابسته به توالی کارها در محیطهای مختلف سیستم تولید جریانی و به خصوص در سیستمهای تولید جریانی بدون انتظار اکتفا میشود.
2-3-1. سیستمهای تولید جریانیسیستم تولید جریانی مشتمل بر تعدادی ماشین است که به طور متوالی قرار گرفتهاند و کارها عموما با ترتیب یکسانی روی ماشینها پردازش میگردند. در نظر گرفتن محدودیت زمان نصب وابسته به توالی کارها میتواند معیارهای بهینهسازی را در چنین سیستمهایی تحت تاثیر قرار دهد. وانچیپورا و سریدهاران [54] برای مسئله Fm|sijk|Cmax دو الگوریتم جهت تخصیص زمانهای نصب تعریف کرده و سپس مسئله را با روشی ابتکاری بر پایه ساختن توالی حل کردهاند. میرابی [36] نیز همین مسئله را به کمک رویهای ترکیبی از الگوریتم ژنتیک حل کرده است.
سیستمهای تولید جریانی منعطف نیز ساختاری مشابه سیستم تولید جریانی ساده دارند، با این تفاوت که حداقل در یکی از ایستگاههای کاری بیش از یک ماشین وجود دارند. لذا مسئله مورد بحث تعمیمی از حالت مسئله ماشینهای موازی است. میرصانعی و همکارانش [37] این مسئله را با هدف بیشینه زمان تکمیل کارها مطالعه نموده و رویه حلی با رویکرد الگوریتم تبرید شبیهسازی شده برای آن ارائه نمودند. حکیمزاده و زندیه [25] مسئله فوق را با در نظر گرفتن دو تابع هدف و نیز وجود بافرهای محدود بین ایستگاههای کاری حل کردند.
2-3-2. سیستمهای تولید جریانی بدون انتظارسیستمهای تولید جریانی بدون انتظار از نظر نحوه چیدمان ماشینآلات تفاوتی با سیستمهای تولید جریانی بدون انتظار ندارند، تنها تفاوت در نحوه پردازش بدون انتظار کارها روی ماشینآلات است. در چنین شرایطی زمان نصب وابسته به توالی کارها میزان تاخیر احتمالی در شروع کار روی ماشین اول را که برای تامین شرایط پردازش بدون انتظار لازم است تحت تاثیر قرار میدهد.
عرب عامری و سلماسی(2013) [10] نیز روش حلی با رویکرد الگوریتم ترکیبی بهینهسازی تجمعی ذرات و جستجوی ممنوع برای مسئله Fm|nwt,sijk|wj'Ej+wj"Tj پیشنهاد دادند. گاوو و همکارانش [21] مسئله تولید جریانی بدون انتظار را با محدودیت زمان نصب وابسته به توالی و تابع هدف زمان در جریان کل بررسی نموده و چهار رویه ابتکاری برای حل آن پیشنهاد دادهاند. رمضانی و همکاران [43] مسئله سیستم تولید جریانی منعطف بدون انتظار را در حالتی که ماشینهای درون هر ایستگاه عملکرد مشابه و نسبتهای سرعت مشخص دارند مدنظر قرار داده و به کمک رویکرد ترکیبی فراابتکاری به حل آن پرداخته است.
پژوهشهای مرور شده در این بخش در جدول(2-5) خلاصه شدهاند.
جدول SEQ جدول * ARABIC 5 جدول 2-5. مسائل سیستم تولید جریانی با محدودیت زمان نصب وابسته به توالی کارهانویسنده مسئله رویکرد سال شماره ارجاع
وانچیپوراو سریدهاران Fm|sijk|Cmaxروش ابتکاری بر پایه ساختن جواب 2013 54
میرابی Fm|sijk|Cmaxرویه ترکیبی براساس الگوریتم ژنتیک 2014 36
میرصانعی و همکاران Fm|sijk|Cmaxالگوریتم شبیهسازی تبرید 2011 37
حکیم زاده و زندیه Fmsijk,bCmax,Tjچند رویه فراابتکاری 2012 25
عرب عامری و سلماسی Fm|nwt,sijk|wj'Ej+wj"Tjالگوریتم ترکیبی از بهینهسازس تجمعی ذرات و جستجوی ممنوع 2013 10
گاوو و همکاران Fm|nwt,sijk|Cjچهار رویه ابتکاری 2013 21
رمضانی و همکاران FFm|nwt,sijk|Cmaxسه روش فراابتکاری بر پایه الگوریتمهای ژنتیک، تبرید شبیهسازی شده و تکرار حریصانه 2013 43
2-4. محدودیت کاری ماشینآلاتمحدودیت کاری ماشینآلات به این معنی است که هر ماشین پس از انجام حجم مشخصی از کار از دسترس خارج میشود که این مسئله میتواند دلایل متعددی همچون انجام تعمیرات اساسی و … داشته باشد. برای مثال یک ماشین پرس عموما بعد از انجام تعداد مشخصی پرس جهت تنظیم، تعویض روغن و تعمیرات برای مدتی از دسترس خارج میگردد. پیادهسازی این محدودیت در مسائل بهینهسازی معمولا به دو صورت انجام میشود: در دسته اول مسائل، ماشینها پس از گذراندن تعداد یا حجم مشخصی از کار از دسترس خارج میگردند و در دسته دوم، ماشینها پس از سپری کردن زمان مشخصی از لحظه شروع به کار از دسترس خارج میشوند. به کار بردن هر کدام از این دو رویکرد به ویژگیهای ماشینآلات و محصول تولیدی بستگی دارد. محمدی و فاطمی قمی [38] مسئله محدودیت ساعات کاری ماشینآلات را با در نظر گرفتن زمان نصب وابسته به توالی کارها در محیط تولید جریانی مورد مطالعه قرار دادند و آن را با رویکردی ابتکاری بر پایه الگوریتم ژنتیک حل نمودند. همین نویسنده به کمک همکارانش [39] دو روش الگوریتمی جدید را نیز برای مسئله تولید جریانی همراه با محدودیت حجم کاری، زمان نصب وابسته به توالی و تولید بر مبنای تقاضا ارائه کردند. جورجیادیس و پولیتو [22] نیز همین محدودیت را در حالتی که تعداد کار پردازش شده در روز محدود باشد در سیستمهای تولید جریانی بررسی کردند. بابایی و همکاران [11] نیز مسئله بهینهسازی همزمان تولید محصولات بر پایه تقاضا و زمانبندی را در محیط تولیدی جریانی مطالعه نموده و برای آن به کمک الگوریتم ژنتیک جوابهای با کیفیتی بدست آوردند.
مقالات مروری در این بخش در جدول(2-6) خلاصه شدهاند.
جدول SEQ جدول * ARABIC 6 جدول 2-6. مسائل سیستم تولید جریانی با محدودیت حجم کاری ماشینآلاتنویسنده مسئله رویکرد سال شماره ارجاع
محمدی و فاطمی قمی Fm|sijk|MINcostالگوریتم ژنتیک 2011 38
محمدی و همکاران Fm|sijk|MINcostدو الگوریتم ترکیبی جدید 2011 39
جورجیادیس و پولیتو Fm||MINcostرویه فراابتکاری جدید 2013 22
بابایی و همکاران Fm||MINcostالگوریتم ژنتیک 2013 11
2-5. استراتژیهای مدیریت تولیدمدیریت تولید به معنای تعیین میزان تولید محصولات با استفاده از پیشبینیهای انجام شده از نیاز بازار، تعیین زمان مناسب تحویل و … است. همانطور که از تعریف برمیآید مدیریت تولید به دلیل مشخص نمودن تعداد کارها و موعد تحویل ارتباط تنگاتنگی با زمانبندی تولید محصولات دارد. یکی از مهمترین مسائل در مدیریت تولید این مسئله است که محصول با رویکرد تولید برای سفارش تولید شوند یا با استراتژی تولید برای ذخیره [24]. در استراتژی تولید برای سفارش، محصولات یک سفارش تنها از زمانی که سفارش به سیستم تولیدی ابلاغ میشود توانایی تولید شدن دارند. استراتژی تولید برای ذخیره نیز تعداد محصولات را با توجه به نیاز بازار و سهم محیط تولیدی از بازار پیشبینی مینماید. از اصلیترین اشکالات استراتژی تولید برای ذخیره هزینه نگهداری محصولات است. استراتژی تولید برای سفارش هم به دلیل متغیر بودن تعداد و حجم سفارشات و لزوم تحویل به موقع جهت کسب رضایت مشتری زمانبندی را مشکلتر خواهند کرد. از این رو در سالهای اخیر توجه به استراتژیهای ترکیبی مدیریت تولید رو به افزایش بوده است. یوسف و همکاران [24] تاثیر زمانبندی بر استراتژیهای ترکیبی تولید برای ذخیره و تولید برای سفارش را در زمانبندی تک ماشین در پروژه - ریسرچمفصلی مورد بحث قرار داده است. در این پروژه - ریسرچاو محصولات را به دو گروه تقسیم کرده است: تعداد زیادی از محصولات که تقاضای کمی دارند و تعداد کمی از محصولات که تقاضا برای آنها زیاد است. در نهایت محصولات با تقاضای زیاد را با استراتژی تولید برای ذخیره و محصولات با تقاضای کم را با رویه تولید برای سفارش به خط تولید میفرستد. همین رویکرد توسط آدان و وال [7] نیز مورد مطالعه قرار گرفته است. عیوضی و همکاران [16] نیز مدل توسعه یافتهای بر مبنای زمانبندی و کنترل تولید نیمههادیها ارائه کردند که در آن دو رویکرد برای اولویت دادن به کارهای تولید برای سفارش و تولید برای ذخیره وجود دارد. زائر پور و همکاران [59] نیز ساختار تصمیمگیری برای ترکیب استراتژیهای تولید را مورد بررسی قرار داده و با رویهای ترکیبی از رویکردهای ایاچپی و تاپسیس به اتخاذ تصمیم پرداخته است.
مقالات مروری در این بخش در جدول(2-7) خلاصه شدهاند.
جدول SEQ جدول * ARABIC 7 جدول 2-7. مسائل با محدودیت استراتژیهای ترکیبی مدیریت تولیدنویسنده مسئله رویکرد سال شماره ارجاع
یوسف و همکاران 1||Cmax- 2004 24
آدان و وان -- 1998 7
عیوضی و همکاران -- 2009 16
زائرپور و همکاران -AHP,TOPSIS 2009 59
2-6. تابع هدفگسترش مفاهیم تولید به موقع اهمیت زمانهای زودکرد را برای دانشمندان علم زمانبندی بیش از پیش روشن کرده است. پس از بکارگیری موفق این مفاهیم در صنعت و تاثیر قابل توجه آن بر عملکرد تولید و کاهش موجودی انبار تعداد پژوهشهای زمانبندی که به این مسئله توجه نشان داده بودند افزایش چشمگیری یافت. در عمل محصولاتی که زودتر از موعد ساخته میشوند باید به انبار بروند و محصولاتی که دیرتر از موعد تحویل میگردند نیز نارضایتی مشتریان را در پی دارند. از آنجا که بسته به شرایط اهمیت این دو هزینه برای هر کدام از کارها میتواند متفاوت باشد، ضرایب وزنی هزینهها برای هرکار متفاوت تعریف میگردد.
در کنار رشد تحقیقات زمانبندی که درآنها مفهوم تولید به موقع مدنظر قرار گرفته است، پژوهشهایی نیز انجام شده است که با حفظ مفهوم تولید به موقع به سایر هزینههای موجود در سیستم نیز پرداختهاند. در این تحقیقات هزینههایی نظیر عدم پذیرش کارها، هزینههای انبارداری و … نیز در نظر گرفته میشوند.
در این نمونههایی از تحقیقات انجام شده در زمینه تولید جریانی بدون انتظار که در آنها رویکرد تولید به موقع به عنوان تابع هدف در نظر گرفته شده است مرور میشوند.
عرب عامری و سلماسی [10] مسئله زمانبندی تولید جریانی بدون انتظار را با محدودیت زمان نصب وابسته به توالی کارها و با محدودیت مجموع زمانهای زودکرد و دیرکرد وزنی به کمک الگوریتم ترکیبی بهینهسازی تجمعی ذرات و جستجوی ممنوع حل کردند. جولایی و همکاران [29] نیز با حفظ مفهوم تولید به موقع تابع هدفی شامل مجموع وزنی زودکردها و دیرکردها و ضرر ناشی از رد سفارشات جهت رسیدن به بیشینه سود حاصل از پردازش کارها برای مسئله تولید جریانی بدون انتظار تعریف کردند.
در جدول(2-8) پژوهشهای مرور شده در این بخش به اختصار آورده شدهاند.
جدول SEQ جدول * ARABIC 8 جدول 2-8. مسائل سیستم تولید جریانی با تابع هدفهای تولید به موقعنویسنده مسئله رویکرد سال شماره ارجاع
عرب عامری و سلماسی Fm|nwt,sijk|wj'Ej+wj"Tjالگوریتم ترکیبی از بهینهسازس تجمعی ذرات و جستجوی ممنوع 2013 10
جولایی و همکاران FFm|nwt|MAXbenefitالگوریتم ژنتیک 2009 29
2-7. جمعبندیدر این فصل، ابتدا به کمک رویکرد سه نمادی به طبقهبندی مسائل زمانبندی پرداخته شد. پس از آن ادبیات سیستم تولید جریانی منعطف بدون انتظار تشریح گردید. در ادامه فصل جهت مرور ادبیات موضوع مورد بررسی مقالات و پژوهشهای انجام شده به تفکیک محدودیتها و تابع هدف تحقیق مورد بررسی قرار گرفت. با توجه به مطالب عنوان شده در این فصل تحقیق پیش رو از جنبه تابع هدف، کاربرد رویکردهای مدیریت تولید در زمانبندی و بکارگیری مسئله محدودیت ساعات کاری در محیط سیستم تولیدی تولیدی منعطف بدون انتظار نوآوری دارد.
فصل سوممدل ریاضی پیشنهادی3-1. مقدمهرویکردهایی همچون برنامهریزی خطی و غیرخطی، برنامهریزی عدد صحیح و … به عنوان رویکردهای دقیق برای بدست آوردن جواب از توانایی محدودی برخوردارند. با پیچیده شدن مسائل دنیای واقعی این واقعیت بیش از پیش برای دانشمندان روشن گردید که برای حل مسائل جدید به ابزارهایی کارآمدتر نیازمندند. از این رو امروزه تمرکز مطالعاتی از بدست آوردن جواب دقیق توسط این روشها به بدست آوردن جوابهای نزدیک به بهینه به کمک روشهای ابتکاری و فراابتکاری معطوف گردیده است. اگر چه روشهای دقیق امروزه بسیار کمتر مورد استفاده قرار میگیرند اما همچنان به عنوان ابزاری برای اعتبارسنجی روشها و مدلها بسیار سودمندند.
در این فصل، مسئله زمانبندی تولید جریانی منعطف با محدودیت ساعات کاری ماشینآلات و زمانهای نصب وابسته به توالی کارها و نیز با درنظر گرفتن رویکرد مدیریت تولید ترکیبی تولید برای سفارش و تولید برای ذخیره مورد بررسی قرار میگیرد. در ادامه مدل ریاضی ارائه شده برای این مسئله به طور کامل تشریح شده و اعتبارسنجی میگردد.
3-2. تعریف مسئلهمسئله زمانبندی تولید جریانی منعطف با محدودیت ساعات کاری ماشینآلات و زمانهای نصب وابسته به توالی کارها و نیز با درنظر گرفتن رویکرد مدیریت تولید ترکیبی تولید برای سفارش و تولید برای ذخیره به صورت زیر ارائه میگردد:
یک محیط صنعتی با قابلیت تولید N محصول متفاوت و مستقل در نظر گرفته میشود. چیدمان ماشینآلات در این محیط تولیدی به صورت سیستم جریانی منعطف است، به این معنی که حداقل در یکی از ایستگاههای کاری بیش از یک ماشین وجود دارد. ماشینهای موجود در هر ایستگاه کاری کاملا مشابه هستند و هر کدام مقدار زمان مشخصی میتوانند در حال کار باشند و پس از آن از دسترس خارج میشوند. هر سیستم تولیدی با توجه به پیشبینیهای انجام شده براساس فروش قبلی خود سهم مشخصی از بازار را برای خود متصور است. از طرفی سیستم تولیدی ممکن است سفارشاتی را نیز دریافت کند(برای مثال سفارشات صادراتی یا تولید محصول برای یک ارگان مشخص). این سفارشات در زمان خاصی به سیستم تولیدی ارائه شده و موعد تحویل مشخصی دارند. معیار بهینهسازی این مسئله به حداقل رساندن هزینههای ناشی از رد کردن سفارشات، تحویل ناقص سفارشات(به دلیل محدودیت ظرفیت تولید) و هزینههای ناشی از زودکرد و دیرکرد تحویل سفارشات است. برای هر کدام از هزینههای ذکر شده براساس اهمیتی که برای مدیریت دارد ضرایب وزنی مشخصی در نظر گرفته میشود. برای درک بهتر مسئله نمای کلی محیط تولیدی -241304619625شکل SEQ شکل * ARABIC 1 شکل 3-1. نمای کلی مسئله مورد بررسی0شکل SEQ شکل * ARABIC 1 شکل 3-1. نمای کلی مسئله مورد بررسی-2578723158170در شکل(3-1) نشان داده شده است.
3-2-1. مفروضات مسئلهمفروضات زیر بر مسئله مورد بررسی حاکم است:
هر ماشین در هر لحظه تنها توانایی پردازش یک کار را دارد و هر کار در هر ایستگاه تنها باید بر روی یک ماشین پردازش شود.
هر سفارش شامل تعداد مشخصی از هر کدام از محصولات قابل تولید است.
کارهایی که برای ذخیره در انبار و براورده کردن سهم بازار تولید میشوند از لحظه صفر در دسترس خواهند بود و تا پایان افق برنامهریزی برای تکمیل تولید فرصت دارند.
زمانهای پردازش، ضرایب انواع هزینهها، تعداد ماشینهای هر ایستگاه و ظرفیت تولید(مقدار ساعتی که هر ایستگاه در دسترس است) مشخص است.
بیکاری ماشینها مجاز است.
3-3. مدل پیشنهادیدر این بخش، مدل ریاضی عدد صحیح غیرخطی پیشنهادی برای مسئله مورد بحث ارائه میگردد. پیش از ارائه کامل مدل، پارامترهای ورودی، متغیرهای تصمیمگیری، تابع هدف و محدودیتها به طور مجزا تشریح میگردند.
3-3-1. پارامترهای ورودی مسئله:s تعداد ایستگاههای کاری s=1, …,S:k تعداد ماشینهای موجود در هر ایستگاه کاریs. s=1, …,S ، k=1, …,ms:i تعداد سفارشات (برای سهولت در مدلسازی، i=1 مجموع کارهای با رویکرد تولید برای سفارش را نمایندگی میکند) i=1, …, N:j تعداد کارهای (محصولات) قابل تولید در محیط تولیدی j=1, …, J:t شماره هر کار در هر سفارش (sumi مجموع تعداد کارهای هر سفارش)t=1, …, sumi, i=1, …, N
:q محل قرارگیری هر کار در توالی کلی کارها (Z مجموع تعداد کارهای سفارشات پذیرفته شده به علاوه کارهای رویکرد تولید برای ذخیره)q=1, …, Z:Ri زمان در دسترس قرار گرفتن سفارش i (کارهای تولید برای ذخیره از لحظه صفر در دسترس هستند) i=2, …, N:Di موعد تحویل سفارش i به مشتری (کارهای تولید برای ذخیره تا پایان افق برنامهریزی برای تحویل فرصت دارند) i=2, …, N:Wti وزن دیرکرد در تحویل سفارش i به ازای هر واحد زمانی i=2, …, N
:Wei وزن زودکرد در تحویل سفارش i به ازای هر واحد زمانی i=2, …, N
:Wni وزن هزینه ناشی از رد سفارش (کارهای تولید برای ذخیره همیشه پذیرفته شده هستند و رد کردن برای آنها متصور نیست) i=2, …, N
:Wgi وزن هزینه ناشی از تحویل ناقص سفارش i به مشتری به ازای هر کار تحویل نشده (به دلیل محدودیت ساعات کاری ممکن است یک سفارش به طور کامل پردازش نشود، کارهای تولید برای ذخیره هم در صورت تحویل ناکامل توانایی براورده کردن نیاز بازار را ندارند) i=1, …, N
:cas محدودیت زمانی هر ماشین k در ایستگاه کاری s. s=1, …, S:pjs زمان پردازش کار نوع j در ایستگاه کاری s. j=1, …, J , s=1, …,S:hji تعداد کار نوع j در سفارش i. i=1, …, N, j=1, …, J:sjj'sk زمان نصب کار نوع j' هنگامی که این کار دقیقا پس از کار نوع j در ایستگاه کاری s روی ماشین k انجام شود. j,j'=1, …, J, s=1, …,S, k=1, …,ms3-3-2. متغیرهای تصمیمگیری مسئله:xtiq 1 اگر کار شماره t از سفارش i در محل q از توالی کارها قرار بگیرد و 0 در غیر اینصورت. t=1, …, sumi, i=1, …, N, q=1, …, Z:yqsk 1 اگر کار قرار گرفته در موقعیت q از توالی کارها روی ماشین k در ایستگاه s پردازش شود و 0 در غیر اینصورت. q=1, …, Z, , s=1, …,S, k=1, …,ms:vqj 1 اگر کار قرار گرفته در موقعیت q از توالی کارها از نوع j باشد و 0 در غیر اینصورت. q=1, …, Z, j=1, …, J:fi 1 اگر سفارش i پذیرفته شود و 0 در غیر اینصورت. i=1, …, N:stqs زمان شروع کار قرار گرفته در موقعیت q از توالی کارها در ایستگاه کاری s. q=1, …, Z, s=1, …,S:cqs زمان تکمیل کار قرار گرفته در موقعیت q از توالی کارها در ایستگاه کاری s. q=1, …, Z, s=1, …,S:deq زمان تاخیر لازم برای برقراری شرایط پردازش بدون توقف برای کار قرار گرفته در موقعیت q از توالی کارها. q=1, …, Z:avqs زمان در دسترس قرار گرفتن ایستگاه کاری s برای پردازش کار قرار گرفته در موقعیت q توالی کارها. q=1, …, Z, s=1, …,S:gq 1 اگر کار قرار گرفته در موقعیت q از توالی کارها انجام شود و 0 در غیر اینصورت (به دلیل محدودیت ساعات کاری ایستگاهها ممکن است کار انجام نشود). q=1, …, Z3-3-3. تابع هدفminZ=i=2Ntardii× fi×wti+i=2Nearlii ×fi×wei+i=1Nwni×1-fi+i=1Nsumi-nondi×fi×wgiاز آنجا که در صنایع امروزی اهمیت تحویل به موقع محصولات به مشتریان از اهمیت ویژهای برخوردار است، تابع هدف این مسئله با رویکرد تولید به موقع تعیین شده است. در اکثر پژوهشهایی که تاکنون انجام شده است هزینه دیرکرد برای کارهای پردازش شده محاسبه میشود، اما در این تحقیق از آنجا که بستههای سفارش داده شده باید تحویل مشتری شوند، هزینههای مربوطه نیز برای سفارشات محاسبه میشوند. برای یک بسته سفارشی مفروض چهار هزینه متصور است که به شرح زیر هستند.
هزینه دیرکرد: هزینه دیرکرد برای هر سفارش برابر است با بیشینه دیرکرد کارهای آن سفارش ضرب در میزان اهمیت(وزن) دیرکرد آن سفارش. لازم به ذکر است چنانچه سفارش مربوطه پذیرفته شده باشد (fi=1) هزینه دیرکرد برای آن متصور است و در غیر این صورت هزینه رد سفارش که در ادامه خواهد آمد باید محاسبه گردد. به دلیل اینکه موعد تحویل محصولات تولید برای ذخیره پایان افق برنامهریزی است، محاسبه هزینه دیرکرد برای آنها معنی پیدا نمیکند به همین دلیل این هزینه تنها برای سفارشات تولید برای سفارش محاسبه میشود(i=2). عبارت هزینه دیرکرد در تابع هدف به صورت زیر است:
(3-1) i=2Ntardii× fi×wtiهزینه زودکرد: این هزینه نیز مانند هزینه دیرکرد برای بستههای سفارشی پذیرفته شده(fi=1) محاسبه میشود. برای یک بسته سفارشی مفروض مقدار زودکرد برابر است با بیشینه زودکرد هر کدام از کارهای سفارش ضرب در اهمیت(وزن) زودکرد آن سفارش. از آنجا که موعد تحویل محصولات با استراتژی تولید برای ذخیره پایان افق برنامهریزی است برای آنها هزینه زودکرد متصور نیست(i=2). عبارتی که محاسبه هزینه زودکرد را در تابع هدف نمایندگی میکند به صورت زیر است:
(3-2) i=2Nearlii ×fi×weiهزینه رد سفارش: عدم پذیرش سفارش به دلیل از دست دادن سود ناشی از تولید آن برای سیستم تولیدی دارای هزینه است. هزینه رد سفارش برابر است با اهمیت(وزن) آن سفارش. در این بخش وزن سفارش میتواند میزان سود از دست رفته را نمایندگی کند. عبارت مربوط به این هزینه در تابع هدف مطابق رابطه(3-3) است.
(3-3) i=1Nwni×1-fiهزینه تحویل ناقص سفارش: چنانچه یک یا چند کار در سفارشات پذیرفته شده به دلیل محدودیت ساعات کاری ماشینآلات نتوانند پردازش خود را کامل کنند، بسته سفارشی ناقص پردازش میگردد. در چنین شرایطی یا سفارش باید ناقص تحویل شود و یا از موجودی انبار که کالاهای تولید برای ذخیره است برای کامل کردن سفارش استفاده شود که در هر دو حالت هزینههایی را در پی دارد. هزینه تحویل ناقص سفارش به صورت شمارش تعداد کارهای پردازش نشده در یک سفارش پذیرفته شده ضرب در میزان اهمیت(وزن) آن سفارش محاسبه میشود. تعداد کارهای پردازش نشده برای هر سفارش(sumi-nondi) با استفاده از تعداد کارهای پردازش شده هر سفارش که در محدودیتها محاسبه میشود محاسبه میگردد. بدیهی است این هزینه نیز تنها برای سفارشات پذیرفته شده متصور است. عبارت مربوط به هزینه تحویل ناقص در تابع هدف مطابق عبارت(3-4) است.
(3-4) i=1Nsumi-nondi×fi×wgi3-3-4. محدودیتهاj=1Jhji fi≤mscas , s=1,…,Sاین محدودیت تضمین میکند که مجموع زمان پردازش کارهایی که پذیرفته میشوند از مجموع زمان در دسترس در هر ایستگاه بیشتر نباشد.
f1≥1این محدودیت وجود کارهایی که تحت استراتژی تولید برای ذخیره تولید میشوند را در توالی کارهای نهایی تضمین میکند.
sumi=j=1Jhji, i=1,…, Nاین محدودیت مجموع محصولات سفارش داده شده در هر بسته سفارشی را محاسبه میکند.
Z=i=1Nsumi fi, i=1,…,N
این محدودیت تعداد کل کارهایی که در اثر پذیرفته شدن سفارشات باید پردازش شوند را محاسبه میکند.
t=1Zxtiq=1, q=1,…,Z and i=1,…,Nq=1Zxtiq=1, t=1,…,Z and i=1,…,N این مجموعه محدودیتها تخصیص هر کار به یک مکان در توالی و تخصیص هر مکان در توالی به یک کار را تضمین میکنند.
k=1msyqsk=1, q=1,…,Z and s=1, …,Sاین محدودیت تخصیص یک ماشین در هر ایستگاه کاری به هر کار موجود در توالی را تضمین میکند.
deq=maxi=1Nt=1sumiri xqit,avqs-avqs-1,…, avq2-avq1, q=1,…,Zمحاسبه میزان تاخیر در شروع پردازش هر کار در توالی در ایستگاه اول برای تامین شرایط پردازش بدون انتظار توسط این محدودیت انجام میشود. میزان تاخیر لازم برای پردازش بدون انتظار برابر با بیشینه فاصله زمانهای در دسترس برای آن کار در هر دو ایستگاه کاری متوالی است.
st11=deq+avq1stq1=deq+avq1+j=1Jj'=1Jq'=1q-1k=1ms(vqj' vq-1j yq1k yq-11k) sjj'1k, q=2,…,Zstqs=cqs-1+ j=1Jj'=1Jq'=1q-1k=1ms(vqj' vq-1j yqsk yq-1sk) sjj'sk, s=2,…, S and q=2,…,Zاین مجموعه از محدودیتها زمان شروع پردازش هر کار را در هر ایستگاه کاری را محاسبه میکند. اگر هر دو کار متوالی روی یک ماشین در هر ایستگاه از دو نوع متفاوت باشند زمان نصب به کار دوم تعلق میگیرد.
cqs=stqs+j=1Jvqj pjs, s=1,…,Sاین محدودیت زمان تکمیل پردازش هر کار در هر ایستگاه کاری را تعیین میکند.
avqs=min1≤k≤msmax1≤q≤q'-1cq's yq'sk, s=1,…,S and q=1,…,Zمحاسبه زمان در دسترس قرار گرفتن هر ایستگاه کاری برای هر کار توسط این محدودیت محاسبه میگردد. همانطور که از محدودیت مشخص است زمان در دسترس قرار گرفتن هر ایستگاه کاری برای هر کار برابر است با کمینه زمان در دسترس قرار گرفتن ماشینهای درون آن ایستگاه. زمان در دسترس قرار گرفتن هر ماشین نیز برابر است با بیشینه زمانهای تکمیل کل کارهایی که تاکنون روی آن ماشین پردازش شده است.
tardii=max0, max1≤q≤zt=1zxtiq cqs-di, i=2,…,N and s=Searlii=max0,di-max1≤q≤zt=1zxtiq cqs, i=2,…,N and s=Sاین دو محدودیت میزان دیرکرد و زودکرد را برای هر بسته سفارشی محاسبه میکند. دیرکرد یک سفارش برابر است با بیشینه مقدار دیرکرد هر کدام از کارهای آن سفارش و مقدار زودکرد هر سفارش برابر است با بیشینه زودکرد هر کدام از کارهای آن سفارش.
gq-k=1msyqsk=0 q=1, …, Z , s=Sاین محدودیت انجام شدن یا نشدن هر کار را تعیین میکند. اگر هیچ یک از ماشینهای ایستگاه کاری آخر به کار در موقعیت q در توالی کارها به تخصیص پیدا نکنند، به این معنی است که کار به پایان پردازش خود نرسیده است.
gq-k=1msyqsk=nondi=sumi-t=1sumiq=1Zgqxtiq, i=1, …, N این محدودیت تعداد کارهای انجام شده در هر سفارش را محاسبه میکند.
با توجه به توضیحات ارائه شده مدل ریاضی پیشنهادی به صورت زیر خواهد بود:
minZ=i=2Ntardii× fi×wti+i=2Nearlii ×fi×wei+i=1Nwni×1-fi+i=1Nsumi-nondi×fi×wgi Subject to:
j=1Jhji fi pjs≤mscas, s=1,…,S f1≥1sumi=j=1Jhji, i=1,…, NZ=i=1Nsumi fi, i=1,…,Nt=1Zxtiq=1, q=1,…,Z and i=1,…,N
q=1Zxtiq=1, t=1,…,Z and i=1,…,N k=1msyqsk=1, q=1,…,Z and s=1, …,S deq=maxi=1Nt=1sumiri xqit,avqs-avqs-1,…, avq2-avq1, q=1,…,
st11=deq+avq1stq1=deq+avq1+j=1Jj'=1Jq'=1q-1k=1ms(vqj' vq-1j yq1k yq-11k) sjj'1k, q=2,…,Zstqs=cqs-1+ j=1Jj'=1Jq'=1q-1k=1ms(vqj' vq-1j yqsk yq-1sk) sjj'sk, s=2,…, S and q=2,…,Z
cqs=stqs+j=1Jvqj pjs, s=1,…,Savqs=min1≤k≤msmax1≤q≤q'-1cq's yq'sk, s=1,…,S and q=1,…,Ztardii=max0, max1≤q≤zt=1zxtiq cqs-di, i=2,…,N and s=Searlii=max0,di-max1≤q≤zt=1zxtiq cqs, i=2,…,N and s=Sgq-k=1msyqsk=nondi=sumi-t=1sumiq=1Zgqxtiq, i=1, …, N 3-4. اعتبارسنجی مدلاعتبارسنجی مدل گام مهمی در اطمینان از صحت یک مدل ریاضی است. از آنجا که طبق مطالعات پژوهشگر چنین تحقیقی تاکنون انجام نشده است و مدل ارائه شده از چند نظر جدید است لزوم انجام اعتبارسنجی کاملا روشن به نظر میرسد.
اعتبارسنجی به این معنی است که نتایج بدست آمده از حل مدل باید با واقعیت مطابقت داشته باشد. بر این اساس اعتبارسنجی مدل ریاضی ارائه شده در دو مرحله انجام میگردد. مرحله اول اعتبارسنجی مدل به کمک یک مسئله حل شده و مرحله دوم حل یک مسئله تولید شده و بررسی اعتبار مدل.
3-4-1. اعتبارسنجی مدل به کمک مسئله حل شدهدر این بخش تحقیق انجام شده توسط ونگ و لیو [56] که مسئله تولید جریانی بدون انتظار منعطف با دو ایستگاه کاری و تابع هدف بیشینه زمان تکمیل کارها که حاوی حل تعدادی مسئله جهت استفاده سایر پژوهشگران است به عنوان مسئله جهت اعتبارسنجی مدل ارائه شده مدنظر قرار گرفته است.
جهت انجام فرایند اعتبارسنجی لازم است پارامترهای مدل ارائه شده در این تحقیق طوری تعریف شوند که مسئله با نمونه ارائه شده در پروژه - ریسرچونگ و لیو [56] مشابه گردد. بر این اساس، تعداد کارهای موجود در هر سفارش یک تعریف شده است. زمانهای نصب صفر در نظر گرفته شده و نوع کارهای موجود در سفارش متفاوت تعریف شده است. همچنین ظرفیت کاری ماشینآلات نامتناهی تعریف شده و امکان رد سفارش حذف گردیده است. همچنین از آنجا که تابع هدف این پروژه - ریسرچبیشینه زمان تکمیل است، تابع هدف مدل ارائه شده را نیز بیشینه زمان تکمیل سفارشات قرار داده تا نتایج قابل مقایسه باشند. قابل ذکر است که تغییر تابع هدف تاثیری در صحت عملکرد محدودیتها ندارد. تغییرات انجام شده در مدل پیشنهادی به طور خلاصه در جدول(3-1) آمدهاند.
جدول SEQ جدول * ARABIC 9 جدول 3-1. تغییرات اعمال شده در مدل پیشنهادی جهت اعتبارسنجیفاکتور وضعیت اصلی وضعیت تغییر یافته
تابع هدف کمینه هزینهها بیشینه زمان تکمیل کارها
زمان نصب بزرگتر از صفر صفر
تعداد کارهای موجود در سفارش از انواع متفاوت و معمولا بیش از یک کار از انواع متفاوت و یک کار
قابلیت رد سفارش وجود دارد وجود ندارد
ظرفیت کاری ماشینآلات محدود نامحدود
در تحقیق مورد استفاده سیستم تولید جریانی بدون انتظار شامل دو ایستگاه کاری و هر ایستگاه شامل دو ماشین یکسان است. کوچکترین ابعاد مسئله مورد بررسی در این پروژه - ریسرچمسئلهای مشتمل بر ده کار است که بنابر توضیحات ارائه شده در بالا در مدل پیشنهادی ما به صورت ده سفارش که هر کدام شامل یک کار است تعبیر میشوند. زمان پردازش کارها روی ماشین نیز دارای توزیع یکنواخت بین [50 ،1] میباشد بر همین مبنا با استفاده از تابع تولید اعداد تصادفی یکنواخت در نرمافزار متلب اعداد زیر به عنوان زمانهای پردازش تولید شدهاند.
(3-5) pqs=41 7 32 14 48 8 48 48 22 4546 46 5 28 49 49 25 8 46 48این مسئله در نرمافزار لینگو 9 حل شده است که در نتیجه آن توالی سفارشات به صورت q7, q3, q9, q8, q1, q10, q5, q2, q4, q6 و مقدار تابع هدف برابر 326 است. این در حالی است که مقدار تابع هدف در تحقیق مورد استفاده برای این مسئله برابر 292.3 است. این تفاوت حدودا 11% میتواند به دلیل متفاوت بودن مقدار زمانهای پردازش بوده باشد.
3-4-2. اعتبار سنجی مدل به کمک مسئله تولیدیدر این روش، اعتبارسنجی به کمک یک مسئله تولید شده و بررسی درستی عملکرد محدودیتها صورت میگیرد. این روش به عنوان مکملی برای روش قبلی است چرا که در روش قبل به دلیل تفاوت توابع هدف تغییر آن ناگزیر بود. برای انجام این روش دادههای ارائه شده در جدول(3-2) مورد استفاده قرار میگیرند.
جدول SEQ جدول * ARABIC 10 جدول 3-2. دادههای لازم جهت پیادهسازی مدل ریاضیفاکتور مقدار
تعداد سفارش 5
تعداد کارهای موجود در هر سفارش 1
تعداد ایستگاه 2
تعداد ماشین در هر ایستگاه 2
زمانهای پردازش unif [1, 50]زمانهای نصب 0
موعدهای تحویل 50
وزنهای زودکرد و دیرکرد 10
وزن رد سفارش 20
امکان رد سفارش وجود دارد
ظرفیت ماشینآلات نامحدود
لازم به ذکر است که دلیل اصلی کوچک در نظر گرفتن ابعاد مسئله یا حذف فاکتوری همچون محدودیت ظرفیت ماشینآلات تنها به دلیل افزایش چشمگیر زمان حل مسئله در نرمافزار لینگو و امکان نرسیدن به جواب بهینه کلی بوده است و از آنجا که این تغییرات جزیی از دامنه تغییرات ممکن این فاکتورها است تاثیری در اعتبارسنجی مدل نخواهند داشت.
-241304295775شکل SEQ شکل * ARABIC 2 شکل 3-2. گانت چارت جواب بهینه مسئله طراحی شده جهت اعتبارسنجی مدل ریاضی.0شکل SEQ شکل * ARABIC 2 شکل 3-2. گانت چارت جواب بهینه مسئله طراحی شده جهت اعتبارسنجی مدل ریاضی.right10596120مسئله مورد بررسی در این بخش در نرمافزار لینگو 9 حل شد و جواب بهینه برابر 2830 بود. توالی کارها نیز به صورت q2, q3, q5, q1, q4 بدست آمد. جهت اطمینان از درستی عملکرد مدل گانت چارت جواب بهینه در شکل(3-2) رسم شده است.
3-5. تعیین پیچیدگی مسئلهانتخاب روش حل مناسب میتواند در دقت و کیفیت و زمان مورد نیاز برای حل یک مسئله تاثیر قابل توجهی داشته باشد. شاخهای از علوم کامپیوتر با نام نظریه پیچیدگی بر مطالعه این مبحث تمرکز دارد. به طور خلاصه پیچیدگی یک مسئله با میزان محاسبات لازم جهت حل آن ارتباط مستقیم دارد. این بدان معناست که با افزایش ابعاد مسئله طبیعتا زمان حل آن نیز افزایش مییابد. چنانچه زمان حل مسئله نسبت به ابعاد آن با تابعی چندجملهای افزایش یابد، زمان این مسئله را چندجملهای میگویند. چنین مسائلی عمدتا با روشهای دقیق قابل حل هستند.
دسته بزرگتر و مهمتری از مسائل بهینهسازی که عمدتا مسائل زمانبندی نیز در این دسته قرار میگیرند دارای تابع زمانی غیر چندجملهای هستند. چنین مسائلی را در علم پیچیدگی NP-hard مینامند. این دسته از مسائل با روشهای دقیق قابل حل نبوده و لذا از روشهای تقریبی جهت یافتن نزدیکترین جواب به بهینه کلی بهره گرفته میشود. در نتیجه شناخت مسئله از نقطه نظر پیچیدگی آن میتواند بر کیفیت جواب تاثیر مستقیم داشته باشد.
8426456118225شکل SEQ شکل * ARABIC 3 شکل 3-4. سلسله مراتب پیچیدگی در توابع هدف مسائل زمانبندی [6].00شکل SEQ شکل * ARABIC 3 شکل 3-4. سلسله مراتب پیچیدگی در توابع هدف مسائل زمانبندی [6].10096503163570شکل SEQ شکل * ARABIC 4 شکل 3-3. سلسله مراتب پیچیدگی در مسائل کارگاهی زمانبندی [6].00شکل SEQ شکل * ARABIC 4 شکل 3-3. سلسله مراتب پیچیدگی در مسائل کارگاهی زمانبندی [6].center17732300center567841500پیندو [6] در کتاب مفصل خود پیرامون موضوع زمانبندی سلسله مراتب مسائل پیچیدگی در مسائل زمانبندی را در گرافهایی تشریح میکند. این گرافها در شکلهای(3-3) و (3-4) آمدهاند.
همانطور که از این شکلها مشخص است میزان پیچدگی یک مسئله زمانبندی به نحوه چیدمان ماشینآلات و تابع هدف مسئله بستگی مستقیم دارد. نکته قابل تعمل در مسئله پیچیدگی آن است که پس از تشخیص میزان پیچیدگی یک مسئله به کمک این گرافها میتوان این میزان را به حالات خاص این مسائل نیز تعمیم داد. به عنوان مثال مقدار پیچیدگی مسئله 1||Cj که حالت خاصی از مسئله 1||WjCj است را میتوان معادل مقدار پیچیدگی مسئله 1||WjCj دانست. این مسئله را در علم پیچیدگی به صورت 1||Cj∝1||WjCj نشان میدهند.
در این تحقیق مسئله زمانبندی تولید جریانی منعطف بدون انتظار با محدودیت ساعات کاری ماشینآلات، زمان نصب وابسته به توالی کارها و استراتژی ترکیبی تولیید با هدف حداقل سازی هزینهها مورد بررسی قرار میگیرد. راک [45] نشان داد که مسئله تولید جریانی بدون انتظار با تابع هدف بیشینه زمانهای تکمیل NP-hard است. با توجه به نتایج مطرح شده در مورد میزان پیچیدگی مسئله پردازش بدون انتظار به یقین میتوان گفت که مسئله مورد بحث در این تحقیق نیز از میزان پیچیدگی NP-hard برخوردار است لذا حل این مسئله در ابعاد بزرگ را نمیتوان به طور کارایی با روشهای دقیق انجام داد. در فصل آینده روشهای حل کارایی با استفاده از رویکردهای فراابتکاری ارائه میگردند. ولید جریانی منعطف بدون انتظار با محدودیت ساعات کاری ماشین
3-6. جمعبندیدر این فصل، پس از بیان تعریف مسئله مورد بررسی و تشریح ویژگیهای آن، مدل ریاضی عدد صحیح غیر خطی جدیدی برای حل آن ارائه گردید. در ادامه فصل نیز اعتبار مدل ریاضی ارائه شده با استفاده از دو رویکرد سنجیده شد. در پایان فصل نیز دلایلی مبنی بر ناکارامدی روشهای حل دقیق برای مسئله مذکور بیان شده و میزان پیچیدگی آن مورد بررسی قرار گرفت.
فصل چهارمالگوریتمهای فراابتکاری پیشنهادی و نتایج محاسباتی
4-1. مقدمههدف از حل هر مسئله بهینهسازی یافتن بهترین ترکیب ممکن از متغیرهای جواب برای آن مسئله است. مسائل بهینهسازی از منظر ماهیت جواب شدنی برای آنها به دو دسته کلی مسائل پیوسته و مسائل گسسته تقسیم میشوند. مسائل حوزه زمانبندی به عنوان دستهای مهم از مسائل بهینهسازی ترکیبی یکی از شناخته شده ترین مسائل با ساختار گسسته هستند. فاکتورهای جواب این دسته از مسائل باید به صورت گسسته کدگذاری شوند. با توجه به اهمیت مسائل این حوزه تاکنون رویکردهای جواب متنوعی برای حل این مسائل ارائه گردیدهاند. با نگاهی کلی، روشهای حل ارائه شده را میتوان در دو گروه کلی روشهای دقیق و تقریبی جای داد. ساختار رویکردهای دقیق به گونهای است که عملکرد آنها را تنها به حل مسائل با پیچیدگی مشخص و ابعاد کوچک محدود میکند. این رویکردها برای مسائل با ابعاد بزرگ زمانهای حل بسیار ناکارامدی را ارائه میدهند. برهمین اساس، لزوم استفاده از رویکردهای تقریبی در حل مسائل پیچیده بدیهی به نظر میرسد. این رویکردها بسته به نوع آنها میتوانند جوابهای با کیفیت قابل قبول را در زمان منطقی ارائه دهند.
روشهای فراابتکاری دسته مهمی از روشهای تقریبی هستند که عموما با الگوبرداری از رفتار طبیعت تدوین گردیدهاند. وجه تمایز اصلی این روشها با روشهای تقریبی دیگر استفاده از متدهایی برای اجتناب از توقف فرایند جستجو در بهینه محلی است. براساس استراتژیهای بکار رفته در فرایند الگوریتم، امروزه طیف گستردهای از روشهای فراابتکاری به جامعه محققین ارائه شده است که برای مثال میتوان به الگوریتمهایی نظیر ژنتیک، جستجوی ممنوع، مورچگان، تبرید شبیهسازی شده، سیستم ایمنی مصنوعی و … اشاره کرد.
در ادامه فصل پیش رو، الگوریتمهای فراابتکاری ارائه شده به منظور حل مسئله مورد بررسی شامل الگوریتم سیستم ایمنی مصنوعی و تبرید شبیهسازی شده با رویکرد ابری به طور کامل تشریح میگردند. پس از آن با استفاده از رویکرد تنظیم پارامترها به روش تاگوچی الگوریتمهای ارائه شده کالیبره شده و به وسیله آزمایشات طراحی شده مورد سنجش قرار میگیرند. در نهایت نتایج استخراج شده از اجرای آزمایشات تشریح میگردند.
4-2. الگوریتم سیستم ایمنی مصنوعیالگوریتم سیستم ایمنی مصنوعی یکی از جدیدترین الگوریتمهای الگوبرداری شده از رفتارهای طبیعی پدیدهها است. همانگونه که از نام آن هویدا است، این الگوریتم از سیستم ایمنی بدن موجودات زنده و بالاخص پستانداران الگوبرداری شده است. روند کلی الگوریتم بسیار شبیه به الگوریتم ژنتیک بوده اما وجود تفاوتهایی تاثیرگذار باعث برتری نسبی این الگوریتم نسبت به الگوریتم ژنتیک در برخی مسائل بهینهسازی ترکیبی گردیده است.

user8254

جدول 3-12: تنظیمات پارامترهای الگوریتم K-Means57
اجرا برای 9 خوشه در الگوریتم K-Means60
جدول 3-13: تنظیمات پارامترهای الگوریتم Kohonen64
جدول 3-14: تنظیمات پارامترهای الگوریتم دوگامی69
جدول 4-1: مقایسه الگوریتم های دسته بند70
جدول 4-2: مقایسه الگوریتم های دسته بند درخت تصمیم70
جدول 4-3: ماتریس آشفتگی قانون شماره 171
جدول 4-4: ماتریس آشفتگی قانون شماره 272
جدول 4-5: ماتریس آشفتگی قانون شماره 3 الف72
جدول 4-6: ماتریس آشفتگی قانون شماره 3 ب72
جدول 4-7: ماتریس آشفتگی قانون شماره 3 ج73
عنوان صفحه
جدول 4-8: ماتریس آشفتگی قانون شماره 3 د73
جدول 4-9: ماتریس آشفتگی قانون شماره 3 ه73
جدول 4-10: ماتریس آشفتگی قانون شماره 3 و74
جدول 4-11: ماتریس آشفتگی قانون شماره 3 ز76
جدول 4-12: ماتریس آشفتگی قانون شماره 476
جدول 4-13: ماتریس آشفتگی قانون شماره 577
جدول 4-14: ماتریس آشفتگی قانون شماره 6 الف77
جدول 4-15: ماتریس آشفتگی قانون شماره 6 ب78
جدول 4-16: ماتریس آشفتگی قانون شماره778
جدول 4-17: ماتریس آشفتگی قانون شماره879
جدول 4-18: مقایسه الگوریتم های خوشه بندی79
جدول 4-19: فیلدهای حاصل از الگوریتم های خوشه بندی80
جدول 4-20: نتایج الگوریتم های FpGrowth, Weka Apriori81

فهرست شکل‌ها
عنوان صفحه
شکل شماره3-1: داده از دست رفته فیلد" نوع بیمه " پس از انتقال به محیط داده کاوی33
شکل 3-2: نتایج الگوریتمPCA 34
شکل 3-3: نتایج الگوریتم SVM Weighting در ارزشدهی به ویژگی ها35
شکل 3-4: نتایج الگوریتم Weighting Deviation در ارزشدهی به ویژگی ها35
شکل 3-5: نتایج الگوریتم Weighting Correlation در ارزشدهی به ویژگی ها36
شکل 3-6: نمای کلی استفاده از روشهای ارزیابی41
شکل 3-7: نمای کلی استفاده از یک مدل درون یک روش ارزیابی42
شکل 3-8: نمودار AUC الگوریتم KNN42
شکل 3-9: نمودار AUC الگوریتم Naïve Bayes43
شکل 3-10: تبدیل ویژگی های غیر عددی به عدد در الگوریتم شبکه عصبی44
شکل 3-11: نمودار AUC و ماتریس آشفتگی الگوریتم Neural Net44
شکل 3-12: تبدیل ویژگی های غیر عددی به عدد در الگوریتم SVM خطی45
شکل 3-13 : نمودار AUC الگوریتم SVM Linear46
شکل 3-14 : نمودار AUC الگوریتم رگرسیون لجستیک47
شکل 3-15 : نمودار AUC الگوریتم Meta Decision Tree48
شکل 3-16 : قسمتی از نمودارtree الگوریتم Meta Decision Tree49
شکل 3-17 : نمودار --ial الگوریتم Meta Decision Tree49
شکل 3-18: نمودار AUC الگوریتم Wj4850
شکل 3-19 : نمودار tree الگوریتم Wj4851
شکل 3-20 : نمودار AUC الگوریتم Random forest52
شکل 3-21 : نمودار تولید 20 درخت در الگوریتم Random Forest53
شکل 3-22 : یک نمونه درخت تولید شده توسط الگوریتم Random Forest53
عنوان صفحه
شکل 3-23 : رسیدن درصد خطا به صفر پس از 8مرتبه57
شکل 3-24 : Predictor Importance for K-Means58
شکل 3-25 : اندازه خوشه ها و نسبت کوچکترین خوشه به بزرگترین خوشه در الگوریتم
K-Means59
شکل 3-26 : کیفیت خوشه ها در الگوریتمMeans K-60
شکل 3-27 : Predictor Importance for Kohonen61
شکل 3-28 : اندازه خوشه ها و نسبت کوچکترین خوشه به بزرگترین خوشه در الگوریتم
Kohonen62
شکل 3-29 : کیفیت خوشه ها در الگوریتمMeans K-63
شکل 3-30 : تعداد نرون های ورودی و خروجی در Kohonen63
شکل 3-31 : Predictor Importance for دوگامی64
شکل 3-32 : اندازه خوشه ها و نسبت کوچکترین خوشه به بزرگترین خوشه در
الگوریتم دوگامی65
شکل 3-33 : کیفیت خوشه ها در الگوریتم دوگامی66
شکل4-1: نمودارنسبت تخفیف عدم خسارت به خسارت75
فصل اول
194500518986500
مقدمه
شرکتهای تجاری و بازرگانی برای ادامه بقا و حفظ بازار همواره بر سود دهی و کاهش ضرر و زیان خود تاکید دارند از این رو روشهای جذب مشتری و همچنین تکنیکهای جلوگیری یا کاهش زیان در سرلوحه کاری این شرکتها قرار می گیرد.
از جمله شرکتهایی که بدلایل مختلف در معرض کاهش سود و یا افزایش زیان قرار می گیرند شرکتهای بیمه ای می باشند. عواملی همچون بازاریابی، وفاداری مشتریان، نرخ حق بیمه، تبلیغات، تقلب، می تواند باعث جذب یا دفع مشتری گردد که در سود و زیان تاثیر مستقیم و غیر مستقیم دارد. پرداخت خسارت نیز به عنوان تعهد شرکتهای بیمه منجر به کاهش سود و در بعضی موارد موجب زیان یک شرکت بیمه می شود. خسارت می تواند بدلایل مختلف رخ دهد و یا عملی دیگر به گونه ای خسارت جلوه داده شود که در واقع اینچنین نیست[Derrig et. al 2006].
عواملی از قبیل فرهنگ رانندگی، داشتن گواهینامه رانندگی، نوع گواهینامه و تطابق یا عدم تطابق آن با وسیله نقلیه، جاده های بین شهری و خیابانهای داخل شهر که شهرداری ها و ادارات راه را به چالش می کشد، تقلب، وضعیت آب و هوا، کیفیت خودروی خودرو سازان، سن راننده، سواد راننده، عدم تطابق حق بیمه با مورد بیمه [Wilson 2003]، روزهای تعطیل، مسافرتها و بسیاری موارد دیگر می توانند موجب خسارت و در نهایت افزایش زیان یک شرکت بیمه ای گردند.
بیمه صنعتی سودمند، ضروری و مؤثر در توسعه اقتصادی است. این صنعت بدلیل «افزایش امنیت در عرصه های مختلف زندگی و فعالیتهای اقتصادی»، «افزایش سرمایه گذاری و اشتغال و رشد اقتصادی» و « ارتقای عدالت اقتصادی و کاهش فقر ناشی از مخاطرات »، حائز جایگاه مهمی در پیشرفت و تعالی یک کشور است.
با وجود نقش مهم بیمه در بسترسازی و تأمین شرایط مساعد اقتصادی، وضعیت کنونی این صنعت در اقتصاد ملی با وضعیت مطلوب آن فاصله زیادی دارد. عدم آشنایی عمومی و کم بودن تقاضا برای محصولات بیمه ای، دانش فنی پایین در عرصه خدمات بیمه ای، عدم تطابق ریسک با حق بیمه، تفاوت فاحش در مقایسه معیارهای تشخیص ریسک بیمه شخص ثالث با نوع بیمه معادل در کشورهای توسعه یافته، وجود نارسایی ها در مدیریت واحدهای عرضه بیمه از دلایل عدم توسعه مناسب این صنعت در کشور است. از آنجا که بشر در طول تاریخ به کمک علم و تجربه رستگاری ها و توفیقات فراوانی کسب کرده است، نگاه علمی تر به مشکلات این صنعت و یافتن راه حل در بستر علم می تواند راه گشا باشد.
امروزه بوسیله روشهای داده کاوی ارتباط بین فاکتورهای مختلف موثر یا غیر موثر در یک موضوع مشخص می شود و با توجه به اینکه داده کاوی ابزاری مفید در استخراج دانش از داده های انبوه می باشد که ارتباطات نهفته بین آنها را نشان می دهد، شرکتهای تجاری بازرگانی رو به این تکنیکها آورده اند.
داده کاوی محدود به استفاده از فناوری ها نیست و از هرآنچه که برایش مفید واقع شود استفاده خواهد کرد. با این وجود آمار و کامپیوتر پر استفاده ترین علوم و فناوری های مورد استفاده داده کاوی است.
تعریف داده کاوی XE "تعریف داده کاوی" XE "تعریف داده کاوی"
داده کاوی روند کشف قوانین و دانش ناشناخته و مفید از انبوه داده ها و پایگاه داده است[ Liu et. al 2012].
انجام عمل داده کاوی نیز مانند هر عمل دیگری مراحل خاص خود را دارد که به شرح زیر می باشند:
1-جدا سازی داده مفید از داده بیگانه
2-یکپارچه سازی داده های مختلف تحت یک قالب واحد
3-انتخاب داده لازم از میان دیگر داده ها
4- انتقال داده به محیط داده کاوی جهت اکتشاف قوانین
5-ایجاد مدلها و الگوهای مرتبط بوسیله روشهای داده کاوی
6-ارزیابی مدل و الگوهای ایجاد شده جهت تشخیص مفید بودن آنها
7-انتشار دانش استخراج شده به کاربران نهایی
تعریف بیمهبیمه: بیمه عقدی است که به موجب آن یک طرف تعهد می کند در ازاء پرداخت وجه یا وجوهی از طرف دیگر در صورت وقوع یا بروز حادثه خسارت وارده بر او را جبران نموده یا وجه معینی بپردازد. متعهد را بیمه گر طرف تعهد را بیمه گذار وجهی را که بیمه گذار به بیمه گر می پردازد حق بیمه و آنچه را که بیمه می شود موضوع بیمه نامند]ماده یک قانون بیمه مصوب 7/2/1316[.
هدف پایان نامهدر این پژوهش سعی شده است با استفاده از تکنیکهای داده کاوی اقدام به شناسایی فاکتورهای تاثیر گذار در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه نموده و ضریب تاثیر آنها را بررسی نماییم. الگوریتم های استفاده شده در این پژوهش شامل دسته بند ها، خوشه بند ها، درخت های تصمیم و قوانین انجمنی بوده است.
مراحل انجام تحقیقدر این پایان نامه با استفاده از روشهای داده کاوی با استفاده از بخشی از داده های صدور و خسارت یک سال شرکت بیمه مدل شده و از روی آنها یک الگو ساخته می شود. در واقع به این طریق به الگوریتم یاد داده می شود که ارتباطات بین داده ها، منجر به چه نتایجی می شود. سپس بخشی از داده ها که در مرحله قبل از آن استفاده نشده بود به مدل ایجاد شده داده می شود ونتایج توسط معیارهای علمی مورد ارزیابی قرار میگیرند. بمنظور آزمایش عملکرد می توان داده های دیگری به مدل داده شود و نتایج حاصله با نتایج واقعی موجود مقایسه شوند.
ساختار پایان نامهاین پایان نامه شامل چهارفصل خواهد بود که فصل اول شامل یک مقدمه و ضرورت پژوهش انجام شده و هدف این پژوهش است. در فصل دوم برخی تکنیک های داده کاوی و روشهای آن مطرح و تحقیقاتی که قبلا در این زمینه انجام شده مورد بررسی قرار می گیرند. در فصل سوم به شرح مفصل پژوهش انجام شده و نرم افزار داده کاوی مورد استفاده در این پایان نامه می پردازیم و با کمک تکنیک های داده کاوی مدل هایی ارائه می شود و مدلهای ارائه شده درهرگروه با یکدیگر مقایسه شده و بهترین مدل از میان آنها انتخاب می گردد. در فصل چهارم مسائل مطرح شده جمع بندی شده و نتایج حاصله مطرح خواهند شد و سپس تغییراتی که در آینده در این زمینه می توان انجام داد پیشنهاد می شوند.

فصل دوم
193548028194000
ادبیات موضوع و تحقیقات پیشیندر این فصل ابتدا مروری بر روشهای داده کاوی خواهیم داشت سپس به بررسی تحقیقات پیشین می پردازیم.
داده کاوی و یادگیری ماشینداده کاوی ترکیبی از تکنیک های یادگیری ماشین، تشخیص الگو، آمار، تئوری پایگاه داده و خلاصه کردن و ارتباط بین مفاهیم و الگوهای جالب به صورت خودکار از پایگاه داده شرکتهای بزرگ است. هدف اصلی داده کاوی کمک به فرآیند تصمیم گیری از طریق استخراج دانش از داده هاست [Alpaydin 2010].
هدف داده کاوی آشکار کردن روندها یا الگوهایی که تا کنون ناشناخته بوده اند برای گرفتن تصمیمات بهتر است که این هدف را بوسیله به کارگیری روشهای آماری همچون تحلیل لجستیک و خوشه بندی و همچنین با استفاده از روشهای تحلیل داده به دست آمده از رشته های دیگر )همچون شبکه های عصبی در هوش مصنوعی و درختان تصمیم در یادگیری ماشین( انجام میدهد[Koh & Gervis 2010] . چون ابزارهای داده کاوی روند ها و رفتارهای آینده را توسط رصد پایگاه داده ها برای الگوهای نهان پیش بینی می کند با عث می شوند که سازمان ها تصمیمات مبتنی بر دانش گرفته و به سوالاتی که پیش از این حل آنها بسیار زمان بر بود پاسخ دهند [Ramamohan et. al 2012 ] .
داده کاوی یک ابزار مفید برای کاوش دانش از داده حجیم است. [Patil et. al 2012 ]. داده کاوی یافتن اطلاعات بامعنای خاص ازیک تعداد زیادی ازداده بوسیله بعضی ازفناوری ها به عنوان رویه ای برای کشف دانش ازپایگاه داده است، که گام های آن شامل موارد زیر هستند [Han and Kamber 2001] .
1-پاک سازی داده ها :حذف داده دارای نویز و ناسازگار
2-یکپارچه سازی داده: ترکیب منابع داده گوناگون
3-انتخاب داده: یافتن داده مرتبط با موضوع از پایگاه داده
4-تبدیل داده: تبدیل داده به شکل مناسب برای کاوش
5-داده کاوی: استخراج مدل های داده با بهره گیری از تکنولوژی
6- ارزیابی الگو: ارزیابی مدل هایی که واقعا برای ارائه دانش مفید هستند
7-ارائه دانش: ارائه دانش بعد ازکاوش به کاربران بوسیله استفاده از تکنولوژیهایی همچون ارائه بصری [Lin & Yeh 2012] .
ابزارها و تکنیک های داده کاویبا توجه به تنوع حجم و نوع داده ها، روش های آماری زیادی برای کشف قوانین نهفته در داده ها وجود دارند. این روش ها می توانند با ناظر یا بدون ناظر باشند. [Bolton & Hand 2002] در روش های با ناظر، نمونه هایی از مواردخسارتی موجود است و مدلی ساخته می شود که براساس آن، خسارتی یا غیر خسارتی بودن نمونه های جدید مشخص می شود. این روش جهت تشخیص انواع خسارت هایی مناسب است که از قبل وجود داشته اند]فولادی نیا و همکاران 1392[ .
روش های بدون ناظر، به دنبال کشف نمونه هایی هستند که کمترین شباهت را با نمونه های نرمال دارند. برای انجام فعالیت هایی که در هر فاز داده کاوی باید انجام شود از ابزارها و تکنیک های گوناگونی چون الگوریتمهای پایگاه داده، تکنیکهای هوش مصنوعی، روشهای آماری، ابزارهای گرافیک کامپیوتری و مصور سازی استفاده می شود. هر چند داده کاوی لزوما به حجم داده زیادی بعنوان ورودی نیاز ندارد ولی امکان دارد در یک فرآیند داده کاوی حجم داده زیادی وجود داشته باشد.
در اینجاست که از تکنیک ها وابزارهای پایگاه داده ها مثل نرمالسازی، تشخیص و تصحیح خطا و تبدیل داده ها بخصوص در فازهای شناخت داده و آماده سازی داده استفاده می شود. همچنین تقریبا در اکثرفرآیند های داده کاوی از مفاهیم، روشها و تکنیک های آماری مثل روشهای میانگین گیری )ماهیانه، سالیانه و . . . (، روشهای محاسبه واریانس و انحراف معیار و تکنیک های محاسبه احتمال بهره برداری های فراوانی می شود. یکی دیگر از شاخه های علمی که به کمک داده کاوی آمده است هوش مصنوعی می باشد.
هدف هوش مصنوعی هوشمند سازی رفتار ماشینها است. می توان گفت تکنیک های هوش مصنوعی بطور گسترده ای در فرآیند داده کاوی به کار می رود بطوریکه بعضی از آماردانها ابزارهای داده کاوی را بعنوان هوش آماری مصنوعی معرفی می کنند.
قابلیت یادگیری بزرگترین فایده هوش مصنوعی است که بطور گسترده ای در داده کاوی استفاده می شود. تکنیک های هوش مصنوعی که در داده کاوی بسیار زیاد مورد استفاده قرار می گیرند عبارتند از شبکه های عصبی، روشهای تشخیص الگوی یادگیری ماشین و الگوریتمهای ژنتیک ونهایتا تکنیک ها و ابزارهای گرافیک کامپیوتری و مصور سازی که بشدت در داده کاوی بکار گرفته می شوند و به کمک آنها می توان داده های چند بعدی را به گونه ای نمایش داد که تجزیه وتحلیل نتایج برای انسان براحتی امکان پذیر باشد [Gupta 2006].
روشهای داده کاوی عمده روشهای داده کاوی عبارتند از روشهای توصیف داده ها، روشهای تجزیه و تحلیل وابستگی، روشهای دسته بندی و پیشگویی، روشهای خوشه بندی، روشهای تجزیه و تحلیل نویز.
می توان روش های مختلف کاوش داده را در دو گروه روش های پیش بینی و روش های توصیفی طبقه بندی نمود. روش های پیش بینی در متون علمی به عنوان روش های با ناظر نیزشناخته می شوند. روش های دسته بندی، رگرسیون و تشخیص انحراف از روشهای یادگیری مدل در داده کاوی با ماهیت پیش بینی هستند. در الگوریتم های دسته بندی مجموعه داده اولیه به دو مجموعه داده با عنوان مجموعه داده های آموزشی و مجموعه داده های آزمایشی تقسیم می شود که با استفاده از مجموعه داده های آموزشی مدل ساخته می شود و از مجموعه داده های آزمایشی برای اعتبار سنجی و محاسبه دقت مدل ساخته شده استفاده می شود. هررکورد شامل یک مجموعه ویژگی است.
یکی از ویژگی ها، ویژگی دسته نامیده می شود و در مرحله آموزش براساس مقادیر سایر ویژگی ها برای مقادیر ویژگی دسته، مدل ساخته می شود. روشهای توصیفی الگوهای قابل توصیفی را پیدا میکنند که روابط حاکم بر داده ها را بدون در نظرگرفتن هرگونه برچسب و یا متغیرخروجی تبیین نمایند. درمتون علمی روشهای توصیفی با نام روشهای بدون ناظر نیز شناخته می شوند ]صنیعی آباده 1391[.

روشهای توصیف داده هاهدف این روشها ارائه یک توصیف کلی از داده هاست که معمولا به شکل مختصر ارائه می شود. هر چند توصیف داده ها یکی از انواع روشهای داده کاوی است ولی معمولا هدف اصلی نیست واغلب از این روش برای تجزیه و تحلیل نیاز های اولیه و شناخت طبیعت داده ها و پیدا کردن خصوصیات ذاتی داده ها یا برای ارائه نتایج داده کاوی استفاده می شود [Sirikulvadhana 2002] .
روشهای تجزیه و تحلیل وابستگی هدف این روشها پیدا کردن ارتباطات قابل توجه بین تعداد زیادی از متغیر ها یا صفات می باشد[Gupta 2006] . یکی از روشهای متداول برای کشف قواعد وابستگی مدل Apriori است که نسبت به سایر مدلهای کشف قواعد وابستگی سریعتر بوده و محدودیتی از نظر تعداد قواعد ندارد [Xindong et al 2007] . کاوش قواعد تلازمی یکی از محتواهای اصلی تحقیقات داده کاوی در حال حاضر است و خصوصا بر یافتن روابط میان آیتم های مختلف در پایگاه داده تاکید دارد [Patil et. al 2012] . سه مدل CARMA و GRI و Fpgrowth سه الگوریتم دیگر از قواعد وابستگی هستند.
روشهای دسته بندی و پیشگویی
دسته بندی یک فرآیند یافتن مدل است که برای بخش بندی داده به کلاس های مختلف برطبق بعضی محدودیت ها استفاده شده است. به بیان دیگر ما می توانیم بگوییم که دسته بندی یک فرآیند تعمیم داده بر طبق نمونه های مختلف است. چندین نمونه اصلی الگوریتم های طبقه بندی شامل C4. 5 ، K نزدیکترین همسایه، بیز ساده و SVM است [Kumar and Verna 2012].
یکی از این نوع الگوریتم ها نظریه بیز می باشد. این دسته بند از یک چارچوب احتمالی برای حل مساله استفاده می کند. یک رکورد مفروض با مجموعه ویژگی های (A1, A2…. An) را درنظر بگیرید. هدف تشخیص دسته این رکورد است. در واقع از بین دسته های موجود به دنبال دسته ای هستیم که مقدارP(C|A1, A2…. An) را بیشینه کند. پس این احتمال را برای تمامی دسته های موجود محاسبه کرده و دسته ای که این احتمال به ازای آن بیشینه شود را به عنوان دسته رکورد جدید در نظر می گیریم.
PCA=PAC PCPAرگرسیون نیز نوع دیگری از این الگوریتم ها است. پیش بینی مقدار یک متغیر پیوسته بر اساس مقادیر سایر متغیرها بر مبنای یک مدل وابستگی خطی یا غیر خطی رگرسیون نام دارد. درواقع یک بردار X داریم که به یک متغیر خروجی y نگاشت شده است. هدف محاسبه y یا همان F(X) است که از روی تخمین تابع مقدار آن محاسبه می شود.
درخت تصمیمدرخت تصمیم از ابزارهای داده کاوی است که در رده بندی داده های کیفی استفاده می شود. در درخت تصمیم، درخت کلی به وسیله خرد کردن داده ها به گره هایی ساخته می شود که مقادیری از متغیر ها را در خود جای می دهند. با ایجاد درخت تصمیم بر اساس داده های پیشین که رده آنها معلوم است، می توان داده های جدید را دسته بندی کرد. روش درخت تصمیم به طور کلی برای دسته بندی استفاده می شود، زیرا یک ساختار سلسله مراتبی ساده برای فهم کاربر و تصمیم گیری است. الگوریتم های داده کاوی گوناگونی برای دسته بندی مبتنی بر شبکه عصبی مصنوعی، قوانین نزدیکترین همسایگی و دسته بندی بیزین در دسترس است اما درخت تصمیم یکی از ساده ترین تکنیک هاست [Patil et. al 2012] . از انواع درخت های تصمیم می توان C4. 5 و C5 و Meta Decision Tree و Random Forest وJ48 را نام برد.

2-3-5-شبکه عصبیروش پرکاربرد دیگر در پیشگویی نتایج استفاده از شبکه های عصبی می باشد. شبکه های عصبی مدل ساده شده ای است که بر مبنای عملکرد مغز انسان کار می کند. اساس کار این شبکه شبیه سازی تعداد زیادی واحد پردازشی کوچک است که با هم در ارتباط هستند. به هریک از این واحد ها یک نرون گفته می شود. نرون ها بصورت لایه لایه قرار دارند و در یک شبکه عصبی معمولا سه لایه وجود دارد [Gupta 2006] . اولین لایه )لایه ورودی ( ، دومین )لایه نهان (و سومین )لایه خروجی (. لایه نهان می تواند متشکل از یک لایه یا بیشتر باشد [P--han et. al 2011 ] .
2-3-6- استدلال مبتنی بر حافظهتوانایی انسان در استدلال براساس تجربه، به توانایی او در شناخت و درک نمونه های مناسبی که مربوط به گذشته است، بستگی دارد. افراد در ابتدا تجارب مشابهی که در گذشته داشته را شناسایی و سپس دانشی که از آن ها کسب کرده است را برای حل مشکل فعلی به کار می گیرند. این فرآیند اساس استدلال مبتنی بر حافظه است. یک بانک اطلاعاتی که از رکوردهای شناخته شده تشکیل شده است مورد جستجو قرار می گیرد تارکوردهای از قبل طبقه بندی شده و مشابه با رکورد جدید یافت شود.
از این همسایه ها برای طبقه بند ی و تخمین زدن استفاده می شود. KNN یک نمونه از این الگوریتم هاست. فرض کنید که یک نمونه ساده شده با یک مجموعه از صفت های مختلف وجود دارد، اما گروهی که این نمونه به آن متعلق است نامشخص است. مشخص کردن گروه می تواند از صفت هایش تعیین شود. الگوریتم های مختلفی می تواند برای خودکار سازی فرآیند دسته بندی استفاده بشود. یک دسته بند نزدیک ترین همسایه یک تکنیک برای دسته بندی عناصر است مبتنی بردسته بندی عناصر در مجموعه آموزشی که شبیه تر به نمونه آزمایشی هستند.
باتکنیک Kنزدیکترین همسایه، این کار با ارزیابی تعداد K همسایه نزدیک انجام می شود. [Tan et al 2006] . تمام نمونه های آموزشی در یک فضای الگوی چند بعدی ذخیره شده اند. وقتی یک نمونه ناشناخته داده می شود، یک دسته بند نزدیکترین همسایه در فضای الگو برای K نمونه آموزشی که نزدیک به نمونه ناشناخته هستند جستجو می کند. نزدیکی بر اساس فاصله اقلیدسی تعریف می شود [Wilson and Martinez 1997] .
2-3-7-ماشین های بردار پشتیبانیSVM اولین بار توسط Vapnik در سال 1990 معرفی شد و روش بسیار موثری برای رگرسیون و دسته بندی و تشخیص الگو است [Ristianini and Shawe 2000] .
SVM به عنوان یک دسته بند خوب در نظر گرفته می شود زیرا کارایی تعمیم آن بدون نیاز به دانش پیشین بالاست حتی وقتیکه ابعاد فضای ورودی بسیار بالاست. هدف SVM یافتن بهترین دسته بند برای تشخیص میان اعضای دو کلاس در مجموعه آموزشی است [Kumar and Verna 2012] .
رویکرد SVM به این صورت است که در مرحله آموزش سعی دارد مرز تصمیم گیری را به گونه ای انتخاب نماید که حداقل فاصله آن با هر یک از دسته های مورد نظر را بیشینه کند. این نوع انتخاب مرز بر اساس نقاطی بنام بردارهای پشتیبان انجام می شوند.
2-3-8-روشهای خوشه بندی هدف این روشها جداسازی داده ها با خصوصیات مشابه است. تفاوت بین دسته بندی و خوشه بندی این است که در خوشه بندی از قبل مشخص نیست که مرز بین خوشه ها کجاست و برچسبهای هر خوشه از پیش تعریف شده است ولی در دسته بندی از قبل مشخص است که هر دسته شامل چه نوع داده هایی می شود و به اصطلاح برچسب های هر دسته از قبل تعریف شده اند. به همین دلیل به دسته بندی یادگیری همراه با نظارت و به خوشه بندی یادگیری بدون نظارت گفته می شود [Osmar 1999] .
2-3-9- روش K-Meansیکی از روش های خوشه بندی مدل K-Means است که مجموعه داده ها را به تعدادثابت و مشخصی خوشه، خوشه بندی می کند. روش کار آن به این صورت است که تعداد ثابتی خوشه در نظر میگیرد و رکوردها را به این خوشه ها اختصاص داده و مکرراً مراکز خوشه ها را تنظیم می کند تا زمانیکه بهترین خوشه بندی بدست آید[Xindong et al 2007].
2-3-10-شبکه کوهننشبکه کوهنن نوعی شبکه عصبی است که در این نوع شبکه نرون ها در دو لایه ورودی و خروجی قرار دارند و همه نرون های ورودی به همه نرون های خروجی متصل اندو این اتصالات دارای وزن هستند. لایه خروجی در این شبکه ها بصورت یک ماتریس دو بعدی چیده شده و به آن نقشه خروجی گفته می شود. مزیت این شبکه نسبت به سایر انواع شبکه های عصبی این است که نیاز نیست دسته یا خوشه داده ها از قبل مشخص باشد، حتی نیاز نیست تعداد خوشه ها از قبل مشخص باشد. شبکه های کوهنن با تعداد زیادی نرون شروع می شود و به تدریج که یادگیری پیش می رود، تعداد آنها به سمت یک تعداد طبیعی و محدود کاهش می یابد.
2-3-11-روش دو گاماین روش در دو گام کار خوشه بندی را انجام می دهد. در گام اول همه داده ها یک مرور کلی می شوند و داده های ورودی خام به مجموعه ای از زیر خوشه های قابل مدیریت تقسیم می شوند. گام دوم با استفاده از یک روش خوشه بندی سلسله مراتبی بطور مداوم زیر خوشه ها را برای رسیدن به خوشه های بزرگتر با هم ترکیب می کند بدون اینکه نیاز باشد که جزئیات همه داده ها را مجددا مرور کند.
2-3-12-روشهای تجزیه و تحلیل نویزبعضی از داده ها که به طور بارز و مشخصی از داده های دیگر متمایز هستند اصطلاحاً بعنوان داده خطا یا پرت شناخته می شوند که باید قبل از ورود به فاز مدلسازی و در فاز آماده سازی داده ها برطرف شوند. با وجود این زمانیکه شناسایی داده های غیر عادی یا غیر قابل انتظار مانند موارد تشخیص تقلب هدف اصلی باشد، همین نوع داده ها مفید هستند که در این صورت به آنها نویز گفته می شود [Osmar 1999].
دسته های نامتعادل]صنیعی آباده 1391[.
مجموعه داده هایی که در آنها ویزگی دسته دارای توزیع نامتعادل باشد بسیار شایع هستند. مخصوصاً این مجموعه داده ها در کاربردها و مسائل واقعی بیشتر دیده می شوند.
در چنین مسائلی با وجود اینکه تعداد رکوردهای مربوط به دسته نادر بسیار کمتر از دسته های دیگر است، ولی ارزش تشخیص دادن آن به مراتب بالاتر از ارزش تشخیص دسته های شایع است. در داده کاوی برای برخورد با مشکل دسته های نامتعادل از دو راهکار استفاده می شود:
راهکار مبتنی بر معیار
راهکار مبتنی بر نمونه برداری
راهکار مبتنی بر معیاردر دسته بندی شایع ترین معیار ارزیابی کارایی دسته بند، معیار دقت دسته بندی است. در معیار دقت دسته بندی فرض بر یکسان بودن ارزش رکوردهای دسته های مختلف دسته بندی است. در راهکار مبتنی بر معیار بجای استفاده از معیار دقت دسته بندی از معیارهایی بهره برداری می شود که بتوان بالاتر بودن ارزش دسته های نادر و کمیاب را در آنها به نحوی نشان داد. بنابراین با لحاظ نمودن معیارهای گفته شده در فرآیند یادگیری خواهیم توانست جهت یادگیری را به سمت نمونه های نادر هدایت نماییم. از جمله معیارهایی که برای حل مشکل عدم تعادل دسته ها بکار می روند عبارتند از Recall, Precession, F-Measure, AUC و چند معیار مشابه دیگر.
2-4-2-راهکار مبتنی بر نمونه بردارینمونه برداری یکی از راهکارهای بسیار موثربرای مواجهه با مشکل دسته های نامتعادل است. ایده اصلی نمونه برداری آن است که توزیع نمونه ها را به گونه ای تغییر دهیم که دسته کمیاب به نحو پررنگ تری در مجموعه داده های آموزشی پدیدار شوند. سه روش برای این راهکار وجود دارد که عبارتند از:
الف- نمونه برداری تضعیفی:
در این روش نمونه برداری، توزیع نمونه های دسته های مساله به گونه ای تغییر می یابند که دسته شایع به شکلی تضعیف شود تا از نظرفراوانی با تعداد رکوردهای دسته نادر برابری کند. به این ترتیب هنگام اجرای الگوریتم یادگیری، الگوریتم ارزشی مساوی را برای دو نوع دسته نادر و شایع درنظر می گیرد.
ب- نمونه برداری تقویتی:
این روش درست برعکس نمونه برداری تضعیفی است. بدین معنی که نمونه های نادر کپی برداری شده و توزیع آنها با توزیع نمونه های شایع برابر می شود.
ج- نمونه برداری مرکب:
در این روش از هردو عملیات تضعیفی و تقویتی بصورت همزمان استفاده میشود تا توزیع مناسب بدست آید.
در این پژوهش با توجه به کمتر بودن نسبت نمونه نادر یعنی منجر به خسارت شده به نمونه شایع از روش نمونه برداری تضعیفی استفاده گردید که کل تعداد نمونه ها به حدود 3 هزار رکورد تقلیل پیدا کرد و توزیع نمونه ها به نسبت مساوی بوده است. شایان ذکر است این نمونه برداری پس از انجام مرحله پاک سازی داده ها انجام شد که خود مرحله پاکسازی با عث تقلیل تعداد نمونه های اصلی نیز گردیده بود.
پیشینه تحقیقسالهاست که محققان در زمینه بیمه و مسائل مرتبط با آن به تحقیق پرداخته اند و از جمله مسائلی که برای محققان بیشتر جذاب بوده است می توان به کشف تقلب اشاره کرد.
Brockett و همکاران [Brockett et. al 1998] ابتدا به کمک الگوریتم تحلیل مولفه های اصلی (PCA) به انتخاب ویژگی ها پرداختند و سپس با ترکیب الگوریتم های خوشه بندی و شبکه های عصبی به کشف تقلبات بیمه اتومبیل اقدام کردند. مزیت این کار ترکیب الگوریتمها و انتخاب ویژگی بوده که منجر به افزایش دقت خروجی بدست آمده گردید.
Phua و همکاران [ Phua et. al 2004] با ترکیب الگوریتم های شبکه های عصبی پس انتشاری ، بیزساده و درخت تصمیم c4.5 به کشف تقلب در بیمه های اتومبیل پرداختند.نقطه قوت این کار ترکیب الگوریتم ها بوده اما بدلیل عدم کاهش ویژگی ها و کاهش ابعاد مساله میزان دقت بدست آمده در حد اعلی نبوده است.
Allahyari Soeini و همکاران [Allahyari Soeini et. al 2012] نیز یک متدلوژی با استفاده از روشهای داده کاوی خوشه بندی ودرخت تصمیم برای مدیریت مشتریان ارائه دادند. از ایرادات این روش میتوان عدم استفاده از الگوریتم های دسته بندی و قوانین انجمنی را نام برد.
مورکی علی آباد ] مورکی علی‌آباد1390[ تحقیقی داشته است که اخیراً در زمینه بیمه صورت گرفته و درمورد طبقه‌بندی مشتریان صنعت بیمه با هدف شناسایی مشتریان بالقوه با استفاده از تکنیک‌های داده‌کاوی (مورد مطالعه: بیمه‌گذاران بیمه آتش‌سوزی شرکت بیمه کارآفرین (که هدف آن دسته بندی مشتریان صنعت بیمه بر اساس میزان وفاداری به شرکت، نوع بیمه نامه های خریداری شده، موقعیت جغرافیایی مکان های بیمه شده و میزان جذب به شرکت بیمه در بازه زمانی 4 سال گذشته بوده است. روش آماری مورد استفاده از تکنیک های داده کاوی نظیر درخت تصمیم و دسته بندی بود. این تحقیق نیز چون نمونه آن قبلا انجام شده بوده از الگوریتم های متفاوت استفاده نکرده است. همچنین سعی بر بهبود تحقیق قبلی نیز نداشته است. وجه تمایز این تحقیق با نمونه قبلی استفاده از ویژگی های متفاوت بوده است.
عنبری ]عنبری 1389[ نیز پژوهشی در خصوص طبقه بندی ریسک بیمه گذاران در رشته بیمه بدنه اتومبیل با استفاده از داده کاوی داشته است که هدف استفاده از داده های مربوط به بیمه نامه بدنه از کل شرکتهای بیمه (بانک اطلاعاتی بیمه خودرو) بوده و سعی بر آن شده است تا بررسی شود که آیا میتوان بیمه گذاران بیمه بدنه اتومبیل را از نظر ریسک طبقه بندی کرد؟ و آیا درخت تصمیم برای طبقه بندی بیمه گذاران بهترین ابزار طبقه بندی می باشد؟ و آیا سن و جنسیت از موثرترین عوامل در ریسک بیمه گذار محسوب می شود؟ نتایج این طبقه بندی به صورت درخت تصمیم و قوانین نشان داده شده است. ونتایج حاصل از صحت مدل درخت تصمیم با نتایج الگوریتم های شبکه عصبی و رگرسیون لجستیک مورد مقایسه قرار گرفته است. از مزیت های این تحقیق استفاده از الگوریتم های متفاوت و مقایسه نتایج حاصله برای بدست آوردین بهترین الگوریتم ها بوده است.
رستخیز پایدار]رستخیز پایدار 1389[ تحقیقی دیگر در زمینه بخش بندی مشتریان بر اساس ریسک با استفاده از تکنیک داده کاوی (مورد مطالعه: بیمه بدنه اتومبیل بیمه ملت) داشته است. با استفاده از مفاهیم شبکه خود سازمانده بخش بندی بر روی مشتریان بیمه بدنه اتومبیل بر اساس ریسک صورت گرفت. در این تحقیق عوامل تأثیرگذار بر ریسک بیمه گذاران طی دو مرحله شناسایی گردید. در مرحله اول هیجده فاکتور ریسک در چهار گروه شامل مشخصات جمعیت شناختی، مشخصات اتومبیل، مشخصات بیمه نامه و سابقه راننده از بین مقالات علمی منتشر گردیده در ژورنال های معتبر در بازه سال های 2000 الی 2009 استخراج گردید و در مرحله دوم با استفاده از نظرسنجی از خبرگان فاکتورهای نهایی تعیین گردید. مشتریان بیمه بدنه اتومبیل در این تحقیق با استفاده از شبکه های عصبی خودسازمانده به چهار گروه مشتریان با ریسک های متفاوت بخش بندی گردیدند. مزیت این تحقیق استفاده از نظر خبرگان بیمه بوده و ایراد آن عدم استفاده از ویژگی های بیشتر و الگوریتم های انتخاب ویژگی بوده است.
ایزدپرست  ]ایزدپرست1389[ همچنین تحقیقی در مورد ارائه چارچوبی برای پیش بینی خسارت مشتریان بیمه بدنه اتومبیل با استفاده از راهکار داده کاوی انجام داده است که چارچوبی برای شناسایی مشتریان بیمه بدنه اتومبیل ارائه می‌گردد که طی آن میزان خطرپذیری مشتریان پیش‌بینی شده و مشتریان بر اساس آن رده‌بندی می‌گردند. در نتیجه با استفاده از این معیار (سطح خطرپذیری) و نوع بیمه‌نامه مشتریان، میتوان میزان خسارت آنان را پیش‌بینی کرده و تعرفه بیمه‌نامه متناسب با ریسک آنان تعریف نمود. که این مطلب می‌تواند کمک شایانی برای شناسایی مشتریان و سیاستگذاری‌های تعرفه بیمه نامه باشد. در این تحقیق از دو روش خوشه‌بندی و درخت‌تصمیم استفاده می‌گردد. در روش خوشه‌بندی مشتریان بر اساس ویژگی هایشان در خوشه هایی تفکیک شده، سپس میانگین سطح خسارت در هر یک از این خوشه‌ها را محاسبه میکند. حال مشتریان آتی با توجه به اینکه به کدامیک از این خوشه‌ها شبیه تر هستند در یکی از آنها قرار می‌گیرند تا سطح خسارتشان مشخص گردد. در روش درخت‌تصمیم با استفاده از داده‌های مشتریان، درختی را بر اساس مجموعه‌ای از قوانین که بصورت "اگر-آنگاه" می‌باشد ایجاد کرده و سپس مشتریان جدید با استفاده از این درخت رده‌بندی می‌گردند. در نهایت هر دو این مدلها مورد ارزیابی قرار می‌گیرد. ایراد این روش در عدم استفاده از دسته بند ها بوده است. چون ماهیت تحقیق پیش بینی بوده است استفاده از دسته بند ها کمک شایانی به محقق در تولبد خروجی های حذاب تر می کرد.
خلاصه فصلعمده پژوهشهایی که درخصوص داده های بیمه ای صورت گرفته کمتر به سمت پیش بینی سود و زیان شرکتهای بیمه بوده است. در موارد مشابه نیزپیش بینی خسارت مشتریان انجام شده که هدف دسته بندی مشتریان بوده است. موضوع این پژوهش اگرچه از نوع همسان با تحقیقات گفته شده است اما در جزئیات بیمه شخص ثالث را پوشش می دهد که درکشور ما یک بیمه اجباری تلقی می شود. همچنین تعداد خصیصه هایی که در صدور یا خسارت این بیمه نامه دخالت دارند نسبت به سایر بیمه های دیگر بیشتر بوده ضمن اینکه بررسی سود یا زیان بیمه شخص ثالث با استفاده از دانش نوین داده کاوی کارتقریبا جدیدی محسوب می شود.

فصل سوم
2087880229743000
شرح پژوهشدر این فصل هدف بیان مراحل انجام این پژوهش و تحلیل خروجی های بدست آمده می باشد.

انتخاب نرم افزاردر اولین دهه آغاز به کار داده کاوی و در ابتدای امر، هنوز ابزار خاصی برای عملیات کاوش وجود نداشت و تقریبا نیاز بود تا تمامی تحلیل گران، الگوریتمهای موردنظر داده کاوی و یادگیری ماشین را با زبان های برنامه نویسی مانند c یا java یا ترکیبی از چند زبان پیاده سازی کنند. اما امروزه محیط های امکان پذیر برای این امر، با امکانات مناسب و قابلیت محاوره گرافیکی زیادی را می توان یافت]صنیعی آباده 1391[.
Rapidminerاین نرم افزار یک ابزار داده کاوی متن باز است که به زبان جاوا نوشته شده و از سال 2001 میلادی تا به حال توسعه داده شده است. در این نرم افزار سعی تیم توسعه دهنده بر این بوده است که تا حد امکان تمامی الگوریتم های رایج داده کاوی و همچنین یادگیری ماشین پوشش داده شوند. بطوری که حتی این امکان برای نرم افزار فراهم شده است تا بتوان سایر ابزارهای متن باز داده کاوی را نیز به آن الحاق نمود. رابط گرافیکی شکیل و کاربر پسند نرم افزار نیز آن را یک سرو گردن بالاتر از سایر ابزارهای رقیب قرار میدهد]صنیعی آباده 1391[.
مقایسه RapidMiner با سایر نرم افزار های مشابهدر اینجا دو نرم افزار مشهور متن باز را با RapidMiner مقایسه خواهیم کرد و معایب و مزایای آنها را بررسی می کنیم.
الف-R
یک زبان برنامه نویسی و یک پکیج داده کاوی به همراه توابع آماری است و بر پایه زبان های s و scheme پیاده سازی شده است. این نرم افزار متن باز، حاوی تکنیک های آماری مانند: مدل سازی خطی و غیرخطی، آزمون های کلاسیک آماری، تحلیل سری های زمانی، دسته بندی، خوشه بندی، و همچنین برخی قابلیت های گرافیکی است. R را می توان در محاسبات ماتریسی نیز بکار برد که این امر منجر به استفاده از آن در علم داده کاوی نیز می شود.
-مزایا:
شامل توابع آماری بسیار گسترده است.
بصورت بسیارمختصر قادر به حل مسائل آماری است.
دربرابر سایر نرم افزار های مرسوم کار با آرایه مانند Mathematica, PL, MATLAB, LISP/Scheme قدرت مند تر است.
با استفاده از ویژگی Pipeline قابلیت ترکیب بالایی را با سایر ابزارها و نرم افزارها دارد.
توابع نمودار مناسبی دارد.
-معایب:
فقدان واسط کاربری گرافیک
فقدان سفارشی سازی لزم جهت داده کاوی
ساختار زبانی کاملا متفاوت نسبت به زبان های برنامه نویسی مرسوم مانندc, PHP, java, vb, c#.
نیاز به آشنایی با زبانهای آرایه ای
قدیمی بودن این زبان نسبت به رقبا. این زبان در 1990 ساخته شده است.
ب- Scipy
یک مجموعه از کتابخانه های عددی متن باز برای برنامه نویسی به زبان پایتون است که برخی از الگوریتم های داده کاوی را نیز پوشش می دهد.
-مزایا
برای کاربردهای ریاضی مناسب است.
عملیات داده کاوی در این نرم افزار چون به زبان پایتون است راحت انجام می شود.
-معایب
الگوریتم های یادگیری مدل در این کتابخانه هنوز به بلوغ کامل نرسیده اند و درحال تکامل هستند.
برای پیاده سازی الگوریتم های داده کاوی توسط این ابزار باید از ترکیب های متفاوت آنچه در اختیار هست استفاده کرد.
ج-WEKA
ابزار رایج و متن باز داده کاوی است که کتابخانه های آماری و داده کاوی بسیاری را شامل میشود. این نرم افزار بوسیله جاوا نوشته شده است و در دانشگاه وایکاتو در کشور نیوزلند توسعه داده شده است.
-مزایا
دارای بسته های فراوان یادگیری ماشین.
دارای نمای گرافیکی مناسب.
مشخصا به عنوان یک ابزار داده کاوی معرفی شده است.
کار کردن با آن ساده است.
اجرای همزمان چندین الگوریتم و مقایسه نتایج.
همانطور که مشخص شد weka در مقابل دیگر نرم افزار های بیان شده به لحاظ قدرت و کاربر پسندی به Rapidminer نزدیک تر است و شباهت های زیادی به هم دارند زیرا که:
هردو به زبان جاوا نوشته شده اند.
هردو تحت مجوزGPL منتشر شده اند.
Rapidminer بسیاری از الگوریتمهای weka را در خود بارگذاری میکند.
اما weka معایبی نسبت به Rapidminer دارد از جمله اینکه:
در اتصال به فایلهای حاوی داده Excel و پایگاه های داده که مبتنی بر جاوا نیستند ضعیف عمل میکند.
خواندن فایلهای csv به شکل مناسبی سازماندهی نشده است.
به لحاظ ظاهری در رده پایینتری قرار دارد.
در نهایت بعد از بررسی های انجام شده حتی در میان نرم افزار های غیرمتن باز تنها ابزاری که کارایی بالاتری از Rapidminer داشت statistica بود که متن باز نبوده و استفاده از آن نیازمند تقبل هزینه آن است]صنیعی آباده 1391[.
در یازدهمین و دوازدهمین بررسی سالانه KDDnuggets Data Mining / Analytics رای گیری با طرح این سوال که کدام ابزار داده کاوی را ظرف یک سال گذشته برای یک پروژه واقعی استفاده کرده ایددر سال 2010 از بین 912 نفر و در سال 2011 ازبین 1100 نفر انجام شد. توزیع رای دهندگان بدین صورت بوده است:
اروپای غربی 37%
آمریکای شمالی 35%
اروپای شرقی 10%
آسیا 6%
اقیانوسیه 4%
آمریکای لاتین 4%
آفریقا و خاورمیانه %4
نتایج به شرح جدول 3-1 بوده است :
جدول شماره 3-1: نتایج رای گیری استفاده از نرم افزارهای داده کاوی
2011 Vote 2010 Vote Software name
37. 8% 27. 7% Rapidminer
29. 8% 23. 3% R
24. 3% 21. 8% Excel
12. 1% 13. 6% SAS
18. 4% 12. 1% Your own code
19. 2% 12. 1% KNIMe
14. 4% 11. 8% WEKA
1. 6% 10. 6% Salford
6. 3% 8. 5% Statistica
همانطور که نتایج رای گیری مشخص میکند نرم افزار Rapidminer بیشترین استفاده کننده را دارد.
در این پایان نامه نیز عملیات داده کاوی توسط این نرم افزار انجام می شود. ناگفته نماند در قسمتهایی از نرم افزار minitab و Clementine12 نیز برای بهینه کردن پاسخ بدست آمده و بالابردن کیفیت نتایج استفاده شده است.

داده ها داده های مورد استفاده در این پژوهش شامل مجموعه بیمه نامه های شخص ثالث صادر شده استان کهگیلویه و بویراحمد در سال 1390 شمسی بوده که بیمه نامه های منجر شده به خسارت نیز در این لیست مشخص گردیده اند. تعداد کل رکوردها حدود 20 هزار رکورد بوده که از این تعداد تقریباً 7. 5 درصد یعنی حدود 1500 رکوردمنجر به خسارت گردیده اند.
3-2-1- انتخاب دادهداده مورد استفاده در این پژوهش شامل دو مجموعه داده به شرح زیر بوده است:
صدور: اطلاعات بیمه نامه های صادره
خسارت: جزئیات خسارت پرداختی ازمحل هر بیمه نامه که خسارت ایجاد کرده
3-2-2-فیلدهای مجموعه داده صدور
این فیلدها در حالت اولیه 137 مورد به شرح جدول 3-2 بوده است.
3-2-3-کاهش ابعاد
در این پژوهش بخاطر موثرنبودن فیلدهایی اقدام به حذف این مشخصه ها کرده و فیلدهای موثر نهایی به 42 فیلد کاهش یافته که به شرح جدول 3-3 بدست آمده اند. کاهش ابعاد میتواند شامل حذف فیلدهای موثر که دارای اثر بسیار ناچیز درمقابل دیگر فیلدها است نیز باشد.
جدول شماره 3-2: فیلدهای اولیه داده های صدور
ردیف نام فیلد ردیف نام فیلد ردیف نام فیلد
1 بیمه‌نامه 33 مدت بیمه 65 تعهدمازاد
2 سال‌صدوربیمه‌نامه 34 زمان‌شروع 66 کدنوع‌تعهدسرنشین
3 رشته‌بیمه 35 شغل‌بیمه‌گذار 67 میزان‌تعهدسرنشین
4 نمایش سند 36 سن‌بیمه‌گذار 68 حق‌بیمه‌ثالث‌قانونی
5 مکانیزه 37 سال‌کارت 69 ثالث قانونی+تعدددیات
6 دستی 38 سریال‌کارت 70 حق‌بیمه‌بند4
7 وب‌بنیان 39 کدوسیله‌نقلیه 71 حق‌بیمه‌ماده1
8 نام‌استان 40 کدزیررشته‌آمار 72 حق‌بیمه‌مازاد
9 نام‌شعبه 41 نوع‌وسیله‌نقلیه 73 حق‌بیمه‌سرنشین
10 کدشعبه 42 سیستم 74 مالیات
11 شعبه‌محل‌صدور 43 سال ساخت 75 مازادجانی
12 شعبه 44 رنگ 76 حق‌بیمه‌مازادمالی
13 نمایندگی‌محل‌صدور 45 شماره‌شهربانی 77 عوارض‌ماده92
14 کددولتی 46 شماره‌موتور 78 حق‌بیمه‌دریافتی
15 نمایندگی 47 شماره‌شاسی 79 tadodflg
16 دولتی 48 تعدادسیلندر 80 حق‌بیمه‌تعددخسارت
17 صادره‌توسط شعبه 49 کدواحدظ‌رفیت 81 جریمه‌بیمه‌مرکزی
18 کارمندی 50 ظرفیت 82 حق‌بیمه‌صادره‌شعبه
19 کدصادره‌توسط شعبه 51 شرح‌مورداستفاده 83 حق‌بیمه‌صادره‌نمایندگی
20 سریال‌بیمه‌نامه 52 یدک‌دارد؟ 84 کداضافه‌نرخ‌حق‌بیمه
21 شماره‌بیمه‌نامه 53 اتاق‌وسیله‌نقلیه 85 اضافه‌نرخ‌ثالث
22 نام‌بیمه‌گذار 54 نوع‌پلاک 86 اضافه‌نرخ‌بند4
23 آدرس‌بیمه‌گذار 55 جنسیت 87 اضافه‌نرخ‌مازاد
24 تلفن‌بیمه‌گذار 56 کدنوع‌بیمه‌نامه 88 تعدددیات
25 کدسازمان 57 نوع‌بیمه 89 اضافه‌نرخ‌تعدددیات
26 نام‌سازمان 58 بیمه‌نامه‌سال‌قبل 90 اضافه‌نرخ‌ماده‌یک
27 کدنوع‌بیمه 59 انقضاسال‌قبل 91 دیرکردجریمه
28 cbrn. cod 60 بیمه‌گرقبل 92 کدملی‌بیمه‌گذار
29 نوع‌بیمه 61 شعبه‌قبل 93 صادره‌توسط شعبه
30 تاریخ‌صدور 62 خسارت‌داشته‌؟ 94 نوع‌مستند1
31 تاریخ‌شروع 63 تعهدمالی 95 شماره‌مستند1
32 تاریخ‌انقضا 64 تعهدبدنی 96 تاریخ‌مستند1
ادامه جدول شماره 3-2: فیلدهای اولیه داده های صدور
ردیف نام فیلد ردیف نام فیلد ردیف نام فیلد
97 مبلغ‌مستند1 111 تخفیف ایمنی 125 کداقتصادی
98 شماره‌حساب1 112 سایرتخفیف ها 126 کدملی
99 بانک1 113 ملاحظات 127 تاریخ‌ثبت
100 نوع‌مستند2 114 نام‌کاربر 128 کدشعبه‌صادرکننده‌اصلی
101 شماره‌مستند2 115 تاریخ‌سند 129 کدنمایندگی‌صادرکننده‌اصلی
102 تاریخ‌مستند2 116 کدشهربانی 130 کدسازمان‌صادرکننده‌اصلی
103 مبلغ‌مستند2 117 شعبه‌محل‌نصب 131 سال
104 شماره‌حساب2 118 کدمحل‌نصب 132 ماه

دانلود پایان نامه ارشد- مقاله تحقیق

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : homatez.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

105 بانک2 119 دستی/مکانیزه 133 نوع
106 تخفیف‌نرخ‌اجباری 120 تیک‌باحسابداری 134 crecno
107 تخفیف‌نرخ‌اختیاری 121 سال‌انتقال 135 type_ex
108 تخفیف عدم خسارت 122 ماه‌انتقال 136 updflg
109 تخفیف صفرکیلومتر 123 sysid 137 hsab_sync
110 تخفیف گروهی 124 trsid کداقتصادی
جدول شماره 3-3: فیلدهای نهایی داده های صدور
ردیف نام فیلد ردیف نام فیلد ردیف نام فیلد
1 ماه 15 تعهدمازاد 29 تاریخ‌شروع
2 سال 16 تعهدبدنی 30 تاریخ‌صدور
3 کدنمایندگی‌صادرکننده‌اصلی 17 تعهدمالی 31 نام‌سازمان
4 تخفیف گروهی 18 بیمه‌نامه‌سال‌قبل 32 شماره‌بیمه‌نامه
5 تخفیف عدم خسارت 19 نوع‌بیمه 33 کارمندی
6 نوع‌مستند1 20 نوع‌پلاک 34 صادره‌توسط شعبه
7 دیرکردجریمه 21 شرح‌مورداستفاده 35 دولتی
8 کداضافه‌نرخ‌حق‌بیمه 22 ظرفیت 36 نمایندگی‌محل‌صدور
9 حق‌بیمه‌دریافتی 23 تعدادسیلندر 37 خسارتی؟
10 عوارض‌ماده92 24 سال ساخت 38 مبلغ خسارت
11 مالیات 25 سیستم 39 تاریخ ایجادحادثه
12 حق‌بیمه‌سرنشین 26 نوع‌وسیله‌نقلیه 40 بیمه گر زیاندیده اول
13 حق‌بیمه‌مازاد 27 مدت بیمه 41 تعداد زیاندیدگان مصدوم
14 حق‌بیمه‌ثالث‌قانونی 28 تاریخ‌انقضا 42 تعداد زیاندیدگان متوفی
در کاهش ابعاد این مساله برای حذف فیلدهای مختلف نظرات کارشناسان بیمه نیز لحاظ شده است. جدول 3-4 فیلدهای حذف شده و علت حذف آنها را بیان کرده است.
جدول شماره 3-4: فیلدهای حذف شده داده های صدور و علت حذف آنها
نام فیلد حذف شده علت حذف
Crecno-type_ex-updflg-hsab_sync-کدمحل‌نصب-دستی/مکانیزه-تیک‌باحسابداری-سال‌انتقال-ماه‌انتقال-sysid-trsid-کدزیررشته آمار-نمایش سند-مکانیزه-دستی-وب‌بنیان-Cbrn. cod کاربرد آماری
نوع-کد شعبه صادرکننده-شعبه محل نصب-کدشهربانی-سایرتخفیف ها-تخفیف ایمنی-تخفیف صفر کیلومتر-تخفیف نرخ اختیاری-تخفیف نرخ اجباری-خسارت داشته؟-شعبه قبل-جنسیت-کد نوع بیمه نامه-یدک دارد-
اتاق وسیله نقلیه-سن بیمه گذار-شغل بیمه گذار-زمان شروع-کد نوع بیمه دارای مقدار یکسان یا null
کد سازمان صادر کننده-کد نوع تعهد سرنشین-کدواحدظرفیت-کد وسیله نقلیه-کد سازمان-کد صادره توسط-نمایندگی-کد دولتی بجای این کد از فیلد اسمی معادل آن استفاده شده است و یا برعکس زیرا در نتایج خروجی قابل فهم تر خواهد بود.
تاریخ ثبت-تاریخ سند-بیمه گر قبل-مبلغ -مستند 1و2-اضافه‌نرخ‌ثالث-4اضافه‌نرخ‌بند-
اضافه‌نرخ‌مازاد-میزان تعهد سرنشین-تعدددیات-اضافه‌نرخ‌تعدددیات-اضافه‌نرخ‌ماده‌یک-تاریخ مستند1و2-شماره -حساب 1و2-بانک1و2 دارای مقدار تکراری
کدملی-بیمه نامه-کداقتصادی-نوع مستند2-
شماره مستند1و2-نام کاربر-ملاحظات-
کدملی بیمه گذار-شماره شاسی-شماره موتور-
شماره شهربانی-سریال کارت-سال کارت-
نام‌استان-نام‌شعبه-کدشعبه-شعبه‌محل‌صدور
شعبه-سال‌صدوربیمه‌نامه-رشته‌بیمه-رنگ-تلفن بیمه گذار-نام بیمه گذار-آدرس بیمه گذار-سریال بیمه نامه بدون تاثیر
حق‌بیمه‌تعددخسارت-جریمه‌بیمه‌مرکزی-
حق‌بیمه‌صادره‌شعبه-حق‌بیمه‌صادره‌نمایندگی-
مازادجانی-حق‌بیمه‌مازادمالی-حق بیمه ماده1-
حق بیمه ماده4-ثالث قانونی + تعدد دیات- انقضا سال قبل بخشی از فیلد انتخاب شده
جدول 3-5: فیلدهای استخراج شده از داده های خسارت
مبلغ خسارت
تاریخ ایجادحادثه
بیمه گر زیاندیده اول
تعداد زیاندیدگان مصدوم
تعداد زیاندیدگان متوفی
3-2-4- فیلدهای مجموعه داده خسارتاز مجموعه داده خسارت فقط فیلدهای مشخص کننده میزان خسارت و جزئیات لازم استخراج شده است. متاسفانه اطلاعات مفید تری مثل سن راننده مقصر، میزان تحصیلات و. . . در این مجموعه داده وجود نداشته است و چون هنگام ثبت خسارت برای یک بیمه نامه از اطلاعات کلیدی داده های صدور استفاده می شود، با توجه به اینکه از مرحله قبل مهمترین فیلدهای داده های صدور را در دسترس داریم بنابراین با ادغام فیلدهای خسارت و صدور به اطلاعات جامعی در خصوص یک بیمه نامه خاص دسترسی خواهیم داشت. مشخصه ها استخراج شده از داده های خسارت طبق جدول 3-5 است.

3-2-5-پاکسازی داده هاداده ها در دنیای واقعی ممکن است دارای خطا، مقادیر از دست رفته، مقادیر پرت و دورافتاده باشند [Jiawei Han, 2010]. در مرحله پاکسازی با توجه به نوع داده ممکن است یک یا چند روش پاکسازی بر روی داده اعمال شود.
3-2-6- رسیدگی به داده های از دست رفتهدر این قسمت از کار اقدام به رفع Missing data نموده که خود مرحله مهمی از پاکسازی داده بحساب می آید. در مرحله ابتدایی با مرتب سازی تمام ویژگی های قابل مرتب سازی در نرم افزار Microsoft Excel اقدام به کشف مقادیر از دست رفته کرده و از طریق دیگر ویژگی های هر رکورد مقدار از دست رفته را حدس زده ایم. همچنین درحین انتقال داده به محیط داده کاوی مقادیر از دست رفته نیز مشخص می گردند. در بعضی موارد بدلیل تعداد زیاد ویژگی های از دست رفته اقدام به حذف کامل رکورد نمودیم. این کار برای زمانی که داده ها در حجم انبوهی وجود دارند مفید واقع میشوند اما زمانی که تعداد رکوردها کم می باشد اجتناب از این عمل توصیه می شود. برای ویژگی نوع بیمه که از نوع چند اسمی بوده است فقط دو مقدار"کارمندی" و "عادی" وجود داشته که تعداد 49 مورد فاقد مقدار بوده است. کل تعداد بیمه کارمندی 27 مورد بوده است. با توجه به کم بودن تعداد داده های ازدست رفته این فیلد و پس از مقایسه نام بیمه گذاران با اسم کارمندان مشخص شد هیچ کدام از موارد فوق کارمندی نبوده و همه از نوع عادی بوده اند.
از جمله فیلدهای دارای مقادیر از دست رفته و روش رفع ایراد آنها عبارتند از:
سیستم*** 70 مورد***تشخیص با توجه به دیگر ویژگی ها
نوع وسیله نقلیه***33مورد***تشخیص با توجه به دیگر ویژگی ها
شرح مورد استفاده***11مورد***تشخیص با توجه به دیگر ویژگی هاتعدادسیلندر***2مورد***تشخیص با توجه به دیگر ویژگی ها
دولتی***28 مورد***تشخیص از روی پلاک
ماه***130 مورد***تشخیص از روی تاریخ صدور
نوع بیمه***49مورد***تشخیص از روی نام بیمه گذار
تعداد رکوردهایی که مقادیرازدست رفته در چند ویژگی مهم را داشته اند و حذف شده اند حدود 350 مورد بوده است.
3-2-7-کشف داده دور افتادهبعضی از مقادیر بسته به نوع داده علی رغم پرت تشخیص داده شدن مقادیر صحیحی می باشند. بنابراین حذف اینگونه داده ها برای کاستن پیچیدگی مساله میتواند موجب حذف قوانین مهمی در الگوریتم های مبتنی برقانون یا درختهای تصمیم شود. پس بررسی خروجی الگوریتم توسط یک فردخبره در موضوع مساله می تواند مانع از این اتفاق شود. نوع برخورد با داده پرت میتواند شامل حذف داده پرت، تغییر مقدار، حذف رکورد و در مواردی حذف مشخصه باشد.
برای تشخیص داده پرت از نمودار boxplot نرم افزار minitab 15 استفاده گردید. در این نمودار از مفهوم درصدک استفاده میشود که داده های بین 25% تا 75% که به ترتیب با Q1 و Q3 نشان داده می شوند مهم ترین بخش داده ها هستند. X50% نیز میانه را نشان می دهد و با یک خط در وسط نمودار مشخص می شود. Interquartile range (IQR) نیز مفهوم دیگری است که برابر است با IQR = Q3-Q1 .
مقادیر بیشتر از Q3 + [(Q3 - Q1) X 1. 5] و کمتر از Q1 - [(Q3 - Q1) X 1. 5]داده پرت محسوب می شوند. برای انجام اینکار نمودار boxplot را روی تک تک مشخصه های داده ها به اجرا در آورده و نتایج مطابق جدول 3-6 حاصل گردید.
جدول 3-6: نتایج نمودار boxplot
نام فیلد محاسبه مقادیر پرت توضیحات
تعداد زیاندیدگان متوفی Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 مقدار 1و2 نشان داده شده صحیح می باشد
تعداد زیاندیدگان مصدوم Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 1و2و3 نشان داده شده صحیح می باشد
بیمه گر زیاندیده اول Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 مقدار 1و2و3و. . . نشان داده شده صحیح می باشد و عدد 99 مقداری صحیح است که به معنی ندارد استفاده میگردد
مبلغ خسارت Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 مبلغ خسارت 1.658.398.000 ریال و 900.000.000 ریال واقعا پرداخت گردیده است
تعداد سیلندر Q1=4, Q3=4, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=4
Q1 - [(Q3 - Q1) X 1. 5]=4مقدار 5 به عنوان تعداد سیلندر ناصحیح می باشد
ظرفیت Q1=5, Q3=5, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=5
Q1 - [(Q3 - Q1) X 1. 5]=5 مقادیر بین 1 تا 96 ظرفیتهای منطقی بر اساس تناژ یا سرنشین بوده و صحیح است اما مقدار 750 نا صحیح است
نوع پلاک Q1=3, Q3=3, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=3
Q1 - [(Q3 - Q1) X 1. 5]=3 مقادیر با مفهوم بوده و دور افتاده نیست
بیمه نامه سال قبل Q1=1, Q3=1, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=1
Q1 - [(Q3 - Q1) X 1. 5]=1 مقادیر عددی 0 یا 1 به معنی داشتن یا نداشتن بوده و صحیح است
تعهدات مالی Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 مقادیر با مفهوم بوده و دور افتاده نیست
حق بیمه ثالث قانونی Q1=1992600, 3=3332500, IQR=1339900
Q3 + [(Q3 - Q1) X 1. 5]=5342350
Q1 - [(Q3 - Q1) X 1. 5]=17250 مقادیر با مفهوم بوده و دور افتاده نیست
حق بیمه مازاد Q1=0, Q3=9100, IQR=9100
Q3 + [(Q3 - Q1) X 1. 5]=22750
Q1 - [(Q3 - Q1) X 1. 5]=13650 مقادیر با مفهوم بوده و دور افتاده نیست
دیرکرد جریمه Q1=0, Q3=0, IQR=0
Q3 + [(Q3 - Q1) X 1. 5]=0
Q1 - [(Q3 - Q1) X 1. 5]=0 مقادیر با مفهوم بوده و دور افتاده نیست
تخفیف عدم خسارت Q1=610080, Q3=1495200, IQR=885120
Q3 + [(Q3 - Q1) X 1. 5]=2822880
Q1 - [(Q3 - Q1) X 1. 5]=717600 مقادیر با مفهوم بوده و دور افتاده نیست
3-2-8-انبوهش دادهبا ادغام کردن داده های صدور و خسارت به خلق ویژگیهای جدیدی دست زده ایم. چون داده ها در دو فایل جدا گانه بوده و حجم داده زیاد بوده است برای ادغام از پرس و جوی نرم افزار Microsoft Access استفاده شد. برای تشخیص بیمه نامه های خسارت دیده از فیلد شماره بیمه نامه که در هردوفایل مشترک بود استفاده کردیم.
3-2-9- ایجاد ویژگی دستهدر این مرحله پس از ادغام ویژگی های مختلف اقدام به ایجاد یک فیلد برای تمام رکوردهایی که منجر به خسارت شده اند می نماییم. این فیلد در الگوریتمهای دسته بندی مورد استفاده قرار خواهد گرفت. برای انجام این کار از یک پر و جوی Microsoft Access استفاده میکنیم.
3-2-10-تبدیل دادهجهت استفاده کاربردی تر از برخی ویژگی ها باید مقادیر آن ویژگی تغییر کند. یک نمونه از این کار تغییر مقدار ویژگی " دیرکرد جریمه " است. مقدار این فیلد مبلغ جریمه دیرکرد بیمه گذار بوده است که با تقسیم این مبلغ به عدد 13000 تعداد روزهای تاخیر در تمدید بیمه نامه افراد مشخص می شود، زیرا به ازای هر روز تاخیر مبلغی حدود 13000ریال در سال 1390 به عنوان جریمه دیرکرد از فرد متقاضی بیمه نامه دریافت می گردید.
3-2-11-انتقال داده به محیط داده کاویپس از انجام پاکسازی، داده باید به محیط داده کاوی منتقل شود. در خلال این انتقال نیاز به تعریف و یا تغییر نوع داده وجود دارد. در طول این تغییر داده ممکن است مقادیری از داده ها بدلیل ناسازگاری و یا دلایل مشابه به عنوان داده از دست رفته مشخص گردد و یا داده از دست رفته ای که قبلاً قابل تشخیص نبوده مشخص گردد. (شکل 3-1)

شکل شماره3-1: داده از دست رفته فیلد" نوع بیمه " پس از انتقال به محیط داده کاوی
3-2-12-انواع داده تعیین شده
پس از انتقال داده به محیط داده کاوی، هر ویژگی به نوع خاصی از داده توسط نرم افزار تشخیص داده شد. پس از آن نوع داده تشخیصی مورد بررسی قرار گرفت و اشتباهات پیش آمده تصحیح گردیدند. همچنین گروهی از ویژگی ها که به هیچ نوع داده ای اختصاص داده نشده بود بصورت دستی به بهترین نوع ممکن اختصاص داده شد. چون برخورد الگوریتم ها با انواع داده ها متفاوت است با توجه به موضوع پژوهش بهترین نوع داده که بتواند نسبت به الگوریتم موثرترواقع شود برای هر ویژگی درنظر گرفته شد.
جدول نوع داده های مورد استفاده در این پژوهش به شرح جدول 3-7 است:
جدول 3-7: انواع داده استفاده شده
نام فیلد نوع فیلد
ماه-سال-کدنمایندگی‌صادرکننده‌اصلی- تعداد زیاندیدگان مصدوم- نوع‌پلاک- ظ‌رفیت- تعدادسیلندر- سال ساخت- مدت بیمه- نمایندگی‌محل‌صدور- تعداد زیاندیدگان متوفی-حق‌بیمه‌ثالث‌قانونی-تعهدمازاد-تعهدبدنی-تعهدمالی Integer
- نوع‌بیمه- شرح‌مورداستفاده- بیمه گر زیاندیده اول نوع‌مستند1- سیستم نوع‌وسیله‌نقلیه- نام‌سازمان-دولتی polynominal
دیرکردجریمه-کداضافه‌نرخ‌حق‌بیمه-حق‌بیمه‌دریافتی-عوارض‌ماده92-مالیات-حق‌بیمه‌سرنشین-حق‌بیمه‌مازاد- تخفیف گروهی-تخفیف عدم خسارت- مبلغ خسارت real
بیمه‌نامه‌سال‌قبل- کارمندی- صادره‌توسط شعبه- خسارتی؟ binominal
تاریخ‌انقضا-تاریخ‌شروع-تاریخ‌صدور- تاریخ ایجادحادثه date
شماره‌بیمه‌نامه text
3-2-13-عملیات انتخاب ویژگیهای موثرتردر برخورد با برخی از الگوریتمها که با بیشتر شدن تعداد ویژگی پیچیدگی بیشتری نیز پیدا میکنند، مانند درختهای تصمیم، svm، Regression و شبکه های عصبی باید از ویژگی های کمتری استفاده کنیم. درکل انتخاب ویژگی برای استفاده در الگوریتم های دسته بندی تکنیک کارآمدی است. دراینجا ازتکنیکهای کاهش ویژگی و یا وزن دهی استفاده کرده و فیلدهای منتخبی که وزن بیشتری را دارند به عنوان ورودی الگوریتمها انتخاب گردیدند.
با توجه به اینکه احتمال ارزش دهی به یک ویژگی در تکنیکهای مختلف متغیر است و ممکن است ویژگی خاصی توسط یک تکنیک باارزش قلمداد شده و توسط تکنیکی دیگر بدون ارزش تلقی شود، نتیجه تمام تکنیکها Union, شده و فیلدهای حاصل به عنوان ورودی الگوریتم مشخص گردید.
3-3-نتایج اعمال الگوریتم PCA و الگوریتم های وزن دهی
نتایج حاصل از این تکنیک ها در شکل های 3-2 الی3-5 نمایش داده شده است.

شکل 3-2: نتایج الگوریتمPCA
در ارزشدهی به ویژگی ها

شکل 3-3: نتایج الگوریتم SVM Weighting
در ارزشدهی به ویژگی ها

شکل 3-4: نتایج الگوریتم
Weighting Deviation در ارزشدهی به ویژگی ها

شکل 3-5: نتایج الگوریتم Weighting Correlation
در ارزشدهی به ویژگی ها
3-4-ویژگی های منتخب جهت استفاده در الگوریتمهای حساس به تعداد ویژگیلازم به توضیح است در تمام الگوریتمهایی که از 24 ویژگی جدول 3-8 استفاده شده است از تمام ویژگی ها نیز استفاده شده و نتایج با هم مقایسه گردیده اند و مشخص شد که وجود برخی ویژگی ها که در آن جدول قرار ندارند باعث کاهش دقت الگوریتم شده و در برخی الگوریتم ها نیز تفاوتی میان دو مقایسه مشخص نشد.
جدول 3-8: نتایج حاصل از اجتماع فیلدهای با بالاترین وزن در الگوریتمهای مختلف
نام فیلد نوع فیلد
تعهدمازاد- تعهدبدنی- تعهدمالی- نوع‌پلاک- ظ‌رفیت- تعدادسیلندر- سال ساخت- مدت بیمه- تعداد زیاندیدگان مصدوم- تعداد زیاندیدگان متوفی Integer
شرح‌مورداستفاده- سیستم- نوع‌وسیله‌نقلیه- بیمه گر زیاندیده اول polynominal
دیرکردجریمه- کداضافه‌نرخ‌حق‌بیمه- حق‌بیمه‌دریافتی- مالیات- حق‌بیمه‌سرنشین- حق‌بیمه‌ثالث‌قانونی- مبلغ خسارت real
بیمه‌نامه‌سال‌قبل- کارمندی- صادره‌توسط شعبه binominal
3-5-معیارهای ارزیابی الگوریتمهای دسته بندیدر این بخش توضیحاتی درخصوص چگونگی ارزیابی الگوریتم های دسته بندی و معیار های آن ارائه خواهد شد.
3-6-ماتریس درهم ریختگیماتریس در هم ریختگی چگونگی عملکرد دسته بندی را با توجه به مجموعه داده ورودی به تفکیک نشان میدهد که:
TN: تعدادرکوردهایی است که دسته واقعی آنها منفی بوده و الگوریتم نیز دسته آنها را به درستی منفی تشخیص داده است.
FP: تعدادرکوردهایی است که دسته واقعی آنها منفی بوده و الگوریتم دسته آنها را به اشتباه مثبت تشخیص داده است.
FN: تعدادرکوردهایی است که دسته واقعی آنها مثبت بوده و الگوریتم دسته آنها را به اشتباه منفی تشخیص داده است.
TP: تعدادرکوردهایی است که دسته واقعی آنها مثبت بوده و الگوریتم نیز دسته آنها را به درستی مثبت تشخیص داده است.
جدول 3-9: ماتریس در هم ریختگی
رکوردهای تخمینی(Predicted Records)
دسته+ دسته- FP TN دسته-
TP FN دسته+
1903095210185رکوردهای واقعی(Actual Records)
00رکوردهای واقعی(Actual Records)

مهمترین معیار برای تعیین کارایی یک الگوریتم دسته بندی معیاردقت دسته بندی است. این معیارنشان می دهد که چند درصد ازکل مجموعه رکوردهای آموزشی بدرستی دسته بندی شده است.
دقت دسته بندی بر اساس رابطه زیر محاسبه می شود:
CA=TN+TPTN+FN+TP+FP3-7-معیار AUCاین معیار برای تعیین میزان کارایی یک دسته بند بسیار موثر است. این معیار نشان دهنده سطح زیر نمودار ROC است. هرچقدرعدد AUC مربوط به یک دسته بند بزرگتر باشد، کارایی نهایی دسته بند مطلوب تر است. در ROC نرخ تشخیص صحیح دسته مثبت روی محور Y و نرخ تشخیص غلط دسته منفی روی محورX رسم میشود. اگر هر محور بازه ای بین 0و1 باشد بهترین نقطه در این معیار (0, 1) بوده و نقطه (0, 0) نقطه ای است که دسته بند مثبت و هشدار غلط هیچگاه تولید نمی شود.
3-8-روشهای ارزیابی الگوریتم های دسته بندیدر روشهای یادگیری با ناظر، دو مجموعه داده مهم به اسم داده های آموزشی و داده های آزمایشی وجود دارند. چون هدف نهایی داده کاوی روی این مجموعه داده ها یافتن نظام حاکم بر آنهاست بنابراین کارایی مدل دسته بندی بسیار مهم است. از طرف دیگر این که چه بخشی از مجموعه داده اولیه برای آموزش و چه بخشی به عنوان آزمایش استفاده شود بستگی به روش ارزیابی مورد استفاده دارد که در ادامه انواع روشهای مشهور را بررسی خواهیم کرد]صنیعی آباده 1391[.
روش Holdoutدر این روش چگونگی نسبت تقسیم مجموعه داده ها بستگی به تشخیص تحلیلگر داشته اما روش های متداول ازنسبت 50-50 و یا دو سوم برای آموزش و یک سوم برای آزمایش و ارزیابی استفاده میکنند.
مهم ترین حسن این روش سادگی و سرعت بالای عملیات ارزیابی می باشد اما معایب این روش بسیارند. اولین ایراد این روش آن است که بخشی از مجموعه داده اولیه که به عنوان داده آزمایشی است، شانسی برای حضور در مرحله آموزش ندارد. بدیهی است مدلی که نسبت به کل داده اولیه ساخته می شود، پوشش کلی تری را بر روی داده مورد بررسی خواهد داشت. بنابراین اگر به رکوردهای یک دسته در مرحله آموزش توجه بیشتری شود به همان نسبت در مرحله آزمایش تعدادرکوردهای آن دسته کمتر استفاده می شوند.
دومین مشکل وابسته بودن مدل ساخته شده به، نسبت تقسیم مجموعه داده ها است. هرچقدر داده آموزشی بزرگتر باشد، بدلیل کوچکتر شدن مجموعه داده آزمایشی دقت نهایی برای مدل یادگرفته شده غیرقابل اعتماد تر خواهد بود. و برعکس با جابجایی اندازه دو مجموعه داده چون داده آموزشی کوچک انتخاب شده است، واریانس مدل نهایی بالاتربوده و نمی توان دانش کشف شده را به عنوان تنها نظم ممکن درمجموعه داده اولیه تلقی کنیم.
روش Random Subsamplingاگر روش Holdout را چند مرتبه اجرا نموده و از نتایج بدست آمده میانگین گیری کنیم روش قابل اعتماد تری را بدست آورده ایم که Random Subsampling نامیده می شود.
ایراد این روش عدم کنترل بر روی تعداد استفاده از یک رکورد در آموزش یا ارزیابی می باشد.
3-8-3-روش Cross-Validationاگر در روش Random Subsampling هرکدام از رکوردها را به تعداد مساوی برای یادگیری و تنها یکبار برای ارزیابی استفاده کنیم روشی هوشمندانه تر اتخاذ کرده ایم. این روش در متون علمی Cross-Validation نامیده می شود. برای مثال مجموعه داده را به دوقسمت آموزش و آزمایش تقسیم میکنیم و مدل را بر اساس آن می سازیم. حال جای دوقسمت را عوض کرده و از مجموعه داده آموزش برای آزمایش و از مجموعه داده آزمایش برای آموزش استفاده کرده و مدل را می سازیم. حال میانگین دقت محاسبه شده به عنوان میانگین نهایی معرفی می شود. روش فوق 2-Fold Cross Validation نام دارد. اگر بجای 2 قسمت مجموعه داده به K قسمت تقسیم شود، و هر بار با K-1 قسمت مدل ساخته شود و یک قسمت به عنوان ارزیابی استفاده شود درصورتی که این کار K مرتبه تکرار شود بطوری که از هر قسمت تنها یکبار برای ارزیابی استفاده کنیم، روش K-Fold Cross Validation را اتخاذ کرده ایم. حداکثر مقدار k برابر تعداد رکوردهای مجموعه داده اولیه است.
3-8-4-روش Bootstrapدر روشهای ارزیابی که تاکنون اشاره شدند فرض برآن است که عملیات انتخاب نمونه آموزشی بدون جایگذاری صورت می گیرد. درواقع یک رکورد تنها یکبار در یک فرآیند آموزشی شرکت داده می شود. اگر یک رکورد بیش از یک مرتبه در عملیات یادگیری مدل شرکت داده شود روش Bootstrap را اتخاذ کرده ایم. در این روش رکوردهای آموزشی برای انجام فرآیند یادگیری مدل ازمجموعه داده اولیه به صورت نمونه برداری با جایگذاری انتخاب خواهند شد و رکوردهای انتخاب نشده جهت ارزیابی استفاده می شود.
3-9-الگوریتمهای دسته بندیدر این بخش به اجرای الگوریتم های دسته بندی پرداخته و نتایج حاصل را مشاهده خواهیم کرد.
درالگوریتمهای اجرا شده از هر سه روش Holdout, k fold Validation, Bootstrap استفاده شده است و نتایج با هم مقایسه شده اند. در روشHoldout که در نرم افزار با نام Split Validation آمده است از نسبت استاندارد آن یعنی 70 درصد مجموعه داده اولیه برای آموزش و 30 درصد برای آزمایش استفاده شده است. برای k fold Validation مقدار k برابر 10 درنظر گرفته شده است که مقدار استانداردی است. در Bootstrap نیز مقدار تقسیم بندی مجموعه داده برابر 10 قسمت درنظر گرفته شده است. مقدار local random seed نیز برابر عدد 1234567890 می باشد که برای همه مدلها، نرم افزار از آن استفاده می کند مگر اینگه در مدل خاصی عدم استفاده از آن ویا تغییر مقدارموجب بهبود عملکرد الگوریتم شده باشد که قید میگردد. اشکال 3-6و3-7 چگونگی استفاده از یک مدل ارزیابی را در Rapidminer نشان می دهد.

شکل 3-6: نمای کلی استفاده از روشهای ارزیابی

شکل 3-7: نمای کلی استفاده از یک مدل درون یک روش ارزیابی
الگوریتم KNNدر انتخاب مقدار k اعداد بین 1 تا 20 و همچنین اعداد 25 تا 100 با فاصله 5 آزمایش شدند. بهترین مقدار عدد 11 بوده است.
پس از اجرای الگوریتم، بهترین نتیجه مربوط به ارزیابی Split Validation با دقت91.23%بوده است. نمودار AUC آن در شکل 3-8 ترسیم شده است.
25768302223135آستانه قابل قبول
020000آستانه قابل قبول
716280-63500دسته مثبت
020000دسته مثبت

شکل 3-8: نمودار AUC الگوریتم KNN
الگوریتم Naïve Bayesاین الگوریتم پارامترخاصی برای تنظیم ندارد.
بهترین نتیجه مربوط به ارزیابی Split Validation با دقت 96.09% بوده است. نمودار AUC آن در شکل 3-9 ترسیم شده است.
22872701749425آستانه قابل قبول
020000آستانه قابل قبول
7689856985دسته مثبت
020000دسته مثبت

شکل 3-9: نمودار AUC الگوریتم Naïve Bayes
الگوریتم Neural Networkتکنیک شبکه عصبی استفاده، مدل پرسپترون چندلایه با 4 نرون در یک لایه نهان بوده است.
تنظیمات الگوریتم شبکه عصبی به شرح زیر بوده است:
Training cycles=500
Learning rate=0.3
Momentum=0.2
Local random seed=1992
چون این الگوریتم فقط از ویژگیهای عددی پشتیبانی می کند، از عملگرهای مختلفی برای تبدیل مقادیر غیرعددی به عدد استفاده شده است. به همین دلیل تنها از روش Split validation با نسبت 70-30برای ارزیابی استفاده شده است که تقسیم ورودی ها نیز توسط کاربر انجام گرفت.
شکل3-10 عملیات انجام شده را نشان می دهد.

شکل 3-10: تبدیل ویژگی های غیر عددی به عدد در الگوریتم شبکه عصبی
نتیجه اجرای الگوریتم Neural Network دقت 91.25%بوده ماتریس آشفتگی آن و نمودار AUC در شکل 3-11 رسم شده است.

29222702265680آستانه قابل قبول
020000آستانه قابل قبول
725170-55245دسته مثبت
020000دسته مثبت

شکل 3-11: نمودار AUC و ماتریس آشفتگی الگوریتم Neural Net
الگوریتم SVM خطیدر این الگوریتم نیز بدلیل عدم پشتیبانی از نوع داده اسمی از عملگرهای مختلفی برای تبدیل مقادیر غیرعددی به عدد استفاده شده است. به همین دلیل تنها از روش Split validation با نسبت 70-30 برای ارزیابی استفاده شده است که تقسیم ورودی ها نیز توسط کاربر انجام شد.
شکل3-12 عملیات انجام شده را نشان می دهد.

شکل 3-12: تبدیل ویژگی های غیر عددی به عدد در الگوریتم SVM خطی
پارامترهای الگوریتم عبارتند از :
Kernel cache=200
Max iteretions=100000
نتیجه حاصل از اجرای الگوریتم SVM خطی دقت 98.54% است. ماتریس آشفتگی آن و نمودار AUC در شکل 3-13 رسم شده است.

25711152215515آستانه قابل قبول
020000آستانه قابل قبول
1045845-111760دسته مثبت
020000دسته مثبت

شکل 3-13 : نمودار AUC الگوریتم SVM Linear
3-9-5-الگوریتم رگرسیون لجستیک
در این الگوریتم از روش Split validation با نسبت 70-30برای ارزیابی استفاده شده است که تقسیم ورودی ها نیز توسط کاربر انجام شد.
نتیجه حاصل از اجرای الگوریتم رگرسیون لجستیک دقت 98.54% است. ماتریس آشفتگی آن و نمودار AUC در شکل 3-14 رسم شده است.

25482552319020آستانه قابل قبول
020000آستانه قابل قبول
974725-249555دسته مثبت
020000دسته مثبت

شکل 3-14 : نمودار AUC الگوریتم رگرسیون لجستیک
3-9-6- الگوریتم Meta Decision Treeدر این الگوریتم که یک درخت تصمیم است، از روش Split validationبا نسبت 70-30 برای ارزیابی استفاده شده است که دقت 96.64% اقدام به پیش بینی خسارت احتمالی نموده است. ماتریس آشفتگی آن و نمودار AUC در شکل 3-15 رسم شده است.

26714452353945آستانه قابل قبول
020000آستانه قابل قبول
835660-73660دسته مثبت
020000دسته مثبت

شکل 3-15 : نمودار AUC الگوریتم Meta Decision Tree
با توجه به اندازه بزرگ درخت خروجی فقط قسمتی از آن در شکل 3-16 بصورت درخت نمایش داده می شود. در شکل 3-17 درخت بصورت کامل آمده است اما نتایج آن در فصل چهارم مورد تفسیر قرار خواهند گرفت.

شکل 3-16 : قسمتی از نمودارtree الگوریتم Meta Decision Tree

شکل 3-17 : نمودار --ial الگوریتم Meta Decision Tree
3-9-7-الگوریتم درخت Wj48چون RapidMiner توانایی استفاده ازالگوریتمهای نرم افزار WEKA را نیز دارد، در بسیاری از الگوریتم ها قدرت مند تر عمل میکند. Wj48 نسخه WEKA از الگوریتمj48 است.
پارامترهای این الگوریتم عبارتند از:
C=0.25
M=2
در این الگوریتم از روش ارزیابی 10 Fold Validation استفاده شده است و دقت پیش بینی آن برابر 99.52% است. ماتریس آشفتگی آن و نمودار AUC در شکل 3-18 رسم شده است. نمای درخت در شکل 3-19 ترسیم شده است.

35471102441575آستانه قابل قبول
020000آستانه قابل قبول
908685160020دسته مثبت
020000دسته مثبت

شکل 3-18: نمودار AUC الگوریتم Wj48

شکل 3-19 : نمودار tree الگوریتم Wj48
3-9-8-الگوریتم درخت Random forest در این الگوریتم از هر سه روش ارزیابی بیان شده در قسمت 3-9 استفاده شده است، که بهترین کارایی مربوط به ارزیاب Split Validation با دقت96.72% است. ماتریس آشفتگی آن و نمودار AUC در شکل 3-20 رسم شده است.

24853902600960آستانه قابل قبول
020000آستانه قابل قبول
1046480273685دسته مثبت
020000دسته مثبت

–391

پیوست:...........
"تعهد نامه اصالت رساله یا پایان نامه"
اینجانب: وحید مرادی دانشجوی مقطع کارشناسی ارشد ناپیوسته در رشته: شیمی- آلی با شماره دانشجویی: 890631843 که در تاریخ: 4/7/91 از پایان نامه خود تحت عنوان: : مطالعه اثرات استریوالکترونی موثر بر خواص پیکربندی 1و2-دیفنیل دیآزن ، -دیفسفن ، -دیآرسن و -دیاستیبن با روش های مکانیک کوانتومی آغازین و تحلیلNBO با کسب نمره: 93/19
و درجه: عالی دفاع نموده ام بدینوسیله متعهد می شوم:
1- این پایان نامه حاصل تحقیق و پژوهش انجام شده توسط اینجانب بوده و در مواردی که از دستاوردهای علمی و پژوهشی دیگران (اعم از پایان نامه، کتاب، پروژه - ریسرچو ...) استفاده نموده ام، مطابق ضوابط و رویه موجود، نام منبع مورد استفاده و سایر مشخصات آن را در فهرست مربوطه ذکر و درج کردهام.
2- این پایان نامه قبلاً برای دریافت هیچ مدرک تحصیلی (هم سطح، پایین تر یا بالاتر) در سایر دانشگاهها و موسسات آموزش عالی ارائه نشده است.
3- چنانچه بعد از فراغت از تحصیل، قصد استفاده و هرگونه بهره برداری اعم از چاپ کتاب، ثبت اختراع و ... از این پایان نامه داشته باشم، از حوزه معاونت پژوهشی واحد مجوزهای مربوطه را اخذ نمایم.
4- چنانچه در هر مقطعی زمانی خلاف موارد فوق ثابت شود، عواقب ناشی از آن را میپذیرم و واحد دانشگاهی مجاز است با اینجانب مطابق ضوابط و مقرات رفتار نموده و در صورت ابطال مدرک تحصیلیام هیچ گونه ادعایی نخواهم داشت.
نام و نام خانوادگی: وحید مرادی
تاریخ و امضا
1682753174900
گواهی امضادانشجوی فوق الذکر احراز هویت شد فقط امضای ایشان گواهی میگردد.
نام و نام خانوادگی رئیس پژوهش دانشکده
تاریخ و امضا
اراک –میدان امام خمینی-بلوارامام خمینی(ره)-شهرک دانشگاه آزاداسلامی- صندوق پستی 567/38135
فهرست مطالب
عنوان صفحه
فصل اول: مقدمه
1-1-مقدمه2
1-2-بررسیهای انجام شده در این پروژه4
1-3- کامپیوتر و شیمی کوانتوم7
1-4-معرفی برنامههای کامپیوتر8
1-4-1-نرم افزار گوسین8
1-4-2-نرم افزار گرافیکیChem 3D9
1-4-3-برنامه اوربیتال مولکولی MOPAC9
فصل دوم : تاریخچه
2-1-مقدمه12
2-2-پیدایش13
2-3-ترکیبات اولیه16
2-4-مطالعات گذشته18
2-5-نتیجه31
فصل سوم : محاسبات شیمیایی
3-1-مقدمه34
عنوان صفحه
3-2-محاسبات شیمیایی35
3-2-1- روش‌های محاسباتی براساس مکانیک کلاسیک36
3-2-2- روش‌های محاسباتی براساس مکانیک کوانتومی39
3-2-2-1-روشهای نیمه تجربی40
3-2-2-2-روش‌های مکانیک کوانتومی آغازین42
3-3- تقریب بورن اپنهایمر43
3-4- روش‌های مبتنی بر اوربیتال مولکولی45
3-4-1- روش هارتری- فاک45
3-4-1-1-محدودیت‌های روش هارتری- فاک47
3-4-2- روش‌های ارتباط الکترونی(EC)48
3-5- روش‌های مبتنی بر توابع دانسیته50
3-5-1- تقریب دانسیته موضعی53
3-5-2- تصحیح شیب دانسیته54
3-5-3-روش پیوستگی آدیاباتیک( ACM)55
3-6-سری‌های پایه57
3-6-1- اوربیتال‌های اسلیتری و گوسی58
3-6-2-طبقه‌بندی سری‌های پایه60
3-6-2-1- سری‌های پایه کمینه62
عنوان صفحه
3-6-2-2- سری‌های پایه پاپل63
3-6-2-2-1- توابع پلاریزه‌کننده و پخش‌کننده65
3-6-2-3-سری‌های پایه پتانسیل‌های مغزی مؤثر66
3-6-2-4-سری پایه دانینگ67
3-7-اوربیتال‌های پیوند طبیعی67
3-7-1- ساختار برنامه NBO70
3-8-مقایسه روش‌های مکانیک کوانتومی71
3-9-روش کار73
3-9-1- تهیه فایل دادهها73
3-9-2- نحوه محاسبات برنامه MOPAC74
3-9-3- بهینه سازی ساختار هندسی74
3-9-4- شرح روش کار محاسبات کامپیوتری75
3-10- روش کار با نرم افزار گوسین79
3-10-1- هدف اصلی از انجام محاسبات80
3-10-2- روش محاسبه80
3-10-3- مجموعه پایه80
3-10-4-طرز کار80
عنوان صفحه
فصل چهارم : نتایج وبحث
4-1- مقدمه85
4-2- نتایج حاصل از محاسبات89
4-2-1- بررسی انرژی آزاد گیبس89
4-2-2- بررسی اثر آنومری تعمیم یافته90
4-2-3- بررسی ممان دوقطبی97
4-2-4- بررسی پارامترهای ساختاری100
4-3- نتیجه گیری103
مراجع
چکیده انگلیسی
فهرست شکل ها
عنوان صفحه
شکل 1-1- HYPERLINK "file:///G:/Documents%20and%20Settings/saye01/Desktop/1-3.doc"HYPERLINK "file:///G:/Documents%20and%20Settings/saye01/Desktop/1-3.doc" طرحی از مولکولهای مورد مطالعه در پیکربندیهای سیس و ترانس5شکل 2-1- اولین دیفسفن پایدار سنتز شده14
شکل 2-2- سیستم HX=XH دارای پیوند دوگانه16
شکل 2-3- ایزومریزاسیون سیس- ترانس آزوینزن19
شکل 2-4- شماتیک حالات انتقالات برای ایزومریزاسیون حرارتی سیس-ترانس آزوینزن20
شکل 2-5- واریانس انرژی(a) و جمعیت الکترونی (b)مربوط به اوربیتالهای HOMO و LUMO نسبت به زمان20
شکل 2-6- واریانس زوایای پیچشی CNNC (a) و زوایای پیوندی CNN (b) نسبت به زمان21
شکل 2-7- طیف UV/vis آزوینزن21
شکل 2-8- ΔE(E-Z) پیوند دوگانه X=Y22
شکل 2-9- پارامترهای مهم هندسی ترانس-دیفنیل دیفسفن (Ph-P=P-Ph)24
شکل 2-10- شماره گذاری اتمها برای دیفنیل دیفسفن و همچنین برای دیفنیل دیآزن27
شکل 2-11- زاویه و طول پیوند در ترانس و سیس آزوبنزن29
شکل 2-12- پارامترهای ساختاری برای فرم ترانس مولکول Ph-E = E-Ph30
شکل 2-13- پارامترهای ساختاری برای فرم ترانس مولکول Ph-E = E-Ph 30
عنوان صفحه
شکل 3-1- مقایسه توزیع اوربیتال‌های اسلیتری (a) و گوسی (b) در اطراف هسته60
شکل 3-2- مقایسه یک تابع STO با اوربیتال‌های نوع گوسی----------------------------------------------60
شکل 3-3- مقایسه سری‌های پایه STO-nG با یکدیگر63
شکل 3-4- سری پایهSTO-3G به عنوان متداولترین سری پایه کمینه63
شکل 3-5- انحراف برهم‌کنش donor-acceptor 69
شکل 3-6- ساختار برنامه NBO70
شکل 3-7- نمایی از محیط کار در نرم افزار Chem3D75
شکل 3-8- نمایی از Z-ماتریکس برای مولکول 1و2-دیفنیل دیفسفن76
شکل 3-9- نمایی از محیط کار در نرم افزار Chem3D76
شکل 3-10- نمایی از پنجره ورودی اطلاعات برای انجام محاسبات در مولکول 1و2-دیفنیل دی فسفن 77
شکل 3-11- نمایی از پنجره اطلاعات خروجی بعد از محاسبات در مولکول 1و2-دیفنیل دیفسفن 77
شکل 3-12- نمایی از پنجره ورودی اطلاعات برای انجام محاسبات NBOدر مولکول 1و2-دیفنیل دیآرسن78
شکل 3-13- نمایی از اطلاعات خروجی از محاسبات NBO در مولکول 1و2-دیفنیل دیفسفن78
شکل 3-14- نمایی از محیط کار گوسین79
شکل 3-15- نمایی از محیط کار در گوسین برای وارد کردن اطلاعات اولیه و اصلی81
شکل 4-1- انتقالات مورد بررسی در پیکربندی سیس و ترانس ترکیبات 1 تا 491
شکل 4-2- مقادیر انرژی پایداری حاصل از انتقالات الکترونی (E2) مربوط به ترکیبات 1 تا 492
عنوان صفحه
شکل 4-3- اثر آنومری تعمیم یافته GAE در ترکیبات 1 تا 496
شکل 4-4- جهت بردارهای ممان دوقطبی در پیکربندی سیس و ترانس ترکیبات 1 تا 499
شکل 4-5- شماره گذاری اتمها در پیکربندی سیس و ترانس ترکیبات 1تا 4100
شکل 4-6- طول پیوند برای پیکربندی سیس و ترانس 1و2-دیفنیل دیآزن102
شکل 4-7- طول پیوند برای پیکربندی سیس و ترانس 1و2-دیفنیل دیفسفن102
شکل 4-8- طول پیوند برای پیکربندی سیس و ترانس 1و2-دیفنیل دیآرسن102
شکل 4-9- طول پیوند برای پیکربندی سیس و ترانس 1و2-دیفنیل دیاستیبن103
فهرست جداول
عنوان صفحه
جدول 2-1- طول پیوند و زاوایای پیوندی چندین نمونه بررسی شده از دیفسفن15
جدول 2-2- طول پیوند و زاوایای پیوندی چندین نمونه بررسی شده از دیآرسن و دیاستیبن16
جدول 2-3- انرژیهای کل و نسبی سیستمهای HX=XH17
جدول 2-4- پارامترهای ساختاری برای سیستمهای HX=XH17
جدول 2-5- مقایسه طول پیوند تعادلی (Re) و زاویه (Φx) برای سیستمهای HX=XH17
جدول2-6- محاسبه پارامترهای ساختاری برای دیفسفن و دیآرسنهای مختلف25
جدول2-7- پارامترهای ساختاری و ممان دوقطبی برای ترانس و سیس آزوبنزن26
جدول2-8- پارامترهای مهم ساختاری بهینه شده دیفنیل دیفسفن27
جدول2-9- پارامترهای مهم ساختاری بهینه شده دیفنیل دیآزن28
جدول2-10- پارامترهای ساختاری بهینه شده برای RE=ER28
جدول 2-11- خواص فیریکی و مقادیر طول پیوند دوگانه تجربی برای مولPh-E=E-Ph31
جدول 4-1- مقادیر توابع ترمودینامیکی برای ساختارهای بهینه شده ترکیبات 4-1106
جدول 4-2- انرژی رزونانسی انتقالات الکترونی دهنده-گیرنده برای ساختارهای بهینه شده ترکیبات 4-1107
جدول 4-3- انرژی ΔEijوانتگرال همپوشانی(Fij) انتقالات الکترونی دهنده-گیرنده برای ترکیبات 4-1108
جدول 4-4- مقادیر ممان دوقطبی(µ) برای ساختارهای بهینه شده ترکیبات 4-1109
جدول 4-5- جمعیت الکترونی اوربیتالهای دهنده-گیرنده برای ساختارهای بهینه شده ترکیبات 4-1110
عنوان صفحه
جدول4-6- انرژی اوربیتال های پیوندی و ضد پیوندی برای ساختارهای بهینه شده ترکیبات 4-1111
جدول4-7- پارامترهای ساختاری برای ترکیبات 4-1112
چکیده
مطالعه اثرات استریوالکترونی موثر برخواص پیکربندی 1و2-دیفنیل دیآزن ، -دیفسفن ، -دیآرسن و –دیاستیبن با استفاده از روشهای مکانیک کوانتومی آغازین و تحلیلNBO
توسط: وحید مرادی
بر پایه روش (B3LYP/Def2-TZVPP) و تحلیل NBO خواص پیکربندی 1و2-دیفنیل دیآزن(1) ، 1و2-دیفنیل دیفسفن(2) ، 1و2-دیفنیل دیآرسن(3) و 1و2-دیفنیل دیاستیبن(4) بررسی شد. نتایج حاصل نشان داد که اختلاف انرژی آزاد گیبس (GTrans-Cis)Δ در دمای 298.15 درجه کلوین و فشار یک اتمسفر بین پیکربندی ترانس و سیس از ترکیب 1 به ترکیب 4 کاهش مییابد. روش B3LYP/Def2-TZVPP پایداری پیکربندی ترانس ترکیبات 1 تا 4 نسبت به پیکربندی سیس مربوطه را نشان داد.
بر اساس نتایج بدست آمده ناپایداری پیکربندی سیس از ترکیب 1 به 4 کاهش مییابد. تحلیل NBO برهمکنش اوربیتالهای دهنده-گیرنده (LP→ σ* QUOTE →σ ) نشان داد که اثر آنومری تعمیم یافته (GAEtotal= GAETrans - GAE Cis) مرتبط با (LPM1→ σ* M2-Cphenyl) و ( σM1-Cphenyl σ* M2-Cphenyl ) از ترکیب 1 به ترکیب 4 کاهش مییابد. بنابراین تغییرات آنومری تعمیم یافته نمیتواند تغییرات محاسبه شده انرژی آزاد گیبس را توضیح دهد. تغییرات GAE میتواند توسط عناصر غیر قطری مربوطه آن کنترل شود.
مقدار ممان دوقطبی محاسبه شده پیکربندی سیس از ترکیب 1 به 4 کاهش مییابد. همچنین روند مشاهده شده اختلاف ممان دوقطبی (Δμcis-trans) بین پیکربندی سیس و ترانس ترکیبات 1 تا 4 مشابه با روند کاهشی مشاهده شده برای تغییرات ΔG مربوطه است. بنابراین مدل الکترواستاتیک مرتبط با برهمکنش دوقطبی-دوقطبی توجیه کننده مقادیر G محاسبه شده برای ترکیب های 1 تا 4 است.
یک رابطه مستقیم بین محاسبه GAE و پارامتر ∆ [rM1-Cphenyl (Trans)–(Cis)] وجود دارد. رابطه بین ΔGtrans-cis ، GAEtrans-cis ، Δμcis-trans ، پارامترهای ساختاری و رفتار پیکربندی ترکیبات 1 تا 4 بررسی شد.
فصل اول
مقدمه

1-1-مقدمه
انرژی کل یک مولکول با شکل آن رابطهای مستقیم دارد، این انرژی کل ازچند مولفه تشکیل میشود که آنها را تا حدی میتوان به ویژگیهای ساختاری مشخصی نسبت داد. از جمله عواملی که در انرژی کل یک مولکول سهم دارند و ارتباط قابل درکی با ساختارمولکول دارند، میتوان به برهمکنشهای غیرپیوندی ،کشش حلقه درسیستمهای حلقوی ، کششهای پیچشی ناشی از پوشیدگی پیوندها، ناپایدار شدن به دلیل انحراف طول پیوندی یا زاویه پیوندی از مقادیر بهینه اشاره کرد. برعکس عوامل پایدارکنندهای هم وجود دارند که دارای قیدهای هندسی هستند. اکثر این عوامل را میتوان در زمره اثرهای فضا الکترونی به شمار آورد یعنی برای بیشینه شدن برهمکنشهای پایدارکننده به یک رابطه هندسی خاص نیاز دارند علاوه بر این، برهمکنشهای دیگری نیز وجود دارند مثل تشکیل پیوند هیدروژنی یا برهمکنشهای دوقطبی –دوقطبی که برای آنها قدرت برهمکنش شدیداً ، به شکل هندسی مولکول بستگی دارد ADDIN EN.CITE <EndNote><Cite><Author>D.Menard</Author><Year>1984</Year><RecNum>22</RecNum><DisplayText>[1]</DisplayText><record><rec-number>22</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">22</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>D.Menard,M.st-Jacques,</author></authors></contributors><titles><secondary-title>Journal of American Chemistry Society </secondary-title></titles><periodical><full-title>Journal of American Chemistry Society</full-title></periodical><volume>106</volume><section>2055</section><dates><year>1984</year></dates><urls></urls></record></Cite></EndNote>[1].
اصولی که تحلیل تعادلهای صورت بندی برآنها استوار است، درچارچوبی بسط یافتهاند که خود پایه در مکانیک کلاسیک دارد. یک مولکول، کم انرژیترین شکلی را به خود میگیرد که ازچرخش حول پیوندهای ساده خود و تنظیم زاویهها و طول پیوندها حاصل می شود. از آنجا که طول پیوندها وزوایای پیوندی از مولکولی به مولکول دیگر نسبتا به طورجزئی تغییر میکند، شکل مولکولی در وهله نخست به وسیله فرایندهای چرخشی آن تعیین می شود. بسیاری از مولکولها به دلیل انحراف از شکلهای هندسی ایدهآل، یک کشش از خود نشان میدهند. انرژی کشش، مقدار انرژی اضافی در مقایسه با یک مولکول مرجع و فاقد کشش است.
از دیدگاه اوربیتال مولکولی، انرژی مولکول برابر حاصل جمع انرژی اوربیتالهای اشغال شده است. محاسبه انرژی کل درآرایش فضایی متفاوت نشان میدهد که انرژی تابعی از شکل هندسی است.
تفسیرفیزیکی این حکم برحسب موثر بودن همپوشانی اوربیتالها امکان پذیر است. همپوشانی میان اوربیتالهایی که برهمکنش پیوندی دارند، انرژی مولکولی را کاهش میدهند. اصطلاح اثرفضا الکترونی برای آن دسته ازروابط میان ساختار چرخشی و انرژی واکنش پذیری به کار میرود که میتوان آنها را به برهمکنشهای اوربیتالی به شکل هندسی ربط داد ADDIN EN.CITE <EndNote><Cite><Author>D.Menard</Author><Year>1981</Year><RecNum>23</RecNum><DisplayText>[2]</DisplayText><record><rec-number>23</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">23</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>D.Menard,M.st-Jacques, </author></authors></contributors><titles><secondary-title>Journal of American Chemistry Society</secondary-title></titles><periodical><full-title>Journal of American Chemistry Society</full-title></periodical><volume>59</volume><section>1160</section><dates><year>1981</year></dates><urls></urls></record></Cite></EndNote>[2].
در ترکیبات آلی اثرات متعددی برای توجیه ارجحیت ترکیب، ارائه شدهاست. این اثرات شامل اثر آنومری، فوق مزدوج شدن، برهمکنش دوقطبی-دوقطبی، رزونانس، تداخلات فضایی و غیره است. در هندسه ارجح بسیاری از مولکولها مشخص شده است که بیشترین برهمکنش بین بهترین جفت دهنده تنها و بهترین پیوند گیرنده است ADDIN EN.CITE <EndNote><Cite><Author>N.D. Epiotis</Author><Year>1977</Year><RecNum>24</RecNum><DisplayText>[3]</DisplayText><record><rec-number>24</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">24</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>N.D. Epiotis, R.L. Yates, R.J. Larson, C.R. Kirmayer, F. Bernardi,</author></authors></contributors><titles><title>Directional effects of .sigma. Conjugation on geometrical isomerism,</title><secondary-title>Journal of American Chemistry Society</secondary-title></titles><periodical><full-title>Journal of American Chemistry Society</full-title></periodical><pages>8379-8388</pages><volume>99</volume><section>8379</section><dates><year>1977</year></dates><urls></urls></record></Cite></EndNote>[3].
اثر آنومری موثرترین فاکتورکنترل صورتبندی در ترکیبهای آلی است. اثر آنومری اثری استریوالکترونی است که طی آن در حلقههای سیکلوهگزانی، گروههای متصل شده به کربن شماره دو، قرارگیری در حالت محوری را به حالت استوایی ترجیح میدهند. این در حالیست که بر طبق دافعههای فضایی برای این گروهها قرارگیری در حالت استوایی مورد انتظار است. توضیح برای توجیه اثر آنومری این است که در حالت استوایی ممان دو قطبی هر دو هترواتم در یک جهت میباشند، در حالیکه در حالت محوری ممانها تقریبا مخالف یکدیگرند ، بنابراین برآیند آنها عددی کوچکتر است، پس در فرم محوری پایداری بیشتر و انرژی کمتر خواهد بود.
به اثر آنومری در ترکیبهای دارای پیوند دوگانه اثر آنومری تعمیم یافته گفته میشود. اثر آنومری تعمیم یافته نیز اثری استریوالکترونی است که طی آن در سیستمهای غیرحلقوی، گروههای متصل شده به اتمها، قرارگیری در حالت سیس را به حالت ترانس ترجیح میدهند. این در حالیست که بر طبق دافعههای فضایی برای این گروهها قرارگیری در حالت ترانس مورد انتظار است.
از طریق این مطالعه نظری، ما امیدواریم به موارد ذیل دست یابیم :
الف (به اثرات استریوالکترونی در پیکربندی مختلف از مولکولها

دانلود پایان نامه ارشد- مقاله تحقیق

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : homatez.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

ب) به مشخص شدن عامل توجیه کننده انرژی آزادگیبس در تعیین پایداری پیکربندی مختلف از مولکولها
 ج) به ارتباط منطقی بین نتایج محاسبات با فاکتورهای مورد بررسی
د) به پارامترهای ساختاری و تاثیر آن
ه) به نتایج قابل قبول و سازگار با نتایج تجربی مربوطه
1-2-بررسیهای انجام شده دراین پروژه
ارزیابی صحیح از انتقالات دهنده-گیرنده و حالت هندسی و انرژی یک سیستم ، یک روش قدرتمند برای مطالعه واکنشهای شیمیایی میباشد. در این راستا، به منظور مقایسه پایداری پیکربندی در ترکیبات دارای باند دوگانه E = E حاوی عناصر نیتروژن، فسفر، آرسنیک و آنتیموان یک تحقیق در رابطه با عوامل موثر بر این پایداری، با استفاده از روش مکانیک کوانتومی آغازین و همچنین تحلیل اوربیتال پیوند طبیعی، را انجام میدهیم. مولکولهایی که ما بررسی میکنیم عبارتند از:
1,2-diphenyldiazene (Ph-N=N-Ph) 1،2-دی فنیل دی آزن
1,2-diphenyldiphosphene (Ph-P=P-Ph)1،2-دی فنیل دی فسفن
1,2-diphenyldiarsene (Ph-As=As-Ph) 1،2-دی فنیل دی آرسن
1,2-diphenyldistibene (Ph-Sb=Sb-Ph) 1،2-دی فنیل دی استیبن

شکل 1-1 : طرحی از مولکولهای مورد مطالعه در پیکربندیهای سیس و ترانس
اثرات استریوالکترونی، اثرات الکترواستاتیک و اثرات فضایی برروی خواص پیکربندی سیستمهای مورد نظر در این تحقیق تاثیر گذار خواهند بود. با توجه به اینکه تقابلهای همسو بودن این تاثیرات مشخص نیست در این تحقیق به این مطلب پرداخته خواهد شد.
پرسش اصلی تحقیق ( مساله تحقیق ) این است که چگونه اثرات استریوالکترونی میتوانند بر خواص پیکربندی 1و2-دیفنیل دیآزن، -دیفسفن ،-دیآرسن ، -دیاستیبن تاثیرگذار باشد ؟
فرضیهای که در اینجا برای این بررسیها مطرح میشود این است که پیشبینی میشود اولاً اثرات استریوالکترونی بر خواص پیکربندی 1و2-دیفنیلدیآزن ، -دیفسفن ، -دیآرسن ، -دیاستیبن تاثیرگذار باشد ثانیاً بین تغییرات ممانهای دوقطبی و خواص پیکربندی مولکولهای مورد مطالعه ارتباط منطقی و محکمی وجود داشته باشد.
پژوهش حاضر به بررسی این تاثیرات که میتواند ناشی از اثرات استریوالکترونی و فضایی باشد ، با استفاده از روش های مکانیک کوانتومی آغازین در سطح نظری B3LYP/ Def2-TZVPP و تحلیل NBO میپردازد. هدف از انجام این تحقیق، بررسی چگونگی اثرات استریوالکترونی بر خواص پیکربندی و ساختاری مولکولهای مورد نظر میباشد.
ساختارهای مورد مطالعه در این تحقیق با نرم افزار chem3Dتهیه و در سطوح نظری مناسب بهینه میشوند. پس از انجام مراحل بهینهسازی، بر روی ساختارهای حاصل تحلیل NBO انجام خواهد شد و سپس اثرات آنومری از روی انتقالات الکترونی، اثرات الکترو استاتیک و فضایی محاسبه شده و همبستگی بین اختلاف انرژی آزاد گیبس، اثر آنومری تعمیم یافته، پارامترهای ساختاری و ممانهای دو قطبی، در ترکیبهای مورد نظر مورد بررسی قرار میگیرد.
در این پروژه ابتدا به بررسی روند انرژی آزادگیبس پرداخته خواهد شد و سپس عوامل موثر بر پایداری مولکول مورد بررسی قرار میگیرند که آیا میتوانند نتایج حاصل از انرژی آزاد گیبس را توجیه کنند، این عوامل عبارتنداز:
اثرات آنومری :
فرمی از مولکول که اثر آنومری بیشتری دارد نسبت به فرمی که اثر آنومری کمتری دارد، پایدارتر است.
ممان دوقطبی :
در فاز گازی، فرمی از مولکول که ممان دوقطبی کمتری داشته باشد، پایدارتر است.
اثرات فضایی :
هرچه یک مولکول اثرات فضایی ناپایدارکننده کمتری داشته باشد، پایدارتر است.
1-3- کامپیوتر و شیمی کوانتوم
بیگمان سالها پیش که نخستین کامپیوترها پا به عرصه علم و فناوری گذاشتند هیچ کس حتی تصور هم نمیکرد که روزی فرا برسد که علوم تجربی همچون شیمی، فیزیک، و حتی زیست شناسی تا این حد وابسته به کامپیوتر باشد.
علم شیمی در این میان گوی سبقت را از سایر علوم ربوده است. نگاهی گذرا به هزاران پروژه - ریسرچعلمی که سالانه در سراسر جهان منتشر میشود موید این ادعا است. این مقالات در شاخههای گوناگون شیمی انتشار مییابد، اما ناگفته پیداست که مباحث شیمی کوانتوم در این میان بیشترین سهم را به خود اختصاص دادهاند.
1-4- معرفی برنامههای کامپیوتری
1-4-1- نرم‌افزار گوسین
از جمله مهمترین و شاید بتوان گفت پرکاربردترین، نرم‌افزارها در زمینه به کارگیری رایانه در پژوهش‌های شیمی، نرم‌افزار قدرتمند Gaussian است .این نرم‌افزار مجموعه‌ای از برنامه‌های به هم پیوستهای است که انواع محاسبات کوانتوم مکانیکی را انجام می‌دهد. اساس Gaussian بر این پایه استوار است که مدل‌های تئوری باید برای همه سیستم‌های مولکولی، با هر اندازه و نوعی به طور یکسان قابل اجرا باشند. این نرم‌افزار قادر به محاسبه بسیاری از خواص مولکول‌ها و واکنش‌هاست .برخی کاربردهای برنامه Gaussian عبارتند از:
ساختار و انرژی مولکول
ساختار و انرژی حالت گذار
فرکانس ارتعاشی
طیفهای رامان و IR
خواص ترموشیمیایی
انرژی پیوندها و واکنشها
مسیر واکنشها
بارهای اتمی
ممان چند قطبی
محاسبات را می‌توان در فاز گازی یا در محلول، در حالت پایه یا حالت برانگیخته انجام داد. از این رو گوسین را میتوان یک ابزار قدرتمند برای کاوش در حیطههای گوناگون از مطالعات شیمیایی نظیر اثرات جانشینیی، مکانیسم واکنشها، پایداری و ... به کار برد.
1-4-2- نرم افزار گرافیکی Chem 3D
Chem3D یک نرم افزار گرافیکی است که ساختار مولکول مورد نظر را میتوان به وسیله آن رسم کرد.
در این نرم افزار بهینهسازی مقدماتی ترکیبات، با روش مکانیک مولکولی MMx انجام میشود. به این ترتیب ساختار بهینه شده، به صورت یک فایل ورودی به نام Z-ماتریکس برای برنامه کامپیوتری MOPAC آماده میشود.
1-4-3- برنامه کامپیوتری اوربیتال مولکولی MOPAC
MOPAC یک برنامه اوربیتال مولکولی نیمه تجربی برای مطالعه واکنشهای شیمیایی شامل مولکولها، یونها و همچنین ساختار مربوط به آنها میباشد. این برنامه شامل روشهای نیمه تجربی میدان خود سازگار MINDO/3, MNDO, AMI, PM3 بوده و مجموعهای از محاسبات مربوط به طیفهای ارتعاشی، مقادیر ترمودینامیکی، اثرات جابجایی ایزوتوپی و ثابت نیرو را در بر میگیرد. همچنین عناصر تعریف شده در برنامه فوق اکثرا˝ عناصر اصلی و تعداد محدودی از عناصر واسطه مانند جیوه است.
فصل دوم
تاریخچه
2-1-مقدمه
همانند آنالوگهای اتیلن عناصر گروه 14 جدول تناوبی ، عناصر گروه 15 جدول تناوبی هم ، یک نقش محوری در توسعه شیمی پیوندهای چندگانه ایفا میکنند. شیمی ترکیبات دارای پیوندهای چندگانه میان عناصر سنگین گروه اصلی توجه زیادی را در سالهای اخیر به خود جلب کرده است. با توجه به اصطلاح قاعده پیونددوگانه کلاسیک، فقط عناصر ردیف دوم در جدول تناوبی باید قادر باشند که تشکیل ترکیبات پایدار حاوی پیوند دوگانه بدهند، در واقع، قانون پیوند دوگانه، یک بار برای تمام عناصر که فراتر از ردیف اول جدول تناوبی هستند اعمال شد، که در آن کربن، نیتروژن و اکسیژن در تشکیل پیوندهای چندگانه موفقتر بودند و پیوند دوگانه در عناصر سنگینتر ناموفق بود زیرا فاصله طولانی بین این عناصر اجازه همپوشانی کافی به اوربیتالهای p را نخواهد داد. این قاعده پیوند دوگانه کلاسیک ، توسط تعدادی از تلاشهای ناموفق در سنتز ترکیبات تایید شد. بهعنوان مثال، کولر و مایکلس گزارش دادند که از واکنش تراکم PhPCl2 و PhPH2 مولکول دیفنیل دیفسفن تشکیل میشود، که فسفوبنزن نامیده میشود. اما بعد از آن برای اولین بار، اندازهگیری وزن مولکولی و سپس تجزیه و تحلیل ساختار با اشعه X ، نشان داد که این محصول ترکیبی از فسفوبنزن و اُلیگومر است. اشتباه مشابهی در مورد دی آرسن نیز رخ داد ADDIN EN.CITE <EndNote><Cite><Author>Tokitoh</Author><Year>2000</Year><RecNum>5</RecNum><DisplayText>[4]</DisplayText><record><rec-number>5</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">5</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Norihiro Tokitoh</author></authors></contributors><titles><title>New aspects in the chemistry of low-coordinated inter-element compounds of heavier Group 15 elements</title><secondary-title>Journal of Organometallic Chemistry</secondary-title></titles><periodical><full-title>Journal of Organometallic Chemistry</full-title></periodical><pages>217-227</pages><volume>611</volume><section>217</section><dates><year>2000</year></dates><work-type>Review</work-type><urls></urls></record></Cite></EndNote>[4]. پس از این شکستها، دانشمندان متوجه شدند که جایگزینهای به اندازه کافی بزرگ برای جلوگیری از اُلیگومرشدن این گونههای واکنشپذیر لازم است پیوندهای چندگانه در میان عناصر سنگینتر گروه اصلی تمایل دارند، فعالیت بالاترشان نسبت به کربن و نیتروژن همنوع خود را نشان دهند. با این حال، با لیگاندهای به اندازه کافی بزرگ، پیوندهای چندگانه مربوط به P, As, Si, Ge و دیگر عناصر میتواند به صورت ترکیبات پایدار سینتیکی سنتز و مورد مطالعه قرار گیرد. چرا در عناصر سنگین گروههای اصلی، هیبرید شدن باهم خیلی ضعیف است؟ هیبریداسیون موثر زمانی رخ میدهد که اوربیتالهای اتمی تشکیل دهنده انرژیهای مشابه و همپوشانی فضایی بزرگ داشته باشند. انرژی نسبی اوربیتالهای اتمی، در واقع بیشتر به نفع هیبریداسیون برای عناصر سنگینتر است. دلیل اصلی این اتفاق، احتمالاً ظرفیت بسیار متفاوت و توزیع شعاع اوربیتال ظرفیت s و p ، برای ردیف اول در جدول تناوبی در مقایسه با دیگر عناصر دارای اوربیتال ظرفیت p تقریبا با همان حدود شعاع است، اوربیتال ظرفیت p عناصر سنگینتر به میزان قابل توجهی گسترده تر نسبت به اوربیتال s است. به این ترتیب، درجه هیبریداسیون کاهش مییابد و جفت تنها، بیشتر خصوصیت s را در ستون جدول تناوبی با رفتن به سمت پایین را قبول میکند.
دانش سنتز، ساختار، شیمی کئوردیناسیون و واکنش ترکیبات دارای پیوندهای چندگانه میان عناصر سنگین نسبتاً در مراحل اولیه است، و به تازگی بررسی شدهاند.
2-2-پیدایش
سبکترین مشتقات دارای پیوند دوگانه، ترکیبات آزو، دیآزنها هستند پس از کشف دو ایزومر(سیس و ترانس ) در سال 1937 از آزوبنزن، آنها به موضوعاتی برای مطالعات تجربی و نظری متعدد تبدیل شدند ADDIN EN.CITE <EndNote><Cite><Author>G.S. Hartley</Author><Year>1937</Year><RecNum>10</RecNum><DisplayText>[5, 6]</DisplayText><record><rec-number>10</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">10</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>G.S. Hartley ,</author></authors></contributors><titles><secondary-title>Nature</secondary-title></titles><periodical><full-title>Nature</full-title></periodical><pages>281</pages><volume>140 </volume><dates><year>1937</year></dates><urls></urls></record></Cite><Cite><Author>G.S. Hartley</Author><Year>1938</Year><RecNum>11</RecNum><record><rec-number>11</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">11</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>G.S. Hartley,</author></authors></contributors><titles><secondary-title>J. Chem. Soc.</secondary-title></titles><periodical><full-title>J. Chem. Soc.</full-title></periodical><pages>633</pages><section>633</section><dates><year>1938</year></dates><urls></urls></record></Cite></EndNote>[5, 6].
چندین دهه است که دیآزنها در همه جا شناخته شدهاند. پایداری پیوند دوگانه با جایگزینی گروههای بسیار بزرگ راه بدست آوردن ترکیبات همنوع بالاتر از دیآزنها بود. یوشی فوجی و همکارانش در سال 1981 اولین دی فسفن پایدار را سنتز کردند، که یک نقطه عطف واقعی در شیمی بود( در زیر تصویر آنرا میبینید) Mes*P=PMes* ، ADDIN EN.CITE <EndNote><Cite><Author>M. Yoshifuji</Author><Year>1981</Year><RecNum>17</RecNum><DisplayText>[7]</DisplayText><record><rec-number>17</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">17</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>M. Yoshifuji, I. Shima, N. Inamoto, K. Hirotsu, T. Higuchi</author></authors></contributors><titles><secondary-title>J.Am. Chem. Soc.</secondary-title></titles><periodical><full-title>J.Am. Chem. Soc.</full-title></periodical><pages>4587</pages><volume>103</volume><section>4587</section><dates><year>1981</year></dates><urls></urls></record></Cite></EndNote>[7].

شکل 2-1 : اولین دیفسفن پایدار سنتز شده
از زمان جداسازی دیفسفن بالا، تمرکز کارها برروی شیمی این کلاس جدید از ترکیبات گسترش یافته است. یوشی فوجی دیفسفن را از احیا (2،4،6-تری-ترشیوبوتیل فنیل)دیکلرودیفسفین با عنصر منیزیم به دست آورد و ثابت شده است که احیا عوامل مختلف دیگر میتواند در سنتز دیفسفن موثر باشند ADDIN EN.CITE <EndNote><Cite><Author>M. Yoshifuji</Author><Year>1981</Year><RecNum>17</RecNum><DisplayText>[7]</DisplayText><record><rec-number>17</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">17</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>M. Yoshifuji, I. Shima, N. Inamoto, K. Hirotsu, T. Higuchi</author></authors></contributors><titles><secondary-title>J.Am. Chem. Soc.</secondary-title></titles><periodical><full-title>J.Am. Chem. Soc.</full-title></periodical><pages>4587</pages><volume>103</volume><section>4587</section><dates><year>1981</year></dates><urls></urls></record></Cite></EndNote>[7].
از آن زمان به بعد، دیفسفنهای بسیار دیگری سنتز شدهاند و ساختارشان مشخص شده است. این رویکرد نیز با موفقیت در مورد سنتز این دو دیآرسن، Mes*As=AsCH(SiMe3)2 و (SiMe3)3CAs=AsC(SiMe3)3 ، توسط کولی و همکارانش در سالهای 1985-1983 استفاده شد. داستان پیوند دوگانه As=As با ارائه دو ترکیب جدید توسط تاملی و همکارانش در سال 1999 با استفاده از لیگاندهای خیلی حجیم متا-تری فنیل -C6H3-2,6-Mes2 و -C6H3-2,6-Trip2 تکمیل شد. این محققین همچنین موفق به سنتز دیاستیبن و همچنین دیبیسموتنهای مربوطه شدند. با این حال، اولین ترکیبات دارای پیوند دوگانه همانند Sb=Sb و Bi=Bi توسط توکیتو و همکارانش در سال 1998- 1997 سنتز شد. سنتز ساختار و واکنشهای دیفسفنها وترکیبات همنوع خود، توسط کولی در سال 1984، کولی و نورمن در سال 1986، یوشی فوجی در سال 1990، وبر در سال 1992 و پاور در سال 1999 بصورت جامع مورد بررسی قرار گرفته شده است ADDIN EN.CITE <EndNote><Cite><Author>WIDAUER</Author><Year>2000</Year><RecNum>4</RecNum><DisplayText>[8]</DisplayText><record><rec-number>4</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">4</key></foreign-keys><ref-type name="Thesis">32</ref-type><contributors><authors><author>CHRISTOPH WIDAUER</author></authors></contributors><titles><title>Ab Initio Study of Neutral and Cationic Double Bond Sys--s Containing Group 15 Elements</title></titles><volume>Doctor of Natural Sciences</volume><dates><year>2000</year></dates><publisher>Dipl. Chem. ETH</publisher><urls></urls></record></Cite></EndNote>[8].
جدول 2-1 : طول پیوند و زاوایای پیوندی چندین نمونه بررسی شده از دیفسفن ADDIN EN.CITE <EndNote><Cite><Author>Power</Author><Year>1999</Year><RecNum>12</RecNum><DisplayText>[9]</DisplayText><record><rec-number>12</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">12</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Philip P. Power</author></authors></contributors><titles><title>ð-Bonding and the Lone Pair Effect in Multiple Bonds between Heavier Main Group Elements</title><secondary-title>Chem. Rev.</secondary-title></titles><periodical><full-title>Chem. Rev.</full-title></periodical><pages>3463-3503</pages><volume>99</volume><dates><year>1999</year></dates><urls></urls></record></Cite></EndNote>[9]

جدول 2-2 : طول پیوند و زاوایای پیوندی چندین نمونه بررسی شده از دیآرسن و دیاستیبن ADDIN EN.CITE <EndNote><Cite><Author>Power</Author><Year>1999</Year><RecNum>12</RecNum><DisplayText>[9]</DisplayText><record><rec-number>12</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">12</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Philip P. Power</author></authors></contributors><titles><title>ð-Bonding and the Lone Pair Effect in Multiple Bonds between Heavier Main Group Elements</title><secondary-title>Chem. Rev.</secondary-title></titles><periodical><full-title>Chem. Rev.</full-title></periodical><pages>3463-3503</pages><volume>99</volume><dates><year>1999</year></dates><urls></urls></record></Cite><Cite><Author>Power</Author><Year>1999</Year><RecNum>12</RecNum><record><rec-number>12</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">12</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Philip P. Power</author></authors></contributors><titles><title>ð-Bonding and the Lone Pair Effect in Multiple Bonds between Heavier Main Group Elements</title><secondary-title>Chem. Rev.</secondary-title></titles><periodical><full-title>Chem. Rev.</full-title></periodical><pages>3463-3503</pages><volume>99</volume><dates><year>1999</year></dates><urls></urls></record></Cite></EndNote>[9]

2-3- ترکیبات اولیه
اولین کارهای تئوری انجام شده بر روی دیفسفن HP=PH توسط ایتو و ناگاسه در سال 1986 ارائه شد. ناگاسه و همکارانش در سال 1990، محاسبات بر روی (HX=XH (X = P As, Sb, Bi را انجام دادند ADDIN EN.CITE <EndNote><Cite><Author>WIDAUER</Author><Year>2000</Year><RecNum>4</RecNum><DisplayText>[8]</DisplayText><record><rec-number>4</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">4</key></foreign-keys><ref-type name="Thesis">32</ref-type><contributors><authors><author>CHRISTOPH WIDAUER</author></authors></contributors><titles><title>Ab Initio Study of Neutral and Cationic Double Bond Sys--s Containing Group 15 Elements</title></titles><volume>Doctor of Natural Sciences</volume><dates><year>2000</year></dates><publisher>Dipl. Chem. ETH</publisher><urls></urls></record></Cite></EndNote>[8]. [WIDAUER, 2000 #4]
ترکیبات مختلف بررسی شده در شکل 2-2 ارائه شده است، چند نمونه از دادههای مربوطه نیز درجداول زیر آمده است.

شکل 2-2 : سیستم HX=XH دارای پیوند دوگانه با تقارن C2h ( (X = P As, Sb, Bi
جدول 2-3 : انرژیهای کل و نسبی سیستمهای HX=XH ( (X = P As, Sb, Bi

جدول 2-4 : پارامترهای ساختاری(طول پیوند دوگانه X=X برحسب آنگستروم و زاویه HXX برحسب درجه) برای سیستمهای HX=XH( (X = P As, Sb, Bi

جدول 2-5 :مقایسه طول پیوند تعادلی (Re) برحسب آنگستروم و زاویه فلپ (Φx) برحسب درجه
برای سیستمهای HX=XHدر این روش با سایر روشها و کارهای تجربی
( (X = P As, Sb, Bi

محاسبه انرژی کل و نسبی، پارامترهای ساختاری و مقایسه طول پیوند تعادلی و زاویه برای تمام گونهها در جداول ارائه شده است. کارهای تئوری قبلی نشان دادند که فرم ترانس ازHX=XH پایداترین فرم از تمام گونههای X = N, P, As, Sb است. ایتو و ناگاسه در سال 1986، جانسون و همکارانش در سال1987 محاسبات درباره ایزومرهای مختلف از N2Hو همچنین ناگاسه و همکارانش در سال 1990، اسشولرو همکارانش در سال 1997 محاسبات مربوط به ترکیبات HX=XH با X = P, As,Sb, Bi را انجام دادند ADDIN EN.CITE <EndNote><Cite><Author>WIDAUER</Author><Year>2000</Year><RecNum>4</RecNum><DisplayText>[8]</DisplayText><record><rec-number>4</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">4</key></foreign-keys><ref-type name="Thesis">32</ref-type><contributors><authors><author>CHRISTOPH WIDAUER</author></authors></contributors><titles><title>Ab Initio Study of Neutral and Cationic Double Bond Sys--s Containing Group 15 Elements</title></titles><volume>Doctor of Natural Sciences</volume><dates><year>2000</year></dates><publisher>Dipl. Chem. ETH</publisher><urls></urls></record></Cite></EndNote>[8].
2-4-مطالعات گذشته :
در سال 2012 گورگی و همکارانش پلیمرهای حاوی آزوبنزن را سنتز و رفتار ایزومریزاسیون وابسته به جانشینیی آنها را بررسی کردند. آنها گفتند که برای آزوبنزن، حداکثر جذب قوی انتقال *π-π در350 نانومتر نهفته است و جذب ضعیفتر انتقال *π-n را میتوان حدود 450 نانومتر یافت(در محلول(THF.  نوار پرانرژی انتقال *σ-σ ، در 230 نانومتر است. ترانس آزوبنزن مسطح دارای ممان دو قطبی نزدیک به صفر است. ایزومر ترانس را میتوان با تابش به ایزومر سیس غیر مسطح مربوطه تبدیل کرد. در اینجا حلقههای فنیل بنا به دلایل فضایی خارج از سطح پیچ خوردهاند، بنابراین تا حدودی سیستم کانژوگه را از بین بردهاند.  از این رو، جذب در 320 نانومتر را شدیداً کاهش میدهد در حالی که در 450 نانومتر به میزان قابل توجهی افزایش میدهد. علاوه بر این، در ایزومر سیس ممان دو قطبی را از 0 تا 3 دبی افزایش میدهد. پس از تابش با نور UV به ایزومر ترانس، ایزومریزاسیون پیوند دوگانه صورت میگیرد و پیکربندی از ترانس به سیس تغییرمیکند ADDIN EN.CITE <EndNote><Cite><Author>Ulrike Georgi</Author><Year>2012</Year><RecNum>7</RecNum><DisplayText>[10]</DisplayText><record><rec-number>7</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">7</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Ulrike Georgi, Philipp Reichenbach , Ulrich Oertel, Lukas M. Eng , Brigitte Voit</author></authors></contributors><titles><title>Synthesis of azobenzene-containing polymers and investigation of their substituent-dependent isomerisation behaviour</title><secondary-title>Reactive &amp; Functional Polymers </secondary-title></titles><periodical><full-title>Reactive &amp; Functional Polymers</full-title></periodical><pages>242-251</pages><volume>72</volume><section>242</section><dates><year>2012</year></dates><urls></urls></record></Cite></EndNote>[10].

شکل 2-3 : ایزومریزاسیون سیس-ترانس آزوبنزن
نسبت ایزومرهای سیس و ترانس وابسته به میزان واکنش ایزومریزاسیون مختلف، در شدت نور، در بازده کوانتومی فتوشیمیایی ایزومریزاسیون سیس - ترانس و ترانس - سیس و همچنین ضریب جذب از ایزومرهای مربوطه در طول موج تابش است. میزان واکنشهای حرارتی به نوبه خود وابسته به مکانیسم ایزومریزاسیون که میتواند صورت بگیرد با وارونه شدن یکی از نیتروژنهای مرکزی از گروه آزو که منجر میشود به دوباره هیبرید شدن یکی از اتمهای نیتروژن از حالت هیبرید sp2 به حالت هیبرید sp ، و یا از طریق یک مکانیزم چرخش که به شدت مورد علاقه مشتقاتی با ممان دو قطبی قوی است. شکل(2-3) را ببنید. ظاهر این مکانیسمهای متفاوت، به شدت وابسته به قطبیت مولکول و محیط اطراف هستند ADDIN EN.CITE <EndNote><Cite><Author>Ulrike Georgi</Author><Year>2012</Year><RecNum>7</RecNum><DisplayText>[10]</DisplayText><record><rec-number>7</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">7</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Ulrike Georgi, Philipp Reichenbach , Ulrich Oertel, Lukas M. Eng , Brigitte Voit</author></authors></contributors><titles><title>Synthesis of azobenzene-containing polymers and investigation of their substituent-dependent isomerisation behaviour</title><secondary-title>Reactive &amp; Functional Polymers </secondary-title></titles><periodical><full-title>Reactive &amp; Functional Polymers</full-title></periodical><pages>242-251</pages><volume>72</volume><section>242</section><dates><year>2012</year></dates><urls></urls></record></Cite></EndNote>[10].

شکل 2-4 : شماتیک حالات انتقالات برای ایزومریزاسیون حرارتی سیس-ترانس آزوبنزن
در سال 2008، یوان و همکارانش یک مطالعه دینامیک نیمه کلاسیک برروی فتوایزومریزاسیون ترانس- سیس آزوبنزن انجام دادند ADDIN EN.CITE <EndNote><Cite><Author>Shuai Yuan</Author><Year>2008</Year><RecNum>8</RecNum><DisplayText>[11]</DisplayText><record><rec-number>8</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">8</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Shuai Yuan, Wei Feng Wu, Yusheng Dou, Jian She Zhao</author></authors></contributors><titles><title>Trans–cis photoisomerization of azobenzene by excitation: A semiclassical dynamics study</title><secondary-title>Chinese Chemical Letters</secondary-title></titles><periodical><full-title>Chinese Chemical Letters</full-title></periodical><pages>1379-1382</pages><volume>19</volume><section>1379</section><dates><year>2008</year></dates><urls></urls></record></Cite></EndNote>[11].
در مطالعه دینامیک شبیهسازی شده، گزارش شد که تشکیل ایزومر سیس به پیروی از حرکت چرخشی در اطراف پیوند N=N است ]11[.

شکل 2-5 : واریانس انرژی (a) و جمعیت الکترونی (b) مربوط به اوربتالهای HOMO و LUMO نسبت به زمان

شکل 2-6 : واریانس زوایای پیچشی CNNC(a) و زوایای پیوندی CNN (b) نسبت به زمان
در سال 1958 زیمرمن و همکارانش طیف آزوبنزن را ارائه دادند. همانطور که میتوان در شکل 2-7 دید ، ایزومر ترانس آزوبنزن یک جذب قوی در 318 نانومتر و یک جذب ضعیف در 432 نانومتر را نشان میدهد. ایزومر سیس دارای دو باند جذب است، یک جذب قوی در 260 نانومتر و یک جذب ضعیف در 440 نانومتر است. همپوشانی آشکار در جذب این دو ایزومر وجود دارد ADDIN EN.CITE <EndNote><Cite><Author>Zimmerman.G</Author><Year>1958</Year><RecNum>20</RecNum><DisplayText>[12]</DisplayText><record><rec-number>20</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">20</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Zimmerman.G , Chow.L , Paik.U </author></authors></contributors><titles><secondary-title>American Chemical Society</secondary-title></titles><periodical><full-title>American Chemical Society</full-title></periodical><pages>3528-3531</pages><volume>80</volume><section>3528</section><dates><year>1958</year></dates><urls></urls></record></Cite></EndNote>[12].

شکل 2-7 : طیف UV/vis آزوبنزن
در سال 2009 سیمپسون و همکارانش محاسباتی درباره ایزومریزاسیون و موانع پیچش فنیل با استفاده (DFT) در سطح نظری B3LYP /6-31 + G ** در ترکیبات Aryl-X=Y- Aryl انجام دادند که در آن X,Y = C, N, P میباشد ADDIN EN.CITE <EndNote><Cite><Author>M. Cather Simpsona</Author><Year>2009</Year><RecNum>2</RecNum><DisplayText>[13]</DisplayText><record><rec-number>2</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">2</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>M. Cather Simpsona,</author><author>John L. Paytonb,</author></authors></contributors><titles><title>Twisting Fate: Ring Torsions and Photochemistry in Aryl-X=Y-Aryl Sys--s (X,Y = P, C, N)</title><secondary-title>Chemistry in New Zealand</secondary-title></titles><pages>12-17</pages><section>12</section><dates><year>2009</year></dates><urls></urls></record></Cite></EndNote>[13].

شکل2-8 : E(E-Z) Δ و موانع چرخش در پیچش پیوند دوگانه X=Y محاسبه شده در سطح نظری **B3LYP/6-31+G
X,Y = C, N, P
سیمپسون و همکارانش دریافتند که ایزومر ترانس دارای انرژی ساختار پایینتر برای هر چهار مولکول مورد مطالعه است، بنابراین پایدارترین ایزومر است. پیکربندی ترانس1و2-دیفنیل دیآزن دارای تقارن C2h است. مولکولهای Aryl-X=Y=Aryl ، حاوی فسفر مسطح نیستند. حلقه فنیل متصل به اتم فسفر بین 30 و 35 درجه برای 1و2-دیفنیل دیفسفن میچرخد. برای ایزومر ترانس- و سیس-1و2-دیفنیل دیآزن مقدار Eبه ترتیب برابر با 15.8 و 48.2 کیلو کالری بر مول است و برای ایزومر ترانس- و سیس- 1و2-دیفنیل دیفسفن مقدار Eبه ترتیب برابر با 5.5 و 38.7 کیلو کالری بر مول است. موانع چرخش در مورد پیوند دوگانه میتواند بوسیله استحکام پیوند π ، تعیین شود.. شکل 2-8 نشان میدهد که ضعیفترین پیوند π در مولکول P = P یافت میشود ADDIN EN.CITE <EndNote><Cite><Author>M. Cather Simpsona</Author><Year>2009</Year><RecNum>2</RecNum><DisplayText>[13]</DisplayText><record><rec-number>2</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">2</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>M. Cather Simpsona,</author><author>John L. Paytonb,</author></authors></contributors><titles><title>Twisting Fate: Ring Torsions and Photochemistry in Aryl-X=Y-Aryl Sys--s (X,Y = P, C, N)</title><secondary-title>Chemistry in New Zealand</secondary-title></titles><pages>12-17</pages><section>12</section><dates><year>2009</year></dates><urls></urls></record></Cite></EndNote>[13].
میزان ایزومریزاسیون حرارتی برای چند دیفسفن مشابه به صورت زیر مشاهده شده است که :
)Z → E: ∆G‡ ~20 kcal/mol at 0 °C∆ ، H‡ = 5/29 ± 4/1 kcal/mol and ∆S‡ = 38 6± cal/mol K (
آنتروپی فعالسازی نسبتاً بزرگ ممکن است به علت ازدحام فضایی باشد که توسط ایزومریزاسیون، رها میشود ADDIN EN.CITE <EndNote><Cite><Author>M. Cather Simpsona</Author><Year>2009</Year><RecNum>2</RecNum><DisplayText>[13]</DisplayText><record><rec-number>2</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">2</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>M. Cather Simpsona,</author><author>John L. Paytonb,</author></authors></contributors><titles><title>Twisting Fate: Ring Torsions and Photochemistry in Aryl-X=Y-Aryl Sys--s (X,Y = P, C, N)</title><secondary-title>Chemistry in New Zealand</secondary-title></titles><pages>12-17</pages><section>12</section><dates><year>2009</year></dates><urls></urls></record></Cite></EndNote>[13].
پیکربندی ترانس 1و2-دیفنیل دیآزن دارای تقارن C2h است. مولکولهای حاوی فسفر مسطح نیستند. حلقه فنیل متصل به اتم فسفر بین 30 و 35 درجه برای 1و2-دیفنیل دیفسفن میچرخد. انرژی ساختاری پایین این مولکولها تعادل بین مولکولی بین سیستم π کانژوگه در سراسر مولکول را منعکس میکند که همواره به سوی مسطح بودن مولکولی است، و ممانعت فضایی، پیکربندی غیر مسطح را القا میکند. این ممانعت فضایی به علت زاویه کوچک لیگاند بیشتر تشدید میشود، که در نتیجه اثر کمتر هیبریداسیون sp2  در عناصر سنگین گروه اصلی میباشد. زاویه معادل در 1و2-دیفنیل دیآزن بسیار نزدیک به 120 درجه است. انرژی در 90 τ = ، که در آن حلقه فنیل به پیوند مرکزی X = Y متعامد است، نشان میدهد که کانژوگه در سراسر مولکول و نیز برای مولکول حاوی فسفر کاهش مییابد. در دیفسفن تجربی مشخص شد، که استفاده از گروه بزرگ برای حفاظت از واکنش پذیری پیوند دوگانه منجر میشود به طیف گسترده ای از زاویه پیچش فنیل، که اکثر آنها زوایا بیشتر از 45 درجه دارند. پیکربندی الکترونی یکسان نیتروژن و فسفر نشان میدهد که ایزومریزاسیون در دیفسفن به احتمال زیاد آیینه آزوبنزن است ADDIN EN.CITE <EndNote><Cite><Author>M. Cather Simpsona</Author><Year>2009</Year><RecNum>2</RecNum><DisplayText>[13]</DisplayText><record><rec-number>2</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">2</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>M. Cather Simpsona,</author><author>John L. Paytonb,</author></authors></contributors><titles><title>Twisting Fate: Ring Torsions and Photochemistry in Aryl-X=Y-Aryl Sys--s (X,Y = P, C, N)</title><secondary-title>Chemistry in New Zealand</secondary-title></titles><pages>12-17</pages><section>12</section><dates><year>2009</year></dates><urls></urls></record></Cite></EndNote>[13].
در سال 2009 پنگ و همکارانش برای محاسبه سطوح انرژی پتانسیل با بهینهسازی ترکیب 1و2-دیفنیل دیفسفن، در سطح نظری نسبتاً بالای ((B3LYP/6–31+G(d,p) یک پروژه - ریسرچارائه دادند. DFT و TDDFT را برای ترکیب 1و2-دیفنیل دیفسفن به همراه مختصات کامل، در زاویای مختلف از پیچش فنیل بکار گرفتند ADDIN EN.CITE <EndNote><Cite><Author>Huo-Lei Peng</Author><Year>2009</Year><RecNum>13</RecNum><DisplayText>[14]</DisplayText><record><rec-number>13</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">13</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Huo-Lei Peng, John L. Payton, John D. Protasiewicz, M. C. Simpson</author></authors></contributors><titles><title>Twisting the Phenyls in Aryl Diphosphenes (Ar-P=P-Ar). Significant Impact upon Lowest Energy Excited States</title><secondary-title>J Phys Chem A.</secondary-title></titles><periodical><full-title>J Phys Chem A.</full-title></periodical><pages>7054-7063</pages><volume>133</volume><number>25</number><dates><year>2009</year></dates><urls></urls></record></Cite></EndNote>[14]. دیفسفنها به طور معمول دو جذب بزرگ UV/vis نشان میدهند، که هر دو عمدتاً به گروه P=P اختصاص داده میشود.

شکل 2-9 : پارامترهای مهم هندسی ترانس-دیفنیل دیفسفن ((Ph-P=P-Ph در سطح ( B3LYP/6–311+G(2df,2p بهینهسازی شدهاند. مقایسه ساختارهای Mes P=P-Mes* * و Dmp-P=P-Dmp نیز فراهم شده است τ1 زاویه پیچش 3-2-1-1) ) وτ2 زاویه پیچش 3'-2'-1'-1) ) زوایای پیچش فنیل نسبت به پیوند تقریبا مسطحP = P هستند (زاویه پیچش در 2-1-1'-2' = τPP). Rpp طول پیوند P=P است ADDIN EN.CITE <EndNote><Cite><Author>Huo-Lei Peng</Author><Year>2009</Year><RecNum>13</RecNum><DisplayText>[14]</DisplayText><record><rec-number>13</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">13</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Huo-Lei Peng, John L. Payton, John D. Protasiewicz, M. C. Simpson</author></authors></contributors><titles><title>Twisting the Phenyls in Aryl Diphosphenes (Ar-P=P-Ar). Significant Impact upon Lowest Energy Excited States</title><secondary-title>J Phys Chem A.</secondary-title></titles><periodical><full-title>J Phys Chem A.</full-title></periodical><pages>7054-7063</pages><volume>133</volume><number>25</number><dates><year>2009</year></dates><urls></urls></record></Cite></EndNote>[14].
در سال 2001 گیلوزو وهمکارانش ساختار الکترونی از مشتقات دیفسفن و دیآرسن را بررسی کردند. در جدول2-6 نتایج بعضی پارامترها آمده است ADDIN EN.CITE <EndNote><Cite><Author>karinne miqueu</Author><Year>2001</Year><RecNum>21</RecNum><DisplayText>[15]</DisplayText><record><rec-number>21</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">21</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>karinne miqueu , jean-marc sotiropoulos , genevieve guillouzo . et.all</author></authors></contributors><titles><title>The electronic nature of the -Pn=Pn- derivatives (Pn=P/As)</title><secondary-title>journal of Molecular Structure</secondary-title></titles><periodical><full-title>Journal of Molecular Structure</full-title></periodical><pages>139-146</pages><volume>545</volume><section>139</section><dates><year>2001</year></dates><urls></urls></record></Cite></EndNote>[15].
جدول2-6 : محاسبه پارامترهای ساختاری برای دیفسفن و دیآرسن های مختلف در سطح نظری B3LYP/6–311+G(d,p)

استپانیک و دیگر همکارانش ساختار و طیف ارتعاشی سیس و ترانس آزوبنزن را در سال 2001 بررسی کردند ADDIN EN.CITE <EndNote><Cite><Author>V.Stepanic</Author><Year>2001</Year><RecNum>19</RecNum><DisplayText>[16]</DisplayText><record><rec-number>19</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">19</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>V.Stepanic , G. Baranovic , V.Smrecki</author></authors></contributors><titles><secondary-title>Journal of Molecular Structure</secondary-title></titles><periodical><full-title>Journal of Molecular Structure</full-title></periodical><pages>89-109</pages><volume>569</volume><number>569</number><section>89</section><dates><year>2001</year></dates><urls></urls></record></Cite></EndNote>[16].
جدول2-7 : پارامترهای ساختاری و ممان دوقطبی برای ترانس و سیس آزوبنزن در سطح نظری B3LYP/6–311+G(d,p)

شکل2-10 و جداول 2-8 و2-9 با استفاده از محاسبات کوانتومی آغازین روش CASSCF) ) توسط آماتاتسو در سال 2009 ارائه شد ADDIN EN.CITE <EndNote><Cite><Author>Amatatsu</Author><Year>2009</Year><RecNum>15</RecNum><DisplayText>[17]</DisplayText><record><rec-number>15</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">15</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Yoshiaki Amatatsu</author></authors></contributors><titles><title>Potential Energy Surfaces for the S1 S0 Relaxation of trans-Diphenyldiphosphene in the P=P Rotation-Restricted Condition</title><secondary-title>J. Phys. Chem. A</secondary-title></titles><periodical><full-title>J. Phys. Chem. A</full-title></periodical><pages>9667-9674</pages><volume>113</volume><section>9667</section><dates><year>2009</year></dates><urls></urls></record></Cite></EndNote>[17].

شکل2-10 : شماره گذاری اتمها و نمادهای زاویه پیوند، طول پیوند و زاویه پیچشی برای دیفنیل دیفسفن
جدول2-8 : پارامترهای مهم ساختاری بهینه شده دیفنیل دیفسفن در سطح نظری CASSCF) )

جدول2-9 : پارامترهای مهم ساختاری بهینه شده دیفنیل دیآزن در سطح نظری CASSCF) )

مطالعات خوبی درباره ایزومریزاسیون آزوبنزن توسط وانگ و همکارانش در سال 2009 انجام شد. آنها با استفاده از محاسبات مکانیک کوانتومی آغازین روش CASSCF دریافتند که ترانس آزوبنزن با تقارن C2h نسبت به سیس آزوبنزن با تقارن C2 دارای انرژی پایینتری است( 16.2 کیلوکالری بر مول). در جدول 2-10 میتوانید پارامترهای ساختاری برای RE=ER بهینه شده در سطح نظری B3LYP/6-31G(d)) ) را مشاهده کنید ADDIN EN.CITE <EndNote><Cite><Author>Luoxin Wang</Author><Year>2009</Year><RecNum>14</RecNum><DisplayText>[18]</DisplayText><record><rec-number>14</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">14</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Luoxin Wang, Weilin Xu , Changhai Yi, Xiaogong Wang </author></authors></contributors><titles><title>Isomerization and electronic relaxation of azobenzene after being excited to higher electronic states</title><secondary-title>Journal of Molecular Graphics and Modelling</secondary-title></titles><periodical><full-title>Journal of Molecular Graphics and Modelling</full-title></periodical><pages>792-796</pages><volume>27</volume><section>792</section><dates><year>2009</year></dates><urls></urls></record></Cite></EndNote>[18].
جدول2-10 : پارامترهای ساختاری بهینه شده برای RE=ER محاسبه شده در سطح نظری B3LYP/6-31G(d)) )

شکل زیر هم تصویری از پارامترهای ساختاری آزوبنزن است که در سال 2009 توسط وانگ و همکارانش ارائه شد ADDIN EN.CITE <EndNote><Cite><Author>Luoxin Wang</Author><Year>2009</Year><RecNum>14</RecNum><DisplayText>[18]</DisplayText><record><rec-number>14</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">14</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Luoxin Wang, Weilin Xu , Changhai Yi, Xiaogong Wang </author></authors></contributors><titles><title>Isomerization and electronic relaxation of azobenzene after being excited to higher electronic states</title><secondary-title>Journal of Molecular Graphics and Modelling</secondary-title></titles><periodical><full-title>Journal of Molecular Graphics and Modelling</full-title></periodical><pages>792-796</pages><volume>27</volume><section>792</section><dates><year>2009</year></dates><urls></urls></record></Cite></EndNote>[18].

شکل2-11 : زاویه و طول پیوند در ترانس و سیس آزوبنزن
در سال 2010 چن و سو سطوح انرژی پتانسیل واکنش حلقهزایی، مولکولهای گروه 15 Ph-E = E-Ph به 2- بورا فرروسنوفان را با استفاده از نظریه تابعی چگالی (B3LYP/LANL2DZ) مورد مطالعه قرار دادند ADDIN EN.CITE <EndNote><Cite><Author>Jian-Yi Chen</Author><Year>2010</Year><RecNum>16</RecNum><DisplayText>[19]</DisplayText><record><rec-number>16</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">16</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Jian-Yi Chen , Ming-Der Su</author></authors></contributors><titles><title>Diboration of the EdE Double Bond by [2] Metallocenophanes (E=N, P, As, Sb, and Bi): A Theoretical Study</title><secondary-title>Organometallics</secondary-title></titles><periodical><full-title>Organometallics</full-title></periodical><pages>5812-5820</pages><volume>29</volume><section>5812</section><dates><year>2010</year></dates><urls></urls></record></Cite></EndNote>[19]. پارامترهای هندسی کلیدی Ph-E = E-Ph برای هر دو حالت یکتایی و سه تایی به ترتیب در شکل 2-12 و 2-13 آورده شده است. علاوه بر این، محاسبه خواص فیزیکی مولکول Ph-E = E-Ph برای مقایسه با برخی از دادههای تجربی در جدول 2-11 داده شده است.

شکل 2-12 : پارامترهای ساختاری برای فرم ترانس مولکول Ph-E = E-Ph

شکل 2-13 : پارامترهای ساختاری برای فرم ترانس مولکول Ph-E = E-Ph
توافق خوبی بین نتایج محاسباتی بدست آمده این دانشمندان و دادههای تجربی وجود دارد که نشان دهنده قابل اعتماد بودن روش و نتایج است. نکته مهم اینکه ساختار ترانس همیشه ثابت شده که نسبت به ساختار سیس پایدارتر است ADDIN EN.CITE <EndNote><Cite><Author>Jian-Yi Chen</Author><Year>2010</Year><RecNum>16</RecNum><DisplayText>[19]</DisplayText><record><rec-number>16</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">16</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Jian-Yi Chen , Ming-Der Su</author></authors></contributors><titles><title>Diboration of the EdE Double Bond by [2] Metallocenophanes (E=N, P, As, Sb, and Bi): A Theoretical Study</title><secondary-title>Organometallics</secondary-title></titles><periodical><full-title>Organometallics</full-title></periodical><pages>5812-5820</pages><volume>29</volume><section>5812</section><dates><year>2010</year></dates><urls></urls></record></Cite></EndNote>[19].
جدول 2-11 : خواص فیریکی از جمله انرژی تفکیک پیوند، انرژی تبدیل ترانس به سیس و مقادیر طول پیوند دوگانه تجربی برای مولکول Ph-E = E-Ph

2-5 نتیجه
آنچنان که مشاهده شد، مطالعات متعدد محاسباتی درباره ترکیبات مورد نظر ما یا مشتقات مختلف دیگر از این ترکیبات گزارش شده است اما هنوز یک تصویر مناسب با استفاده ازروشهای مکانیک کوانتومی آغازین در سطح نظری B3LYP/ Def2-TZVPP و تحلیل NBO که مولکول Ph-E = E-Ph حاوی اتمهای نیتروژن، فسفر، آرسنیک و آنتیموان را بررسی نماید نشان داده نشده است. اطلاعات تجربی در مورد ایزومریزاسیون ترکیبات مورد نظر منتشر شده اما دادههای تجربی یا نظری در مورد اثرات عدم استقرار و برهمکنش دوقطبی-دوقطبی برروی خواص پیکربندی ترکیبات ما منتشر نشده است. بررسی دقیق این پژوهش، درک بهتری از تاثیر اثرات مختلفی همچون اثرات استریوالکترونی، اثرات الکترواستاتیک و اثرات فضایی در تعیین پایداری گونههای مورد نظر بالا، که تاکنون ارائه نشده است، را فراهم میکند. در اینجا، ما یک بررسی کامل برای تعیین پایداری گونههای Ph-E = E-Ph حاوی اتمهای نیتروژن، فسفر، آرسنیک و آنتیموان را گزارش میکنیم. این مطالعه میتواند نشان دهنده اطلاعات بسیار مفیدی باشد که ضمن تایید، گسترش میدهد آنچه را که درباره پایداری مولکولهای موردنظر شناخته شده است و همچنین کمک میکند تا زمینهای برای مطالعات آینده ایجاد شود.
فصل سوم
محاسبات شیمیایی
3-1- مقدمه :
در اواخر قرن هفدهم، ایساک نیوتن موفق شد مکانیک کلاسیک و قوانین حرکت اجسام ماکروسکوپی را کشف کند. در اوایل قرن بیستم فیزیکدان‌ها دریافتند که مکانیک کلاسیک از توجیه صحیح رفتار ذرات خیلی کوچک، نظیر الکترون‌ها و هستۀ اتم‌ها و مولکول‌ها عاجز است و معلوم شد که رفتار چنین ذراتی توسط مجموعه‌ای از قوانین به نام مکانیک کوانتومی توصیف می‌شود ADDIN EN.CITE <EndNote><Cite><Author>L. N. Levine</Author><Year>1991</Year><RecNum>30</RecNum><DisplayText>[20]</DisplayText><record><rec-number>30</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">30</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author><style face="normal" font="default" size="11">L. N. Levine,</style></author></authors></contributors><titles><title><style face="italic" font="default" size="11">QuantumChemistry</style></title><secondary-title><style face="normal" font="default" size="11">Prentice, Hall</style></secondary-title></titles><periodical><full-title>Prentice, Hall</full-title></periodical><dates><year><style face="normal" font="default" size="11">1991</style></year></dates><urls></urls></record></Cite></EndNote>[20].
شیمی کوانتومی دانش کاربرد مکانیک کوانتومی در مسایل مربوط به شیمی است. اثر شیمی کوانتومی در تمام شاخه‌های وابسته به شیمی قابل لمس است. مثلاً دانشمندان شیمی فیزیک، مکانیک کوانتومی را به کمک مکانیک آماری در محاسبات مربوط به خواص ترمودینامیکی (مانند آنتروپی و ظرفیت حرارتی گازها)، در تفسیر طیف‌های مولکولی به منظور تأئید تجربی خواص مولکولی (مانند طول‌ها و زوایای پیوندی، گشتاورهای دوقطبی، سدهای مربوط به دوران داخلی، تفاوت‌های انرژی بین ایزومرهای همدیس)، در محاسبات نظری خواص مولکولی برای محاسبۀ خواص حالات‌ گذار در واکنش‌های شیمیایی به منظور برآورد ثابت‌های سرعت واکنش، برای فهم نیروهای بین مولکولی و بالاخره برای بررسی‌ ماهیت پیوند در جامدات به کار می‌برند. دانشمندان شیمی آلی از مکانیک کوانتومی برای برآورد پایداری‌های نسبی مولکول‌ها محاسبۀ خواص واسطه‌های واکنش، بررسی سازوکار واکنش‌های شیمیایی، پیش‌بینی میزان ترکیبات و تحلیل طیف‌ها استفاده می‌کنند. دانشمندان شیمی تجزیه، به صورتی گسترده از روش‌های طیف سنجی کمک می‌گیرند. شدت و فرکانس‌های خطوط طیفی، تشابه کمک مکانیک کوانتومی قابل فهم و تفسیر هستند.
دانشمندان شیمی معدنی از نظریه میدان لیگاند که یک روش تقریبی مکانیک کوانتومی است، در توضیح خواص یون‌های مرکب فلزات واسطه سود می‌برند.
3-2-محاسبات شیمیایی
شیمی محاسباتی شاخه‌ای از شیمی نظری است که می‌تواند ساختار، انرژی‌ و دیگر خصوصیات شناخته شده یا نشده مولکول‌ها را پیشگویی کند. برای انجام محاسبات باید از کامپیوترهای رقمی استفاده نمود که سیستم‌های شیمیایی را شبیه‌سازی می‌نمایند. از طرف دیگر تمام روش‌های محاسباتی برای مطالعه‌ی یک مولکول مناسب نمی‌باشد. پس در ابتدا باید یک روش نظری مناسب را برای مطالعۀ یک مولکول انتخاب نمود. در شیمی محاسباتی، سیستم‌هایی که به طور دقیق قابل حل می‌باشند، عبارتند از سیستم‌های تک ذره‌ای یا دو ذره‌ای که سیستم دو ذره‌ای با استفاده از دستگاه مختصات مرکز جرم می‌تواند به دو مسئله تک ذره‌ای تبدیل شود. در مورد سیستم‌های چند ذره‌ای محاسبات ریاضی بسیار پیچیده و طولانی موردنیاز است. قبل از اختراع کامپیوتر، تعداد سیستم‌هایی که با دقت بالا قابل حل بودند، انگشت شمار بود. هم‌اکنون کامپیوتر در بسیاری از شاخه‌های علوم به طور گسترده مورد استفاده قرار می‌گیرد. در نتیجه شاخه‌ای جدید از شیمی به نام شیمی محاسباتی که در آن کامپیوتر به عنوان یک وسیلۀ تجربی مانند طیف نگار NMR، IR مربوط به مسایل شیمیایی است. به طورکلی روش‌های محاسباتی که برای مطالعه مکانیسم واکنش‌ها، پایداری ترمودینامیکی، ساختار و خواص مولکولی، از قبیل انرژی، طول پیوند و زاویه پیوندی به کار ‌رود، شامل دو روش اصلی مکانیک مولکولی (کلاسیک)1 و مکانیک کوانتومی می‌باشد.
3-2-1- روش‌های محاسباتی براساس مکانیک کلاسیکپایه و اساس این محاسبات، روش‌های مکانیک نیوتن است. در این روش‌ها قوانینی مانند قانون هوک مورد استفاده قرار می‌گیرد. از جمله این روش‌ها، روش تجربی میدان نیرو1(EFF) (مکانیک مولکولی نیز نامیده می‌شود) می‌باشد. روش مذکور از الگوی یک مولکول که در آن اتم‌ها توسط پیوندها به هم دیگر متصلند شروع می‌شود. برای برهم‌کنش بین اتم‌های ناپیوندی نیز سهمی منظور می‌شود. این روش‌ها توسط وستهایمر، هندریکسون، وایبرگ، الینر، وارشل و دیگران توسعه یافت.
انرژی الکترونی مولکولی U، به صورت زیر نوشته می‌شود:
(3-1)
که به ترتیب شامل انرژی کشش پیوند، انرژی خمشی پیوند و انرژی برهم‌کنش واندروالس و انرژی پیچشی می‌باشد. در روش MMP2 انرژی کشش پیوند به صورت تابع درجه دومی از تغییر هریک از طول‌های پیوند از طول تعادلی پیش‌بینی شده به صورت تعریف می‌شود:
(3-2)
که در آن ثابت نیرو برای کشش پیوند، i است.
در مورد یک جابجایی جزیی هسته‌ها از مواضع تعادلیشان، U به طور تقریبی یک تابع درجه دومی از است. انرژی خمشی پیوندبه صورت زیر در نظر گرفته می‌شود:
(3-3)
در رابطۀ فوق،، به ترتیب مبین زاویۀ موجود، زاویه تعادلی مورد انتظار و ثابت نیروی خمشی برای زاویۀ پیوندی i است. طول‌ها و زوایای مورد انتظار و عبارت از کمیت‌های انتخاب شده از هندسه‌های تعادلی معین، برای مولکول‌های کوچک آزادند (مثلاً طول‌های نوعی پیوند یگانه کربن- کربن برابر 53/1آنگستروم است). انرژی برهم‌کنش واندروالسی به صورت مجموع برهم‌کنش‌های بین زوج اتم‌های ناپیوندی بیان می‌شود. انرژی برهم‌کنش واندروالس به صورت زیر تعریف می‌شود:
(3-4)
مقدار انرژی واندروالسی به فاصلۀ مابین اتم‌ها بستگی دارد، از رابطۀ فوق زمانی استفاده می‌شود که باشد. در رابطۀ فوق r فاصلۀ مابین اتمی، مجموع شعاع واندروالسی دو اتم را نشان می‌دهد. به عنوان ثابت انرژی برای یک زوج اتم از رابطه
(3-5)
به دست می‌آید. و پارامترهای مربوط به سختی هر اتم می‌باشد. بنابراین برای دو اتم از یک نوع است. زمانی که باشد، معادله مربوط به انرژی واندروالسی به صورت زیر است:
(3-6)
عبارت مربوط به انرژی پیچشی به صورت زیر است:
(3-7)
که در آن ، و سدهای انرژی بوده و زاویۀ پیچش حول پیوند مشخص شده است. لازم به ذکر است که اگر مولکول دارای یک یا چند حلقه کوچک باشد، به منظور دخالت دادن کرنش فضایی حاصل، جملات دیگری اضافه می‌شوند. اگر مولکول دارای گروه‌های قطبی باشد، برای نمایش برهم‌کنش‌های الکتروستاتیکی بین این گروه‌ها، جملاتی اضافه می‌شود.
علاوه بر این‌، در مورد ترکیبات آروماتیکی، اطلاعاتی از قبیل مراتب پیوندهای ناشی از محاسبات مکانیک کوانتومی الکترون نیز شرکت می‌کنند. اگر پیوندهای هیدروژنی درون مولکولی وجود داشته باشد برای آن نیز جملاتی منظور می‌شود. چون تابع انرژی پتانسیلU برای ارتعاش مولکولی تولید می‌شود، لذا می‌توان روش EFF را به منظور محاسبه فرکانس‌های ارتعاشی مولکول به کار برد. توجه داشته باشید که تراز انرژی صفر به صورتی انتخاب می‌شود که با همه طول‌ها و زوایای پیوندی دارای مقادیر متداول و متناظر بوده و در آن برهم‌کنش‌های واندروالس ناپیوندی و یا برهم‌کنش‌های دورانی داخلی مطرح نباشد. در یک چنین حالت فرضی به خوبی می‌توان انرژی مولکولی را به صورت مجموعه‌ای از انرژی‌های پیوند تجربی تقریب کرد. به منظور اعمال روشEFF، داشتن داده‌های کافی برای انتخاب مقادیر پارامترها، ضروری است. از این رو، اغلب کاربردهای روش مزبور، در مورد هیدروکربن‌ها بوده است. مولکول‌های شامل گروه‌های قطبی منزوی نیز به راحتی از این طریق بررسی می‌شوند.
هم چنین با توجه به این که روش مذکور برای حالت پایۀ مولکول‌ها فرمول‌بندی شده‌اند، نمی‌تواند وضعیت‌های هندسی را که شامل فرایند شکستن یا گسستن پیوند می‌باشد را تعیین نماید. با این حال روش مکانیک مولکولی، برای محاسبه پایداری نسبی ساختارهای مولکولی مفید است زیرا محاسبات مربوط به آن مثل محاسبات اوربیتال مولکولی وقت‌گیر نیست و برای مطالعه مولکــول‌های نسبتاً بزرگ آلی مناسب می‌باشد.
تحقیـقات وسیعی در این زمیــنه توسط کولمـن1انجام شـده است که به نام روش AMBER 4.0 معروف است.
3-2-2- روش‌های محاسباتی براساس مکانیک کوانتومی
اساس محاسبات مکانیک کوانتومی نظریه اوربیتال مولکولی می‌باشد که از تقریب اوربیتال مولکولی هارتری فاک11استفاده می‌شود. از میان روش‌های مکانیک کوانتومی می‌توان به معادله موجی شرودینگر22، نمایش برداری دیراک33، جوردان44 و محاسبات ماتریسی هایزنبرگ55و بورن66اشاره کرد.
از میان روش‌های مذکور، نمایش‌برداری دیراک روش گسترش یافته‌تری در مقایسه با روش‌های دیگر است. معادله موجی شرودینگر از میان روش‌های فوق، شناخته شده‌تر می‌باشد. به همین دلیل در اکثر مسایل شیمیایی با حدس هامیلتونی واقعی7و تابع موج واقعی معادله شرودینگر حل می‌شود.
(3-8)
که در آنعملگر هامیلتونی، تابع موج و E انرژی تابع موج است. روش‌های محاسباتی مکانیک کوانتومی گستردگی بسیاری دارد، و شامل روش‌های ساده و پیچیده می‌باشد. از روش‌های محاسباتی ساده می‌توان نظریه هوکل را نام برد، که در آنها الکترون‌های لایه ظرفیت در نظر گرفته می‌شود و از روش‌های پیچیده، روش محاسباتی آغازین را می توان نام برد.
در حد فاصل روش‌های فوق روشهای نیمه تجربی قرار دارند، که هریک از آنها نیز روش‌های مختلفی را در بر می‌گیرند. اما وجه اشتراک تمام این روش‌ها این است که با استفاده از گرادیان انرژی ساختار مولکول را بهینه می‌کنند، یعنی یک مولکول با مناسب‌ترین پیکربندی و کمترین مقدار انرژی به دست می‌آید. علاوه بر این‌ها روش دیگری به نام روش دینامیک مولکولی وجود دارد که با استفاده از معادلات نیوتنی رفتار سیستم‌های فیزیکی را شبیه‌سازی می‌کند.
تفسیر واکنش شیمیایی براساس برهم‌کنش‌های بین اتم‌ها و مولکول‌ها دینامیک شیمیایی نامیده می‌شود. با پیشرفت این علم امیدی در دل شیمیدانان زنده می‌شود، که دیگر مجبور نخواهند بود نظاره‌گر آن باشند که واکنش شیمیایی چه محصولی برای او تولید می‌کند، بلکه می‌توانند به کمک دینامیک مولکولی، واکنش را به سوی تولید محصول دلخواه سوق ‌دهند.
با توجه به مطالب ذکر شده روش‌های محاسبات مکانیک کوانتومی به دو دسته تقسیم‌بندی می‌شود:
روش نیمه تجربی11
روش آغازین22
3-2-2-1- روش‌های نیمه تجربی
اگر در حل معادله شرودینگر به جای برخی انتگرال‌ها جواب آنها را قرار دهیم یا از بعضی از انتگرال‌ها که سهم ناچیزی در جواب معادله دارند صرف نظر کنیم، به این ترتیب تعداد انتگرال‌هایی که باید حل شوند کم شده و زمان لازم برای رسیدن به ساختار بهینه کمتر می‌شود. به این روش که حل معادله‌ی شرودینگر در آن با تقریب حل می‌شود روش‌های نیمه تجربی گویند.
روش‌های نیمه تجربی دو هدف را دنبال می کنند:
اختار حاصل از این محاسبه با روش‌های تجربی یکسان باشد. به این نوع روش‌ها، روش مکتب دوار3گویند.
ممکن است هدف این باشد که ساختار حاصل از این روش به ساختار حاصل از روش آغازین نزدیک باشد. به این روش، روش مکتب پاپل4گویند.
روش‌های نیمه تجربی معرفی شده به صورت زیر هستند:
1- روش اوربیتال مولکولی الکترون آزاد(FEMO)
2- روش اوربیتال مولکولی هوکل(HMO)
3- روش پار، پاپل، پاریزر(PPP) 4- روش گسترش یافته هوکل(EHMO) 5- روش چشم‌پوشی کامل از هم‌پوشی دیفرانسیلی دو اتمی(CNDO)
6- روش چشم‌پوشی متوسط از هم‌پوشی دیفرانسیلی دو اتمی(INDO)
7- INDO عمود شده متقارن(SINDO)
8- روش برهم‌کنش پیکربندی اغتشاشی با استفاده از اوربیتال‌های متمرکز(PCILO)
9- روش چشم‌پوشی از هم‌پوشی دیفرانسیلی دو اتمی (NDDO)
10- روش ابقاء جزئی هم‌پوشانی دیفرانسیلی دو اتمی(PRDDO)
11- روش اصلاح شده چشم‌پوشی متوسط از هم‌پوشانی دیفرانسیلی(MINDD)
12- روش اصلاح شده چشم‌پوشی از هم‌پوشانی دیفرانسیلی دو اتمی(MINDO)
13- روش تصحیح شده (AM1) MNDO
14- روش تصحیح شده (PM3) AM1
3-2-2-2 -روش‌های مکانیک کوانتومی آغازین
از این روش برای بررسی مولکول‌های کوچک استفاده می‌شود که یکی از معتبرترین روش‌های موجود می‌باشد که در آن تعداد بسیار محدودی تقریب استفاده شده است. این روش نسبت به روش‌های دیگر از ویژگی خاصی برخوردار است و آن این است که پیش‌بینی‌های آن براساس اصول اولیه کوانتومی نظیر ثابت‌های اساسی، سرعت نور، بار الکترون و ثابت پلانک بیان شده است.در این روش با حل معادله شرودینگر به انتگرال‌های روتان12می‌رسیم (روتان اولین کسی بود که به جای اوربیتال‌ها استفاده از توابع پایه را بنا نهاده است)، اگر تمام این انتگرال‌های چند الکترونی- چندمرکزی را حل کرده و بدون هیچ نوع دستکاری و تقریب به جواب برسیم، با (Ab initio) عمل کرده‌ایم.
در این روش از عملگر هامیلتونی استفاده می‌شود ADDIN EN.CITE <EndNote><Cite><Author>L. N. Levine</Author><Year>1991</Year><RecNum>30</RecNum><DisplayText>[20]</DisplayText><record><rec-number>30</rec-number><foreign-keys><key app="EN" db-id="9ztwdxst2a55f2ep9ztvww0q2xzf20tesp0e">30</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author><style face="normal" font="default" size="11">L. N. Levine,</style></author></authors></contributors><titles><title><style face="italic" font="default" size="11">QuantumChemistry</style></title><secondary-title><style face="normal" font="default" size="11">Prentice, Hall</style></secondary-title></titles><periodical><full-title>Prentice, Hall</full-title></periodical><dates><year><style face="normal" font="default" size="11">1991</style></year></dates><urls></urls></record></Cite></EndNote>[20] .عبارت Ab initio بیانگر روش پیچیده برای حل اوربیتال‌های مولکولی بر مبنای اصول اولیه می‌باشد. در روش آغازین انتگرال‌ها را پارامتر ثابت در نظر نمی‌گیرند و باید حل شوند که این امر امکان‌پذیر نمی‌باشند. در این روش با اینکه فرضیات ساده‌ای در نظر گرفته می‌شود، اما به جواب‌های دقیق می‌توان دست یافت و با توجه به اینکه به زمان محاسباتی زیادی نیاز دارد، بیشتر برای مولکول‌های کوچک به کار می‌رود.
(3-9)
مشخصه هسته i و j مشخصه الکترون می‌باشد.
روش‌های آغازین در میان دیگر روش‌ها از اهمیت ویژه‌ای برخوردارند. تعیین توابع موج الکترونی دقیق برای مولکول‌ها کار دشواری است. با روش‌های آغازین می‌توان الگوی مناسبی را برای توابع موج الکترونیکی مولکول انتخاب کرده، و محاسبات را بدون تقریب‌های بیشتر یا داده‌های تجربی انجام داد. بنابراین در محاسبات آغازین تقریب براساس الگو قرار می‌گیرد. این امر به وضوح بر اعتبار نتایج حاصل، تأثیرگذار خواهد بود. به طوری که انتخاب نامناسب الگو منجر به نتایج ناصحیح و گمراه‌کننده می‌شود.
3-3-تقریب بورن اپنهایمر1خواص شیمیایی اتم‌ها و مولکول‌ها به کمک ساختار الکترونی آن‌ها تعیین می‌شود. الکترون‌ها بسیار سبکتر از هسته‌ها هستند و در اکثر مسائل ساختار مولکولی می‌توان حرکت الکترونی و هسته‌ای را به طور جداگانه بررسی کرد. الکترون‌ها بسیار سریعتر از هسته‌ها حرکت می‌کنند و می‌توان تصور کرد که الکترون‌ها ذاتاً یک پتانسیل استاتیکی را به واسطه هسته‌ها تجربه می‌کنند. به عبارت دیگر، ملاحظه می‌شود که هسته‌ها در معرض پتانسیل متوسطی به واسطۀ الکترون‌ها قرار دارند. این مطلب اساس جداسازی بورن- اپنهایمر است که در آن برای یک مولکول معادله شرودینگر کلی که حرکات الکترون‌ها و هسته‌ها را توصیف می‌کند، به دو معادلۀ مجزا برای الکترون‌ها و هسته‌ها تبدیل می‌شود. اگر هسته‌ها و الکترون‌ها را به صورت نقاط مادی در نظر بگیریم در این صورت هامیلتونی مولکول به صورت زیر است :
(3-10)
که در آن و مشخصه‌های هسته و و مشخصه‌های الکترون‌ها هستند. جمله اول موجود در معادلۀ بالا عملگر انرژی جنبشی هسته‌ها، جمله دوم مربوط به عملگر به انرژی جنبشی الکترون‌ها و جمله سوم مربوط به دافعۀ بین هسته‌ها است که در آن ، فاصلۀ بین هسته‌های و با اعداد اتمی را بیان می‌کند. جمله چهارم، بیانگر جاذبه بین الکترون‌ها و هسته‌ها است که در آن فاصلۀ بین الکترون i و هسته را نشان می‌دهد و در نهایت آخرین جمله دافعه بین الکترون‌هاست که در آن ، بیانگر فاصله بین الکترون‌های i و j است. معادلۀ شرودینگر کل را می‌توان به صورت عبارت (3-52) نوشت:
(3-11)
که در اینجا و عملگرهای انرژی جنبشی برای هسته‌ها و الکترون‌ها (به ترتیب در موقعیت‌های R و r نسبت به مرکز جرم) می‌باشد. جملات انرژی پتانسیل انرژی پتانسیل الکترواستاتیکی ناشی از برهم‌کنش‌های هسته-هسته، الکترون- هسته و الکترون- الکترون هستند. اگر حرکات هسته و الکترون‌ها قابل جدا کردن باشند، می‌توان تابع موج کل را به صورت توابع موج الکترونی و هسته‌ای نوشت:
(3-12)
تابع موج الکترونی ز لحاظ پارامتری به پیکربندی هسته‌ای (R) بستگی دارد و جوابی برای معادلۀ الکترونی شرودینگر محسوب می‌شود.
(3-13)

–269

1-5- فرضیه ها31
1-6- سئوالات 31
1-7- ضرورت انجام تحقیق32
1-8- جنبه جدید بودن و نوآوری تحقیق32
1-9- واژه نامه ها و اصطلاحات فنی32
فصل دوم مروری بر ادبیات تحقیق و پیشینه تحقیق34
بررسی متون:35
فصل سوم :مواد وروشها39
3-1-مواد و تجهیزات40
3-1-1-دستگاه ها ووسایل مورد نیاز:40
3-1-2-مواد مصرفی مورد نیاز: 41
3-1-3- محیطهای کشت مورد استفاده: 41
3-2-ترکیبات و محلولهای مورد نیاز و فرمول ساخت آنها42
3-2-1-تهیه محلول(%25) SDS:42
3-2-2- محلول EDTA(5/0 مولار):42
3-2-3-تامپون لیز کننده سلول42
3-2-4- تامپون TE حاوی RNase42
3-2-5- بافر(5X)TBE:42
3-2-7- محلول فنل-کلروفروم-ایزو آمیلیک الکل(PCI):43
3-3- روش انجام طرح:44
3-3-1- نوع مطالعه:44
3-3-2-جامعه مورد مطالعه:44
3-3-3- جمع آوری اطلاعات:44
3-3-4- انجام امور باکتریولوژیک:44
3-4- ژنوتایپینگ ایزوله های سالمونلا با استفاده از روش MLVA46
3-4-1- انجام آزمایش PCR جهت تکثیر لوکوس های VNTR46
3-4-2- الکتروفورز محصولات VNTR50
3-4-3- محاسبه ی اندازه و تعداد تکرار های VNTR52
3-4-4-تجزیه و تحلیل داده های VNTR 52
فصل چهارم یافته ها54
4-1- نمتایج حاصل از جمع آوری نمونه ها 55
4-2- نتایچ حاصل از استخراج ژنوم باکتریایی57
4-3- نتایج حاصل از واکنش PCR جهت تکثیر لوکوس های VNTR58
4-4- میزان تنوع الل های VNTR74
4-5- آنالیز داده ها با استفاده از الگوریتم Minimum Spanning Tree 74
4-6- آنالیز داده های VNTR با استفاده از روش NJ75
فصل پنجم :بحث ونتیجه گیری 77
5-1- بحث78
5-2- نتیجه گیری و جمع بندی91
منابع:92
چکیده انگلسی 96

فهرست جداول و نمودارها
عنوان صفحه
جدول1-1، ویژگی های بیو شیمیایی سالمونلا8
جدول 1-2، طبقه بندی نوین سالمونلا و میزان سروتایپ ها در زیر گونه ها9
جدول 3-1، نام لوکوس ها و پرایمر های اختصاصی47
جدول 3-2،مقادیرموردنیازجهت انجام واکنش هایPCRبرای تکثیرلوکوسهایVNTR48
جدول 3-3، برنامه ریزی دستگاه ترموسایکلر جهت تکثیر لوکوس های SENTR2،
SENTR3 و SE-749
جدول3-4،برنامه ریزی دستگاهترموسایکلرجهت تکثیرلوکوسهایENTR6وSE-849
جدول 3-5، برنامه ریزی دستگاه ترموسایکلر برای تکثیر لوکوس SE-4 49
جدول 3-6، برنامه ریزی دستگاه ترموسایکلر جهت تکثیر لوکوس SE-1050
جدول 3-7، برنامه ریزی دستگاه ترموسایکلر جهت تکثیر لوکوس SE-650
جدول 4-1، در فایل EXCEL73
جدول 4-2، ضریب تنوع هانتر- گاتسون برای هر لوکوس محاسبه شده 74
نمودار 4-1، میزان فراوانی هر یک از سرو تایپ های سالمونلا در پژوهش حاضر56
نمودار 4-2، میزان شیوع هر یک از سرو تایپ های سالمونلا در پژوهش حاضر56
فهرست اشکال
عنوان صفحه
شکل 1-1 تصویر دکتر سالمون دامپزشک آمریکایی.5
شکل1-2 باکتری سالمونلا 6
شکل 1-4مای شماتیک از VNTR ها 23
شکل 1-5 پروفایل اللی 24
شکل 1-6 آنالیز MLVA بوسیله MST 25
شکل 1-7، مزایای MLVA 26
شکل 1-8، مراحل انجام MLVA 27
شکل 4-1، میزان خلوص DNA نمونه ی شماره ی 5357
شکل 4-2، میزان خلوص DNA نمونه ی شماره ی 2457
شکل 4-3، لوکوس ENTR6 58
شکل 4-4، لوکوس SE4 59
شکل 4-5، لوکوس SE4 60
شکل 4-6، لوکوسSE6 61
شکل 4-7، لوکوس SE6 62
شکل 4-8، لوکوسSE7 63
شکل 4-9، لوکوسSE7 64
شکل 4-10، لوکوسSE8 65
شکل 4-11، لوکوسSE8 66
شکل 4-12، لوکوسSE10 67
شکل 4-13، لوکوسSE10 68
شکل 4-14، لوکوسSENTR2 69
شکل 4-15، لوکوسSENTR2 70
شکل 4-16، لوکوسSENTR3 71
شکل 4-17، لوکوسSENTR3 72
شکل 4-18، آنالیز داده های VNTR با استفاده از الگوریتم MST. 75
شکل 4-22، درختچه ی NJ 76
چکیده فارسی :
ژنوتایپینگ سویه های سالمونلا انتریکا سرووار انتریتیدیس جدا شده از نمونه های بالینی در تهران بر پایه روش آنالیز چند لوکوسی متغیر تکراری( MLVA)
مقدمه:سالمونلاانتریکا سبب ایجاد سالمونلوزیس در انسان می شود. سالمونلا انتریکا سرووار انتریتیدیس، دومین سروتایپی می باشد که در سطح دنیا سبب ایجاد سالمونلوزیس می شود. تکنیک MLVA، یکی از روش های نوین ژنوتایپینگ جهت تمایز ایزوله های باکتریایی در همه گیری ها و یا تعیین قرابت فیلوژنتیکی این ایزوله ها می باشد. هدف از این پژوهش، ژنوتایپینگ سویه های سالمونلا انتریتیدیس جدا شده از نمونه های بالینی در تهران بر پایه ی روش MLVA.
مواد و روش ها: در این پژوهش، 51 ایزوله ی سالمونلا انتریکا سرووار انتریتیدیس از نمونه های بالینی در طی سال های 1387 تا 1389 در تهران جدا شدند. ایزوله های سالمونلا انتریتیدیس با استفاده از تکنیک های بیوشیمیایی و سرولوژیکی تایید شدند. جهت انجام تکنیک MLVA، از هشت لوکوس VNTR استفاده شد.
نتایج: 10 ژنوتایپ متفاوت MLVA، در این پزوهش شناسایی شد. با استفاده از روش MST، 51 ایزوله ی سالمونلا انتریتیدیس در 2 کلونال کمپلکس قرار گرفتند. همچنین با استفاده از تکنیک NJ، این ایزوله ها در دو کلاستر جای گرفتند.
بحث و نتیجه گیری: نتایج حاصل از این پژوهش نشان داد که تکنیک MLVA، یک روش قدرتمند و آسان می باشد و می توان از این تکنیک در اپیدمی ها ی ناشی از سالمونلا انتریتیدیس استفاده نمود.
کلمات کلیدی: سالمونلا، MLVA، VNTR
68580077470

کلیات تحقیق
بیان مسئله
سالمونلا باسیل گرم منفی،واجدتاژک پری تریش وجزءخانوادهیانتروباکتریاسهمیباشد.گروه سالمونلا شامل یک جنس منفرد به نام سالمونلا است. این جنس شامل ارگانیسم هایی است که قبلا تحت عنوان سالمونلا و آریزونا شناخته می شدند. وقتی سالمونلا ها از طریق مسیر خوراکی به انسان و حیوانات منتقل شوند، بیماریزا هستند. این باکتری از طریق حیوان و فروارده های حیوانی به انسان سرایت می کنند و موجب تب روده ای، مسمومیت های غذایی و گاستروانتریت در انسان می شوند ADDIN EN.CITE <EndNote><Cite><Author>Brooks</Author><Year>2012</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">1</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Brooks, G.</author><author>Carroll, K.C.</author><author>Butel, J.</author><author>Morse, S.</author></authors></contributors><titles><title>Jawetz Melnick&amp;Adelbergs Medical Microbiology 26/E</title></titles><dates><year>2012</year></dates><publisher>Mcgraw-hill</publisher><isbn>9780071790314</isbn><urls><related-urls><url>https://books.google.com/books?id=UUSXV8B9i9sC</url></related-urls></urls></record></Cite></EndNote>(7).
طبقه بندی سالمونلا در طی سالیان متمادی دچار تغییرات زیادی شده است. سالمونلا گروه بزرگی از باکتری های روده ای شامل تقریبا 2200 سروتایپ می باشد. بر مبنای مدل اخیر طبقه بندی CDC تنها یک گروه منفرد از سالمونلا وجود دارد که به هفت زیر گروه(1،2،،a3،b3،4،5،6) طبقه بندی می شوند. طبقه بندی اخیر بر مبنای شباهت ژنتیکی ایزوله های سالمونلا) 16S r RNA) است. سیستم های طبقه بندی قدیمی تر شامل 1) طبقه بندی کافمن_وایت: که هر سروتایپ را به صورت یک گونه منفرد سالمونلا شناسایی می کند. 2) سیستم ادواردز_اوینگ: که سالمونلاها را به سه گونه( سالمونلا کلراسوئیس، سالمونلا تایفی، سالمونلا انتریتیدیس) و صدها سروتایپ تقسیم بندی می کند. 3) مدل هیبریداسیون DNA: که سالمونلا ها را به یک گونه به نام سالمونلا انتریتیدیس و زیر گونه های اریزونه، بونگوری، دی اریزونه، انتریکا، سالاما،هاتنا، تقسیم می نمایند که طبقه بندی CDC با کمی تغییر از همین طبقه بندی استفاده می کند ADDIN EN.CITE <EndNote><Cite><Author>Brooks</Author><Year>2012</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">1</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Brooks, G.</author><author>Carroll, K.C.</author><author>Butel, J.</author><author>Morse, S.</author></authors></contributors><titles><title>Jawetz Melnick&amp;Adelbergs Medical Microbiology 26/E</title></titles><dates><year>2012</year></dates><publisher>Mcgraw-hill</publisher><isbn>9780071790314</isbn><urls><related-urls><url>https://books.google.com/books?id=UUSXV8B9i9sC</url></related-urls></urls></record></Cite><Cite><Author>Murray</Author><Year>2013</Year><RecNum>2</RecNum><record><rec-number>2</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">2</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Murray, P.R.</author><author>Rosenthal, K.S.</author><author>Pfaller, M.A.</author></authors></contributors><titles><title>Medical Microbiology</title></titles><dates><year>2013</year></dates><publisher>Mosby/Elsevier</publisher><isbn>9780323054706</isbn><urls><related-urls><url>https://books.google.com/books?id=O92zd8fV-RcC</url></related-urls></urls></record></Cite><Cite><Author>Walker</Author><Year>1998</Year><RecNum>3</RecNum><record><rec-number>3</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">3</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Walker, T.S.</author></authors></contributors><titles><title>Microbiology</title></titles><dates><year>1998</year></dates><publisher>W.B. Saunders Company</publisher><isbn>9780721646411</isbn><urls><related-urls><url>https://books.google.com/books?id=DtlpAAAAMAAJ</url></related-urls></urls></record></Cite></EndNote>(4-6).
روش های مختلفی برای جداسازی باکتری سالمونلا از نمونه های محیطی وجود دارند که شامل: روش های کشت سنتی و بیوشیمیایی، سرولوژی و مولکولی می باشد. در کشت سنتی از محیط های پیش انتخابی و اختصاصی نظیر S.S Agarو XLD Agar استفاده می شود. روش های سرولوژی براساس واکنش انتی بادی با انتی ژن تولیدی توسط باکتری می باشد.
استفاده از روش های سرولوژیک بدلیل تنوع گسترده خصوصیات آنتی ژنتیکی باکتریایی و نیاز به طیف گسترده و وسیعی از آنتی بادی ها و همچنین هزینه گزاف تولید و مصرف آن، به مرور جایگاه خود را از دست داده اند. تا کنون از روش های مولکولی متنوعی جهت ژنوتایپینگ گونه های مختلف سالمونلا استفاده شده است. به کارگیری این روش ها، اهمیت ویژه ای در پژوهش های اپیدمیولوژیکی دارد . با شروع عصر مولکولی دانشمندان رویکرد خود را از فنوتیپ به ژنوتیپ تغییر داده اند.
روش های مختلفی مثل Rep- PCR، RAPD- PCR، Ribotyping، PFGE، MLST و MLVA جهت ژنتوتایپینگ سویه های سالمونلا تا به حال مورد استفاده قرار گرفته است بطوریکه هریک ازاینروش ها معایب و مزایایی دارند، که در این میان روش MLVA از روش هایی مولکولی جدید و نوینی جهت ژنوتایپینگ باکتریایی مطرح شده است و بر این اساس توسعه یافتهُ است ADDIN EN.CITE <EndNote><Cite><Author>Nadon</Author><Year>2013</Year><RecNum>1605</RecNum><record><rec-number>1605</rec-number><foreign-keys><key app="EN" db-id="w0dfex0040rvzzewepypdsruzp9vstsx02tt">1605</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Nadon, C. A.</author><author>Trees, E.</author><author>Ng, L. K.</author><author>Moller Nielsen, E.</author><author>Reimer, A.</author><author>Maxwell, N.</author><author>Kubota, K. A.</author><author>Gerner-Smidt, P.</author></authors></contributors><auth-address>National Microbiology Laboratory, Public Health Agency of Canada, Winnipeg, Manitoba, Canada.</auth-address><titles><title>Development and application of MLVA methods as a tool for inter-laboratory surveillance</title><secondary-title>Euro Surveill</secondary-title></titles><periodical><full-title>Euro Surveill</full-title></periodical><pages>20565</pages><volume>18</volume><number>35</number><edition>2013/09/07</edition><keywords><keyword>Clinical Laboratory Techniques/instrumentation/*methods/standards</keyword><keyword>Consensus</keyword><keyword>Consensus Development Conferences as Topic</keyword><keyword>Disease Outbreaks/*prevention &amp; control</keyword><keyword>Humans</keyword><keyword>International Cooperation</keyword><keyword>Multilocus Sequence Typing/instrumentation/*methods/standards</keyword><keyword>Population Surveillance/*methods</keyword><keyword>*Quality Control</keyword><keyword>Tandem Repeat Sequences/*genetics</keyword></keywords><dates><year>2013</year></dates><isbn>1560-7917 (Electronic)&#xD;1025-496X (Linking)</isbn><accession-num>24008231</accession-num><urls><related-urls><url>http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&amp;db=PubMed&amp;dopt=Citation&amp;list_uids=24008231</url></related-urls></urls><language>eng</language></record></Cite></EndNote>(7).
این روش با مزایایی که نسبت به تکنیک PFGE دارد روز به روز به اهمیت و محبوبیت آن افزوده می شود. بطوریکه در آینده جایگاه ویژه ای در بین اپیدمیولوژیست ها خواهد داشت. در تکنیک MLVA بطور خاص، توالی های تکراری پشت سر هم مورد بررسی و ارزیابی قرار می گیرند و از نظر تعداد تکرار های VNTR با یکدیگر مقایسه می شوند. مجموعه ای از این تکرار ها بصورت دسته ای از اعداد که در اصطلاح پروفایل اللی گفته می شود. برای هر سویه باکتری نمایش داده می شود و به عنوان یک کد اطلاعاتی برای آن سویه در نظر گرفته می شود. ADDIN EN.CITE <EndNote><Cite><Author>Nadon</Author><Year>2013</Year><RecNum>1605</RecNum><record><rec-number>1605</rec-number><foreign-keys><key app="EN" db-id="w0dfex0040rvzzewepypdsruzp9vstsx02tt">1605</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Nadon, C. A.</author><author>Trees, E.</author><author>Ng, L. K.</author><author>Moller Nielsen, E.</author><author>Reimer, A.</author><author>Maxwell, N.</author><author>Kubota, K. A.</author><author>Gerner-Smidt, P.</author></authors></contributors><auth-address>National Microbiology Laboratory, Public Health Agency of Canada, Winnipeg, Manitoba, Canada.</auth-address><titles><title>Development and application of MLVA methods as a tool for inter-laboratory surveillance</title><secondary-title>Euro Surveill</secondary-title></titles><periodical><full-title>Euro Surveill</full-title></periodical><pages>20565</pages><volume>18</volume><number>35</number><edition>2013/09/07</edition><keywords><keyword>Clinical Laboratory Techniques/instrumentation/*methods/standards</keyword><keyword>Consensus</keyword><keyword>Consensus Development Conferences as Topic</keyword><keyword>Disease Outbreaks/*prevention &amp; control</keyword><keyword>Humans</keyword><keyword>International Cooperation</keyword><keyword>Multilocus Sequence Typing/instrumentation/*methods/standards</keyword><keyword>Population Surveillance/*methods</keyword><keyword>*Quality Control</keyword><keyword>Tandem Repeat Sequences/*genetics</keyword></keywords><dates><year>2013</year></dates><isbn>1560-7917 (Electronic)&#xD;1025-496X (Linking)</isbn><accession-num>24008231</accession-num><urls><related-urls><url>http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&amp;db=PubMed&amp;dopt=Citation&amp;list_uids=24008231</url></related-urls></urls><language>eng</language></record></Cite></EndNote>(7)
MLVA دارای مزایای زیادی نسبت به PFGE می باشد. در MLVA تنها نیاز به دستگاه PCR است و این روش یک تکنیک PCR-bassed میباشد در حالیکه در PFGE نیاز به امکانات و تجهیزات مخصوص و پر هزینه است. در MLVA تنها داشتن DNA باکتری کافیست در حالیکه در PFGE نیاز به باکتری زنده است.هزینه MLVA به مراتب از PFGE کمتر است و بسیار سریع تر از آن انجام پذیر می باشد. و نکته بسیار مهم اینست که، داده های حاصل از MLVA از آنجایی که بصورت مجموعه ای از ارقام ذخیره می شود را می توان به راحتی در بانک های اطلاعاتی ذخیره نمود و با نتایج سایر پژوهشگران مقایسه نمود هر چند چنین چیزی در PFGE دیده نمی شود گرچه تلاش های مانند شبکه Plus Net در جهت حل این موضوع ایجاد شده است.به این ترتیب MLVA بعنوان یک تکنیک جایگزین PFGE برای کشور های در حال توسعه مطرح می باشد ADDIN EN.CITE <EndNote><Cite><Author>Nadon</Author><Year>2013</Year><RecNum>1605</RecNum><record><rec-number>1605</rec-number><foreign-keys><key app="EN" db-id="w0dfex0040rvzzewepypdsruzp9vstsx02tt">1605</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Nadon, C. A.</author><author>Trees, E.</author><author>Ng, L. K.</author><author>Moller Nielsen, E.</author><author>Reimer, A.</author><author>Maxwell, N.</author><author>Kubota, K. A.</author><author>Gerner-Smidt, P.</author></authors></contributors><auth-address>National Microbiology Laboratory, Public Health Agency of Canada, Winnipeg, Manitoba, Canada.</auth-address><titles><title>Development and application of MLVA methods as a tool for inter-laboratory surveillance</title><secondary-title>Euro Surveill</secondary-title></titles><periodical><full-title>Euro Surveill</full-title></periodical><pages>20565</pages><volume>18</volume><number>35</number><edition>2013/09/07</edition><keywords><keyword>Clinical Laboratory Techniques/instrumentation/*methods/standards</keyword><keyword>Consensus</keyword><keyword>Consensus Development Conferences as Topic</keyword><keyword>Disease Outbreaks/*prevention &amp; control</keyword><keyword>Humans</keyword><keyword>International Cooperation</keyword><keyword>Multilocus Sequence Typing/instrumentation/*methods/standards</keyword><keyword>Population Surveillance/*methods</keyword><keyword>*Quality Control</keyword><keyword>Tandem Repeat Sequences/*genetics</keyword></keywords><dates><year>2013</year></dates><isbn>1560-7917 (Electronic)&#xD;1025-496X (Linking)</isbn><accession-num>24008231</accession-num><urls><related-urls><url>http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&amp;db=PubMed&amp;dopt=Citation&amp;list_uids=24008231</url></related-urls></urls><language>eng</language></record></Cite></EndNote>(7).
هر گونه باکتریایی، توالی های VNTR مخصوص به خود را دارد که می توان با طراحی پرایمر برای آنها، الل مورد نظر را تکثیر داد و از نظر تعداد تکرار مورد بررسی قرار داد. در طرح حاضر سعی شده است با انتخاب توالی هایVNTR مناسب، یک روش جدید، کم هزینه، سریع برای ژنوتایپینگ سویه های سالمونلا انتریکا سرووار انتریتیدیس بکار گرفته شود تا در آینده بتواند جایگزین روش های گرانقیمتی مانند PFGE شود و بتوان از آن در آزمایشگاه های تحقیقاتی که تنها تجهیز به دستگاه PCR باشند، استفاده نمود و بتواند به سرعت هر نوع اپیدمی را شناسایی کند و پژوهشگران بتوانند نتایج خود را با یکدیگر مقایسه نمایند(7).
1-2- کلیات
1-2-1، تاریخچه
دو دانشمند فرانسوی با نام های کومل و لوئی در اوایل قرن نوزدهم میلادی علائم کلینیکی تب تیفوئید را بررسی کردند. در سال 1823 میلادی برتونئو به علت تورم غدد لنفاوی روده آن بیماری را به نام روده جوشان نام گذاری نمود. کرهارد در اپیدمی تیفوئید در فیلادلفیا ایالات متحده آمریکا در سال 1837 میلادی، تیفوس و حصبه را از متمایز کرد.در سال 1839 میلادی شونلین تیفوس را به نام تیفوس اگژنتماتیکوس و حصبه را تیفوس احشایی نام گذاری نمود. در میان سال های 1849-1851 در انگلستان، جنر با استفاده از علائم بیماری های تب دانه دار، حصبه را تشخیص داد و عامل آن را سالمونلا تایفی نامید. اسم سالمونلا بر گرفته شده از دامپزشک آمریکایی به نام دکتر دانیال المر سالمون می باشد که به پاس تحقیقات و زحمات گسترده این دانشمند نام گذاری شده است.هوپ در سال 1886 از ادرار، فیفیر در سال 1885 از مدفوع، در سال 1888 ویلچور از خون سالمونلا را جدا نمودند.در سال 1896 سیکارد و ویدال آنتی بادی علیه سالمونلا را از خون جداسازی کردند (2و3) .

شکل 1-1: تصویر دکتر سالمون دامپزشک آمریکایی.
1-2-2، باکتریولوژی سالمونلا
سالمونلا از اجزای خانواده انتروباکتریاسه می باشد که واجد تاژک پری تریش می باشد ADDIN EN.CITE <EndNote><Cite><Author>Brooks</Author><Year>2012</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">1</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Brooks, G.</author><author>Carroll, K.C.</author><author>Butel, J.</author><author>Morse, S.</author></authors></contributors><titles><title>Jawetz Melnick&amp;Adelbergs Medical Microbiology 26/E</title></titles><dates><year>2012</year></dates><publisher>Mcgraw-hill</publisher><isbn>9780071790314</isbn><urls><related-urls><url>https://books.google.com/books?id=UUSXV8B9i9sC</url></related-urls></urls></record></Cite></EndNote>(4) این باکتری از طریق حیوانات و محصولات حیوانی آلوده به این باکتری به انسان منتقل شده و سبب بیماری در انسان می شود ADDIN EN.CITE <EndNote><Cite><Author>Brooks</Author><Year>2012</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">1</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Brooks, G.</author><author>Carroll, K.C.</author><author>Butel, J.</author><author>Morse, S.</author></authors></contributors><titles><title>Jawetz Melnick&amp;Adelbergs Medical Microbiology 26/E</title></titles><dates><year>2012</year></dates><publisher>Mcgraw-hill</publisher><isbn>9780071790314</isbn><urls><related-urls><url>https://books.google.com/books?id=UUSXV8B9i9sC</url></related-urls></urls></record></Cite></EndNote>(4). سالیانه تخمین زده می شود 1.4 میلیون نفر در ایلات متحده آمریکا توسط سالمونلا بیمار می شوندPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5NZWFkPC9BdXRob3I+PFllYXI+MTk5OTwvWWVhcj48UmVj
TnVtPjcwNjwvUmVjTnVtPjxyZWNvcmQ+PHJlYy1udW1iZXI+NzA2PC9yZWMtbnVtYmVyPjxmb3Jl
aWduLWtleXM+PGtleSBhcHA9IkVOIiBkYi1pZD0idzBkZmV4MDA0MHJ2enpld2VweXBkc3J1enA5
dnN0c3gwMnR0Ij43MDY8L2tleT48L2ZvcmVpZ24ta2V5cz48cmVmLXR5cGUgbmFtZT0iSm91cm5h
bCBBcnRpY2xlIj4xNzwvcmVmLXR5cGU+PGNvbnRyaWJ1dG9ycz48YXV0aG9ycz48YXV0aG9yPk1l
YWQsIFAuIFMuPC9hdXRob3I+PGF1dGhvcj5TbHV0c2tlciwgTC48L2F1dGhvcj48YXV0aG9yPkRp
ZXR6LCBWLjwvYXV0aG9yPjxhdXRob3I+TWNDYWlnLCBMLiBGLjwvYXV0aG9yPjxhdXRob3I+QnJl
c2VlLCBKLiBTLjwvYXV0aG9yPjxhdXRob3I+U2hhcGlybywgQy48L2F1dGhvcj48YXV0aG9yPkdy
aWZmaW4sIFAuIE0uPC9hdXRob3I+PGF1dGhvcj5UYXV4ZSwgUi4gVi48L2F1dGhvcj48L2F1dGhv
cnM+PC9jb250cmlidXRvcnM+PGF1dGgtYWRkcmVzcz5EaXZpc2lvbiBvZiBCYWN0ZXJpYWwgYW5k
IE15Y290aWMgRGlzZWFzZXMsIENlbnRlcnMgZm9yIERpc2Vhc2UgQ29udHJvbCBhbmQgUHJldmVu
dGlvbiwgQXRsYW50YSwgR2VvcmdpYSAzMDMzMywgVVNBLiBwZm0wQGNkYy5nb3Y8L2F1dGgtYWRk
cmVzcz48dGl0bGVzPjx0aXRsZT5Gb29kLXJlbGF0ZWQgaWxsbmVzcyBhbmQgZGVhdGggaW4gdGhl
IFVuaXRlZCBTdGF0ZXM8L3RpdGxlPjxzZWNvbmRhcnktdGl0bGU+RW1lcmcgSW5mZWN0IERpczwv
c2Vjb25kYXJ5LXRpdGxlPjwvdGl0bGVzPjxwZXJpb2RpY2FsPjxmdWxsLXRpdGxlPkVtZXJnIElu
ZmVjdCBEaXM8L2Z1bGwtdGl0bGU+PC9wZXJpb2RpY2FsPjxwYWdlcz42MDctMjU8L3BhZ2VzPjx2
b2x1bWU+NTwvdm9sdW1lPjxudW1iZXI+NTwvbnVtYmVyPjxlZGl0aW9uPjE5OTkvMTAvMDg8L2Vk
aXRpb24+PGtleXdvcmRzPjxrZXl3b3JkPkFjdXRlIERpc2Vhc2U8L2tleXdvcmQ+PGtleXdvcmQ+
QW5pbWFsczwva2V5d29yZD48a2V5d29yZD5Gb29kIE1pY3JvYmlvbG9neTwva2V5d29yZD48a2V5
d29yZD4qRm9vZGJvcm5lIERpc2Vhc2VzL2NsYXNzaWZpY2F0aW9uL2VwaWRlbWlvbG9neS9tb3J0
YWxpdHkvdmlyb2xvZ3k8L2tleXdvcmQ+PGtleXdvcmQ+R2FzdHJvZW50ZXJpdGlzLyplcGlkZW1p
b2xvZ3kvKm1pY3JvYmlvbG9neS9tb3J0YWxpdHk8L2tleXdvcmQ+PGtleXdvcmQ+SG9zcGl0YWxp
emF0aW9uLypzdGF0aXN0aWNzICZhbXA7IG51bWVyaWNhbCBkYXRhPC9rZXl3b3JkPjxrZXl3b3Jk
Pkh1bWFuczwva2V5d29yZD48a2V5d29yZD5MaXN0ZXJpYS9pc29sYXRpb24gJmFtcDsgcHVyaWZp
Y2F0aW9uL3BhdGhvZ2VuaWNpdHk8L2tleXdvcmQ+PGtleXdvcmQ+UG9wdWxhdGlvbiBTdXJ2ZWls
bGFuY2UvKm1ldGhvZHM8L2tleXdvcmQ+PGtleXdvcmQ+U2FsbW9uZWxsYS9pc29sYXRpb24gJmFt
cDsgcHVyaWZpY2F0aW9uL3BhdGhvZ2VuaWNpdHk8L2tleXdvcmQ+PGtleXdvcmQ+VG94b3BsYXNt
YS9pc29sYXRpb24gJmFtcDsgcHVyaWZpY2F0aW9uL3BhdGhvZ2VuaWNpdHk8L2tleXdvcmQ+PGtl
eXdvcmQ+VW5pdGVkIFN0YXRlcy9lcGlkZW1pb2xvZ3k8L2tleXdvcmQ+PC9rZXl3b3Jkcz48ZGF0
ZXM+PHllYXI+MTk5OTwveWVhcj48cHViLWRhdGVzPjxkYXRlPlNlcC1PY3Q8L2RhdGU+PC9wdWIt
ZGF0ZXM+PC9kYXRlcz48aXNibj4xMDgwLTYwNDAgKFByaW50KSYjeEQ7MTA4MC02MDQwIChMaW5r
aW5nKTwvaXNibj48YWNjZXNzaW9uLW51bT4xMDUxMTUxNzwvYWNjZXNzaW9uLW51bT48dXJscz48
cmVsYXRlZC11cmxzPjx1cmw+aHR0cDovL3d3dy5uY2JpLm5sbS5uaWguZ292L2VudHJlei9xdWVy
eS5mY2dpP2NtZD1SZXRyaWV2ZSZhbXA7ZGI9UHViTWVkJmFtcDtkb3B0PUNpdGF0aW9uJmFtcDts
aXN0X3VpZHM9MTA1MTE1MTc8L3VybD48L3JlbGF0ZWQtdXJscz48L3VybHM+PGN1c3RvbTI+MjYy
NzcxNDwvY3VzdG9tMj48ZWxlY3Ryb25pYy1yZXNvdXJjZS1udW0+MTAuMzIwMS9laWQwNTA1Ljk5
MDUwMjwvZWxlY3Ryb25pYy1yZXNvdXJjZS1udW0+PGxhbmd1YWdlPmVuZzwvbGFuZ3VhZ2U+PC9y
ZWNvcmQ+PC9DaXRlPjwvRW5kTm90ZT5=
ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5NZWFkPC9BdXRob3I+PFllYXI+MTk5OTwvWWVhcj48UmVj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ADDIN EN.CITE.DATA (8).
بیشتر سروتایپ های این باکتری برای انسان و اکثر حیوانات بیماریزا هستند. سالمونلا در دستگاه گوارش مهره داران یافت شده و بیماری های متعدد با علائم متفاوت را ایجاد می نماید ADDIN EN.CITE <EndNote><Cite><Author>Baumler</Author><Year>1998</Year><RecNum>1613</RecNum><record><rec-number>1613</rec-number><foreign-keys><key app="EN" db-id="w0dfex0040rvzzewepypdsruzp9vstsx02tt">1613</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Baumler, A. J.</author><author>Tsolis, R. M.</author><author>Ficht, T. A.</author><author>Adams, L. G.</author></authors></contributors><auth-address>Department of Medical Microbiology and Immunology, College of Medicine, Texas A&amp;M University, College Station, Texas 77843-4467, USA.abaumler@tamu.edu</auth-address><titles><title>Evolution of host adaptation in Salmonella enterica</title><secondary-title>Infect Immun</secondary-title></titles><periodical><full-title>Infect Immun</full-title></periodical><pages>4579-87</pages><volume>66</volume><number>10</number><edition>1998/09/24</edition><keywords><keyword>*Adaptation, Biological</keyword><keyword>Animals</keyword><keyword>*Biological Evolution</keyword><keyword>Humans</keyword><keyword>Mammals/*microbiology</keyword><keyword>Models, Biological</keyword><keyword>Plasmids/genetics</keyword><keyword>Salmonella Infections/microbiology</keyword><keyword>Salmonella enterica/*pathogenicity</keyword><keyword>Virulence/genetics</keyword></keywords><dates><year>1998</year><pub-dates><date>Oct</date></pub-dates></dates><isbn>0019-9567 (Print)&#xD;0019-9567 (Linking)</isbn><accession-num>9746553</accession-num><urls><related-urls><url>http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&amp;db=PubMed&amp;dopt=Citation&amp;list_uids=9746553</url></related-urls></urls><custom2>108564</custom2><language>eng</language></record></Cite></EndNote>(9). یکی از علل مهم مسمومیت های غذایی در اروپا و ایالات متحده آمریکا، سالمونلا انتریکا سرووار انتریتیدیس می باشد. براورد شده است که 93.8 میلیون نفر سالانه در کل جهان به سالمونلا مبتلا می شوند که نتیجه آن 155000 مورد مرگ در سال می باشد.

شکل1-2: در شکل سمت چپ باکتری سالمونلا با تاژک پری تریش دیده می شود و در شکل سمت راست میزان شیوع باکتری سالمونلا در سطح جهان را نشان می دهد.
1-2-3، تست ها و خواص بیوشیمیایی
این باکتری تست اندول و ONPG آن منفی بوده و لاکتوز را تخمیر نمی کند اما این باکتری متحرک بوده و تست سیترات و SH2 آن مثبت می باشد. واکنش آنتی بادی علیه آنتی ژن های Vi و H و O این باکتری مبنای سروتایپینگ سالنونلا است.
در حالیکه مبنای اصلی طبقه بندی سالمونلا سروتایپینگ آنتی ژن های سطحی می باشد اما اساس تفریق سروتایپ تایفی تست های بیوشیمیایی می باشد . سروتایپ تایفی از نظر تست های بیوشیمیایی به صورت خنثی می باشد. سروتایپ تایفی در همه تست های تولید گاز از گلوکز، موسینات،آرابینوز، سیمون سیترات، اورنی تین دکربوکسیلاز و مصرف استات منفی را بروز می دهد. سروتایپ تایفی مسئول تیفوئید بوده و سایر سروتایپ ها باعث انتریت و انتروکولیت می شودPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5Ccm9va3M8L0F1dGhvcj48WWVhcj4yMDEyPC9ZZWFyPjxS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=
ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5Ccm9va3M8L0F1dGhvcj48WWVhcj4yMDEyPC9ZZWFyPjxS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=
ADDIN EN.CITE.DATA (4, 9, 10).
ویژگی های بیوشیمیایی سالمونلا همان ویژگی های عمومی خانواده انتروباکتریاسه می باشد. تخمیر کربوهیدرات توسط سالمونلا همراه با تولید گاز و اسید می باشد. سالمونلا مانیتول، آرابینوز، گلوکز، دولسیتول، سوربیتول و مالتوز را تخمیر می کند اما سالیسین، آدنیتول، لاکتوز و ساکارز را تخمیر نمی کند ولی سالمونلا کلراسوئیس و تعدادی از سویه های سالمونلا تایفی، قادر به تخمیر آرابینوز نیستند. سالمونلا کلراسوئیس، سالمونلا پولروم، برخی از سویه های سالمونلا پاراتایفی و تقریبا تمام سویه های سالمونلا تایفی قادر به تخمیر دولسیتول نمی باشند. سالمونلا گالیناروم، برخی از سروتایپ های سالمونلا تایفی موریوم، سالمونلا تایفی و سالمونلا دابلین هنگام تخمیر کربوهیدرات، گاز ایجاد نمی کند. برخی از سویه ها قادر به تخمیر ساکارز، رافینوز و لاکتوز هستند، این ویژگی های غیر عادی بدلیل وجود پلاسمید است. اکثرا سالمونلا آریزونه واجد فعالیت بتاگالاکتوزیداز می باشد و لاکتوز را یا به سرعت و یا به آهستگی تخمیر می کند. بیشتر سویه هایی که قند های خاص را تخمیر میکنند، این عمل را با شدت بالا انجام می دهند و در آب پپتون دار در دمای 37 درجه سانتی گراد و در مدت زمان 6 تا 10 ساعت، اسید تولید می کنند. ممکن است سویه های غیر تخمیر کننده در اثر چهش به تخمیر کننده تبدیل شوند و بعد از گذشت چند روز اسید ایجاد کنند و امکان دارد با سایر سالمونلا ها که تخمیر کننده هستند، اشتباه گرفته شوند. برخی از سویه ها دارای نقص در فرایند جذب قند هستند و اسید را در طول مدت 10 الی 20 ساعت ایجاد می کنند ADDIN EN.CITE <EndNote><Cite><Author>Brooks</Author><Year>2012</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">1</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Brooks, G.</author><author>Carroll, K.C.</author><author>Butel, J.</author><author>Morse, S.</author></authors></contributors><titles><title>Jawetz Melnick&amp;Adelbergs Medical Microbiology 26/E</title></titles><dates><year>2012</year></dates><publisher>Mcgraw-hill</publisher><isbn>9780071790314</isbn><urls><related-urls><url>https://books.google.com/books?id=UUSXV8B9i9sC</url></related-urls></urls></record></Cite></EndNote>(4).
1-2-4، طبقه بندی سالمونلا
طبقه بندی سالمونلا بسیار دشوار است، به علت اینکه از گونه های متععدی تشکیل شده است. معمولا گونه های سالمونلا را بر اساس ویژگی های بیوشیمیایی، اپیدمیولوژی، میزبان و آنتی ژن های O، H و Vi طبقه بندی می شوند. برای اولین بار در سال 1929 میلادی طبقه بندی سالمونلا توسط کافمن صورت گرفت که توسط وایت این طبقه بندی تکمیل گردید. بر اساس این طبقه بندی، سروتایپ های سالمونلا در یک گونه منفرد قرار گرفت. طبقه بندی دیگری که وجود دارد،ادواردز-اوینگ می باشد که سالمونلا را در سه گونه ی سالمونلا تایفی، سالمونلا کلراسوئیس و انتریتیدیس و صد ها سروتایپ طبقه بندی می کند(4و10).
طبقه بندی سومی که برای سالمونلا وجود دارد، بر اساس هیبریداسیون DNA می باشد. که بر اساس آن جنس سالمونلا شامل دو گونه ی سالمونلا بونگوری و سالمونلا انتریکا می باشد. در این طبقه بندی اکثر پاتوژن های انسان در گونه ی انتریکا جای گرفته اند.
سالمونلا انتریکا به شش زیر گونه تقسیم می شودکه شامل: سالمونلا انتریکا، سالمونلا سالاما، سالمونلا آریزونه، سالمونلا دی آریزونه، سالمونلا هونته و سالمونلا انتریتیدیس می باشد(5).
جدول1-1، ویژگی های بیو شیمیایی سالمونلا
زیرگووه گونه
ویژگی
1 2 3a 3b 4 5 6
انتریکا سالامه آریزونه دی آریزونه هونته بونگوری اندیکا
ONPG - - + + - + متغییر
هضم ژلاتین - + + + + - +
مصرفD تارتارات + - - - - - -
مصرف مالونات - + + + - - -
تخمیر دولسیتول + + - - - + متغییر
تخمیر لاکتوز - - - + - -
تخمیر سالیسین - - - - + - -
تخمیر سوربیتول + + + + + + -
تخمیر Dگالاکتورونات - - + + + +
گاماگلوتامیل ترانسفراز + + - + + + +
تاژک دو فازی دو فازی تک فازی دو فازی تک فازی تک فازی دو فازی
رشد در حضورKCN - - - - + + +
جدول 1-2، طبقه بندی نوین سالمونلا و میزان سروتایپ ها در زیر گونه هاPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5Ccm9va3M8L0F1dGhvcj48WWVhcj4yMDEyPC9ZZWFyPjxS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=
ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5Ccm9va3M8L0F1dGhvcj48WWVhcj4yMDEyPC9ZZWFyPjxS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=
ADDIN EN.CITE.DATA (1, 8, 9)
اسم گونه میزان سرو تایپ در سال 2000 میلادی میزان سرو تایپ در سال 2001 میلادی میزان سرو تایپ در سال 2002 میلادی
الف- گونه سالمونلا انتریکا
1-سالمونلا انتریکا زیر گونه انتریکا
2-سالمونلا انتریکا زیر گونه سالامه
3-سالمونلا انتریکا زیر گونه آریزونه
4-سالمونلا انتریکا زیر گونه دی آریزونه
5-سالمونلا انتریکا زیر گونه هونته
6- سالمونلا انتریکا زیر گونه اندیکا
ب- گونه بونگوری
جمع کل 2469
1610
497
94
325
69
12
21
2628 2491
1624
499
95
329
69
13
21
2650 2509
1636
501
95
331
70
13
30
2668
1-2-5، آنتی ژن های سالمونلا
الف) آنتی ژن O
آنتی ژن O در برابر الکل و حرارت مقاوم است و در سالمونلا 67 انتی ژن O وجود دارد که با عدد نشان داده می شود. آنتی ژن O می تواند حرارت جوش را به مدت دو ساعت و نیم تحمل کند اما آنتی ژن فلاژل و آنتی ژن فیمبریه در این درجه حرارت نابود می شوند و قادر به تحمل آن نیستند. خاصیت آنتی ژن O بوسیله لیپوپلی ساکارید که در دیواره باکتری های گرم منفی وجود دارد ایجاد می شود.
بدلیل هیدروفیل بودن آنتی ژن O در محلول نمکی0.85% NaCl، یک سوسپانسیون یکنواخت ایجاد می کند.آنتی ژن O می تواند در درجه حرارت 37 درجه سانتی گراد اتانول 96 درصد به مدت زمان چهار ساعت تحمل کند اما فرمالین 0.2% باعث غیر فعاسازی آنتی ژن O میشود. (2و3).
ب)آنتی ژن فلاژلی یا آنتی ژن H
آنتی ژن H در برابر الکل و حرارت حساس می باشد و در درجه حرارت 100 درجه سانتی گراد به مدت زمان سی دقیقه همه ی فلازل ها از باکتری جدا می شود. این فرایند جدا شدن فلاژل ها از باکتری در دمای 60 درجه سانتی گراد آغاز می شود اما این فلاژل هایی که از باکتری جدا می شوند، سیستم ایمنی را تحریک می کنند. آنتی ژن H یکی دیگر از آنتی ژن های سالمونلا می باشد که این آنتی ژن مربوط به فلاژل باکتری می باشد. هنگامیکه که ما سوسپانسیون باکتری را به مدت دو نیم ساعت بجوشانیم این خاصیت ایمنی زایی باکتری از بین می رود اما اگر در دمای پایین تر از دمای جوش قرار گیرد خاصیت اگلوتیناسیون آنتی ژن از بین رفته اما قدرت آنتی ژن از بین نمی رود (2و3).
آنتی ژن فلاژلی دو نوع است که عبارت است از : 1) آنتی ژن فلاژلی فاز یک(H₁) 2) آنتی ژن فلاژلی فاز دو(H₂).
آنتی ژن H₁ با حروف لاتین نشان داده می شود و از حرف a تا حرف z میباشد. به علت اینکه تعداد آنتی ژن H₁ بسیاز بیشتر از 25 می باشد، سایر آنتی ژن های H با اضافه کردن عدد به حرف Z مشخص می شود. آنتی ژن H₂ به صورت عدد از 1 تا 12 نشان داده می شود.تعداد آنتی ژن H₁، 93 عدد می باشد (3).
ج) آنتی ژن K یا آنتی کپسولی
سه نوع آنتی ژن کپسولی در سالمونلا وجود دارد که شامل: آنتی ژن M، آنتی ژن Vi و آنتی ژن 5
آنتی ژن M:
آنتی ژن M شامل کولانیک اسید است. آنتی ژن M باعث ایجاد کلونی های مخاطی می گردد. آنتی ژن M پلی ساکارید های خارج سلولی می باشد. مکانیسم جلوگیری از آگلوتیناسیون به وسیله آنتی سرم علیه O، شبیه مکانیسم عمل آنتی ژن Vi می باشد. خصوصیت آنتی ژن M با آنتی ژن Vi تفاوت دارد.برخی از آنتی ژن های کپسولی اشرشیاکلی (مثل: K₃₀ و K₃₉) و K₈ و K₃ کلبسیلا با آنتی ژن M سالمونلا واکنش متقاطع دارند. برای تعیین آنتی ژن M، کلونی ها حالت لعابی پیدا می کند و به کشت باکتری سرم ضد آنتی ژن M اضافه می کنیم که می توان از آزمایش تورم کپسولی استفاده نمود(3).
آنتی ژن Vi:
آنتی ژن Vi یک پلی ساکارید کپسولی می باشد و از واحد های هموپلیمرN- استیل گالاکتوز آمینورونیک اسید تشکیل شده است که با پیوند 1 به 4 بهم متصل شده اند و کربن شماره ی 3 آن استیله می باشد. هنگامیکه از خون بیماران مبتلا به تب روده ای، سالمونلا انتریکا سرووار تایفی جدا شود، این سالمونلا ها در برابر آنتی سرم O₉ آگلوتینه نمی شوند. بدلیل آنکه این آنتی ژن برای موش دارای قدرت بیماریزایی بیشتر می باشد به آن آنتی ژن حدت گفته می شود.
سویه هایی که دارای آنتی ژن Vi می باشند در برابر آب اکسیژنه حساس اند و به همین علت دانشمندان معتقند که آنتی ژن Vi در مکانیسم فاگوسیتوز نوتروفیل ها اختلال ایجاد نمی کند بلکه در برابر عمل انفجار اکسیداتیوی که در داخل نوتروفیل ها رخ می دهد، مقاوم است. آنتی ژن Vi میزان تثبیت C₃ در سطح سالمونلا تایفی کاهش می دهد(زهرایی سال1378 Murray, Rosenthal et al. 2013). به علت آنکه آنتی ژن Vi مانع از عمل آگلوتیناسیون به وسیله آنتی سرم ضد آنتی ژن O می شود، برای حذف آنتی ژن Vi، باید باکتری را در دمای صد درجه سانتی گراد( دمای جوش) به مدت یک ساعت جوشاند(1 و 3).
آنتی ژن 5:
در ابتدا این آنتی ژن به عنوان آنتی ژن O شناسایی شد و این آنتی ژن دارای تفاوت هایی با سایر آنتی ژن های پیکری است.
کافمن نشان داد که این آنتی ژن در برابر کلریدریک اسید حساس بوده و در مجاورت آن تخریب می شود و ویژگی آگلوتیناسیون آنتی ژن 5 در درجه حرارت 120 درجه سانتی گراد از بین می رود که این ویژگی بر خلاف آنتی ژن O₄ می باشد.این آنتی ژن در برابر الکل مقاوم است که این ویژگی مشابه آنتی ژن O₄ می باشد.آنتی ژن 5 در ارتباط با بیماریزایی سروتایپ ها بی تاثیر است، به عنوان مثال سالمونلا انتریکا سرووار تایفی موریوم که فاقد آنتی ژن 5 می باشد برای موش به شدت بیماریزا است. می توان آنتی سرم ضد آنتی ژن 5 را بوسیله کشت فرمالین اشکال بدون فلاژل با کشت حرارت دیده سالمونلا پارا تایفیB بدست اوردPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5Ib2xtZXM8L0F1dGhvcj48WWVhcj4xOTY4PC9ZZWFyPjxS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ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5Ib2xtZXM8L0F1dGhvcj48WWVhcj4xOTY4PC9ZZWFyPjxS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ADDIN EN.CITE.DATA (11, 12).
د) آنتی ژن های فیمبریه ای
اکثر سروتایپ های سالمونلا دارای جایگاهی برای آنتی ژن فیمبریه هستند و فیمبریه تولید می کنند. با توجه به بررسی هایی که بر روی سالمونلا انتریتیدیس و سالمونلا تایفی موریوم صورت پذیرفت، اطلاعاتی در مورد فیمبریه ی سالمونلاها بدست آمد. آنتی ژن فیمبریه ای در برابر فرمالدئید0.1-0.2 ثابت می شود که این ویژگی مشابه آنتی ژن فلاژل می باشد. برخی از آنتی ژن های فیمبریه ای دارای خاصیت پوشانندگی آگلوتیناسیون O وH می باشند، این ویژگی باعث می شود که هنگامیکه از سالمونلایی که در مرحله اول فیمبریه قرار دارد، آنتی بادی ضد فیمبریه جدا شود و از این آنتی بادی استفاده شود، باعث ایجاد واکنش متقاطع و گیج کننده ای می شود. برای آنکه این واکنش صورت نگیرد باید از کشت هایی برای تهیه سوسپانسیون استفاده شود که در مرحله غیر فیمبریه ای باشند. فیمبریه اگر به مدت 30 دقیقه در حرارت 100 درجه سانتی گراد قرار گیرد از باکتری جدا می شود ولی در دمای 121 درجه سانتی گراد به مدت سی دقیقه قرار گیرد، غیر فعال می شود ADDIN EN.CITE <EndNote><Cite><Author>Murray</Author><Year>2013</Year><RecNum>2</RecNum><record><rec-number>2</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">2</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Murray, P.R.</author><author>Rosenthal, K.S.</author><author>Pfaller, M.A.</author></authors></contributors><titles><title>Medical Microbiology</title></titles><dates><year>2013</year></dates><publisher>Mosby/Elsevier</publisher><isbn>9780323054706</isbn><urls><related-urls><url>https://books.google.com/books?id=O92zd8fV-RcC</url></related-urls></urls></record></Cite></EndNote>(5).
1-2-6، عوامل دخیل در بیماریزایی در سالمونلا
سالمونلا دارای عوامل بیماریزایی متعددی می باشد که شامل: انتروتوکسین، سیتوتوکسین، اندوتوکسین، سیدروفور، آنتی ژن های سطحی و غیره می باشد و این عوامل در سروتایپ های مختلف سالمونلا نقش مختلفی در بیماریزایی سالمونلا در میزبان های مختلف بر عهده دارند مثلا سالمونلا تایفی موریوم در میزبان طبیعی خود، موش، بیماری هایی شبیه حصبه ایجاد می کند ولی در انسان ، گاستروانتریت خود محدودشونده ایجاد می کند در حالیکه سالمونلا تایفی حتی به صورت خوراکی در حیوانات ایجاد بیماری نمی کند و تنها در انسان بیماری ایجاد می کند. این باکتری انگل اختیاری داخل سلولی می باشد. بقاء سالمونلا داخل سلول های میزبان به دلیل پاسخ های متفاوت سیستم اینمنی میزبان های مختلف سالمونلا در برابر این باکتری می باشد(3).
الف) سیتوتوکسین
فعالیت سیتوتوکسین تنها در عصاره باکتری دیده می شود، این ویژگی بدلیل وابستگی توکسین به غشای خارجی باکتری می باشد. میزان تولید سیتوتوکسین توسط سروتایپ های مختلف سالمونلا، متفاوت می باشد. سروتایپ تایفی کمترین میزان و سروتایپ های انتریتیدیس و کلراسوئیس بیشترین میزان توکسین را تولید می نمایند. سیتوتوکسین در سلول های یوکاریوتی باعث مهار سنتز پروتئین می گردد. درانتریت سالمونلایی تخریب سلول های پوشش روده دیده می شود که احتمال داده می شود این تخریب توسط سیتوتوکسین سالمونلا ایجاد شود. عملکرد سیتوتوکسین در بیماریزایی سالمونلا هنوز بطور کامل معلوم نمی باشد اما احتمال داده می شود این سم باعث ایجاد تغییراتی در غشای سلولی که می شود که موجب مختل شدن عبور و مرور انتخابی مولکول ها از غشای سلولی می گردد که این عملکرد در نهایت باعث نکروز شدن انتروسیت ها می شود. اسیب بافتی ناشی از سیتوتوکسین باعث سهولت در تهاجم سالمونلا می شود(3،10 ).
ب) اندوتوکسین
علامت هایی که در حیوانات آزمایشکاهی نظیر موش در اثر تزریق اندوتوکسین ایجاد می شود مشابه علایمی است که در اثر سپتمی سمی ناشی از سالمونلا ایجاد می گردد. علامت هایی که در اثر اندوتوکسین سالمونلا ایجاد می شود نظیر کاهش فشار خون، لکوپنی و در نهایت لکوسیتوز، شوک، اسیدوز و تب می باشد. عامل اصلی سمیت اندوتوکسین، لیپید A موجود در غشای خارجی باکتری های گرم منفی می باشد. حساسیت انسان در برابر اندوتوکسین از سایر موجودات زنده بسیاربالاتر می باشد و این بدلیل آن می باشد که بروز حالت تحمل در برابر اندوتوکسین بدلیل افزایش آهسته درجه حرارت از بین می رود. سلول های مختلفی از بدن مثل پلاکت ها، مونوسیت ها، سلول ها، ماکروفاژها و نوتروفیل ها تحت تاثیر اندوتوکسین قرار گرفته و موادی از این سلول ها آزاد می شود مثل اینترلوکین هشت، آنافیلاتوکسین، اینترلوکین یک، اینترلوکین شش و فاکتور نکروز دهنده تومور می باشد که هریک از این مواد برروی اندام های بدن تاثیر می گذارد(3).
ج) انتروتوکسین
توکسین حساس به حرارت که نوسط اشرشیا کلی و ویبریو کلرا تولید می شود توسط برخی از سویه های سالمونلا تایفی موریوم نیز تولید می گردد که از نظر مکانیسم مشابه سم تولیدی توسط ویبریو کلرا می باشد و با فعال کردن ادنیلات سیکلاز و در نهایت باعث افزایش cAMP می گردد. انتروتوکسینی که توسط برخی از سویه های سالمونلا تایفی موریوم تولید می شود از لحاظ نیاز به نفوذ نوتروفیل ها با کلراتوکسین متفاوت می باشد در نتیجه ارتباطی بین میزان بیماریزایی سالمونلا تایفی موریوم و توانایی تحریک نفوذ نوتروفیل ها وجود دارد. این باکتری باعث غالب شدن نوتروفیل ها در بین سایر لکوسیت ها در طی تهاجم در غشای روده می شود و با تهاجم نوتروفیل ها به باکتری، انتروتوکسین از باکتری آزاد می گردد.انترو توکسین همراه با دیواره باکتری می باشد و ماهیت پروتئینی دارد ADDIN EN.CITE <EndNote><Cite><Author>Isenberg</Author><Year>1992</Year><RecNum>225</RecNum><record><rec-number>225</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">225</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Isenberg, H.D.</author><author>American Society for Microbiology</author></authors></contributors><titles><title>Clinical microbiology procedures handbook</title></titles><dates><year>1992</year></dates><publisher>American Society of Microbiology</publisher><urls><related-urls><url>https://books.google.com/books?id=0JpKAQAAIAAJ</url></related-urls></urls></record></Cite></EndNote>(13).
1-2-7. بیماری های ناشی از سالمونلا
بیماری های ناشی از سالمونلا که در انسان ایجاد می شوند شامل: گاستروانتریت، سپتی سمی، تیفوئید و انترو کولیت حاد می باشد ADDIN EN.CITE <EndNote><Cite><Author>Brooks</Author><Year>2012</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">1</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Brooks, G.</author><author>Carroll, K.C.</author><author>Butel, J.</author><author>Morse, S.</author></authors></contributors><titles><title>Jawetz Melnick&amp;Adelbergs Medical Microbiology 26/E</title></titles><dates><year>2012</year></dates><publisher>Mcgraw-hill</publisher><isbn>9780071790314</isbn><urls><related-urls><url>https://books.google.com/books?id=UUSXV8B9i9sC</url></related-urls></urls></record></Cite></EndNote>(4).
الف) حصبه
سالمونلابه انتهای دیواره اپیتلیال روده حمله می کند و سپس به گره های لنفاوی روده منتقل می شود، در این گره های لنفاوی، سالمونلا توسط ماکروفاژها- مونوسیت ها و پلی مورفونوکلئوز بلعیده می شود و سالمونلاهایی که توسط PMN ها بلعیده می شود، از بین می روند اما سالمونلاهایی که توسط ماکروفاژها بلعیده می شوند در درون واکوئل آن ها تکثیر یافته و ماکروفاژها به عنوان یک ناقل برای سالمونلا عمل می کند و باعث انتقال سالمونلا به بافت های مختلف رتیکلواندوتلیال می شود. در نهایت این ماکروفاژهای آلوده به سالمونلا تخریب شده و سالمونلا آزاد می شود و باعث ایجاد سپتی سمی می شود. حصبه توسط دو سروتایپ تایفی و پاراتایفی ایجاد می گردد ADDIN EN.CITE <EndNote><Cite><Author>Walker</Author><Year>1998</Year><RecNum>3</RecNum><record><rec-number>3</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">3</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Walker, T.S.</author></authors></contributors><titles><title>Microbiology</title></titles><dates><year>1998</year></dates><publisher>W.B. Saunders Company</publisher><isbn>9780721646411</isbn><urls><related-urls><url>https://books.google.com/books?id=DtlpAAAAMAAJ</url></related-urls></urls></record></Cite></EndNote>(6).
علایم حصبه بعد از 7 تا 14 روز بروز می کند و شامل: بی حالی، تب، بی اشتهایی، سرفه خشک، یبوست و سردرد می باشد. در این دو هفته از بیماری، گلبول های سفید در حد نرمای بوده و سالمونلا در مدفوع وجود ندارد. در هفته دوم از بیماری، بیمار به شدت نا خوش است به این دلیل که سالمونلاها از ماکروفاژهای آلوده آزاد می گردد. روی بدن بیمار لکه های به قطر دو تا سه میلی متر دیده می شود که شاید این ماکولوپاپولار شامل سالمونلا باشد ADDIN EN.CITE <EndNote><Cite><Author>Walker</Author><Year>1998</Year><RecNum>3</RecNum><record><rec-number>3</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">3</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Walker, T.S.</author></authors></contributors><titles><title>Microbiology</title></titles><dates><year>1998</year></dates><publisher>W.B. Saunders Company</publisher><isbn>9780721646411</isbn><urls><related-urls><url>https://books.google.com/books?id=DtlpAAAAMAAJ</url></related-urls></urls></record></Cite></EndNote>(6).
هنگامیکه بیمار مبتلا به حصبه بهبود یابد در تمام طول زندگی در برابر تیفوئید مقاوم خواهد بود.هنگامیکه بیماری به موقع درمان پیدا نکند، فرد مبتلا به حصبه وارد مرحله ی جدیدی از بیماری می شود که فرد مبتلا به سختی رنج می کشد و دارای علایمی شامل: یبوست شدید، اسهال زرد رنگ و تب بالا می باشد.
در هفته سوم از بیماری، فرد وارد مرحله تب روده ای شده و دارای علایمی می باشد که شامل: بی حالی، کاهش شدید وزن بدن و ممکن است نفخ در ناحیه شکم نیز مشاهده شود. در هفته چهارم به تدریج علائم کم شده و دمای بدن بعد 7 تا 10 روز به حالت طبیعی باز می گردد اما ممکن بعد از دو هفته که تب پایین آمد سایر علائم نیز دوباره بروز کنند. علایمی که حیات بیمار را تهدید می کند در مرحله تب روده ای رخ می دهدPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5XYWxrZXI8L0F1dGhvcj48WWVhcj4xOTk4PC9ZZWFyPjxS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ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5XYWxrZXI8L0F1dGhvcj48WWVhcj4xOTk4PC9ZZWFyPjxS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ADDIN EN.CITE.DATA (6, 14, 15).
بیماری شبیه تب روده ای معمولا نسبت به حصبه دارای علائم خفیف تری می باشد و دارای عوارض شدید نمی باشد. دوره ی بهبود بیماری شبه حصبه که توسط سروتایپ پاراتایفی ایجاد می شود نسبت به حصبه کمتر می باشد.
شدیدترین عوارضی که طی بیماری ایجاد می شود، سوراخ شدن روده و خونریزی می باشد که معمولا در هفته سوم از بیماری ایجاد می شود. خونریزی روده با علایمی چون: شوک، دیده شدن خون در مدفوع و افت ناگهانی فشار می باشد. سوراخ شدن روده باعث ایجاد شرایط اوراژنسی می شود و فرد باید تحت مراقبت های ویژه قرار گیرد، این وضعیت به دلیل ورود محتویات روده به حفره شکمی طی سوراخ شدن روده کوچک یا بزرگ می باشدPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5QYXJyeTwvQXV0aG9yPjxZZWFyPjE5OTk8L1llYXI+PFJl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ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5QYXJyeTwvQXV0aG9yPjxZZWFyPjE5OTk8L1llYXI+PFJl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ADDIN EN.CITE.DATA (14, 15).
یکسری علائم غیر معمول نیز وجود دارد که شامل: التهاب لوزالمعده، مننژیت، عفونت کلیه یا مثانه، مشکلات روانی مثل توهم، سایکوز، میوکاردیت و عفونت ریوی می باشد که تمام این علائم آتیپیک می باشد. اگر درمان صورت نگیرد ممکن است فرد مبتلا دچار مرگ شود ولی اکثر افراد در کشورهای توسعه یافته با درمان فوری به سرعت درمان می یابندPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5FcmdpbjwvQXV0aG9yPjxZZWFyPjIwMDQ8L1llYXI+PFJl
Y051bT4yMjY8L1JlY051bT48cmVjb3JkPjxyZWMtbnVtYmVyPjIyNjwvcmVjLW51bWJlcj48Zm9y
ZWlnbi1rZXlzPjxrZXkgYXBwPSJFTiIgZGItaWQ9InhhOWZ3cDl6dmU1eGFlZXhkdmlwOTkyY3Qy
dHd6ZXZ3Mjl6dyI+MjI2PC9rZXk+PC9mb3JlaWduLWtleXM+PHJlZi10eXBlIG5hbWU9IkpvdXJu
YWwgQXJ0aWNsZSI+MTc8L3JlZi10eXBlPjxjb250cmlidXRvcnM+PGF1dGhvcnM+PGF1dGhvcj5n
aWZjaSBFcmdpbjwvYXV0aG9yPjxhdXRob3I+Z3VyaXosIEhhbHVrPC9hdXRob3I+PGF1dGhvcj5E
ZXJ5YSBBeXNldiwgQWhtZXQ8L2F1dGhvcj48YXV0aG9yPkluY2UsIEVyZGFsPC9hdXRob3I+PGF1
dGhvcj5FcmRlbSwgQmlyc2VsPC9hdXRob3I+PGF1dGhvcj48c3R5bGUgZmFjZT0ibm9ybWFsIiBm
b250PSJkZWZhdWx0IiBzaXplPSIxMDAlIj5Ebzwvc3R5bGU+PHN0eWxlIGZhY2U9Im5vcm1hbCIg
Zm9udD0iZGVmYXVsdCIgY2hhcnNldD0iMTc4IiBzaXplPSIxMDAlIj7YpNq6PC9zdHlsZT48c3R5
bGUgZmFjZT0ibm9ybWFsIiBmb250PSJkZWZhdWx0IiBzaXplPSIxMDAlIj5ydSwgPC9zdHlsZT48
c3R5bGUgZmFjZT0ibm9ybWFsIiBmb250PSJkZWZhdWx0IiBjaGFyc2V0PSIxNzgiIHNpemU9IjEw
MCUiPtijPC9zdHlsZT48c3R5bGUgZmFjZT0ibm9ybWFsIiBmb250PSJkZWZhdWx0IiBzaXplPSIx
MDAlIj7Fk2xrZXI8L3N0eWxlPjwvYXV0aG9yPjwvYXV0aG9ycz48L2NvbnRyaWJ1dG9ycz48dGl0
bGVzPjx0aXRsZT5TYWxtb25lbGxhIGJhY3RlcmFlbWlhIGluIFR1cmtpc2ggY2hpbGRyZW46IDM3
IGNhc2VzIHNlZW4gaW4gYSB1bml2ZXJzaXR5IGhvc3BpdGFsIGJldHdlZW4gMTk5MyBhbmQgMjAw
MjwvdGl0bGU+PHNlY29uZGFyeS10aXRsZT5Bbm5hbHMgb2YgVHJvcGljYWwgUGFlZGlhdHJpY3M6
IEludGVybmF0aW9uYWwgQ2hpbGQgSGVhbHRoPC9zZWNvbmRhcnktdGl0bGU+PC90aXRsZXM+PHBl
cmlvZGljYWw+PGZ1bGwtdGl0bGU+QW5uYWxzIG9mIFRyb3BpY2FsIFBhZWRpYXRyaWNzOiBJbnRl
cm5hdGlvbmFsIENoaWxkIEhlYWx0aDwvZnVsbC10aXRsZT48L3BlcmlvZGljYWw+PHBhZ2VzPjc1
LTgwPC9wYWdlcz48dm9sdW1lPjI0PC92b2x1bWU+PG51bWJlcj4xPC9udW1iZXI+PGRhdGVzPjx5
ZWFyPjIwMDQ8L3llYXI+PC9kYXRlcz48aXNibj4wMjcyLTQ5MzY8L2lzYm4+PHVybHM+PC91cmxz
PjwvcmVjb3JkPjwvQ2l0ZT48Q2l0ZT48QXV0aG9yPlBhcnJ5PC9BdXRob3I+PFllYXI+MTk5OTwv
WWVhcj48UmVjTnVtPjIyNzwvUmVjTnVtPjxyZWNvcmQ+PHJlYy1udW1iZXI+MjI3PC9yZWMtbnVt
YmVyPjxmb3JlaWduLWtleXM+PGtleSBhcHA9IkVOIiBkYi1pZD0ieGE5ZndwOXp2ZTV4YWVleGR2
aXA5OTJjdDJ0d3pldncyOXp3Ij4yMjc8L2tleT48L2ZvcmVpZ24ta2V5cz48cmVmLXR5cGUgbmFt
ZT0iSm91cm5hbCBBcnRpY2xlIj4xNzwvcmVmLXR5cGU+PGNvbnRyaWJ1dG9ycz48YXV0aG9ycz48
YXV0aG9yPlBhcnJ5LCBDaHJpc3RvcGhlciBNPC9hdXRob3I+PGF1dGhvcj5Ib2EsIE5ndXllbiBU
aGkgVHV5ZXQ8L2F1dGhvcj48YXV0aG9yPkRpZXAsIFRvIFNvbmc8L2F1dGhvcj48YXV0aG9yPldh
aW4sIEpvaG48L2F1dGhvcj48YXV0aG9yPkNoaW5oLCBOZ3V5ZW4gVHJhbjwvYXV0aG9yPjxhdXRo
b3I+VmluaCwgSGE8L2F1dGhvcj48YXV0aG9yPkhpZW4sIFRyYW4gVGluaDwvYXV0aG9yPjxhdXRo
b3I+V2hpdGUsIE5pY2hvbGFzIEo8L2F1dGhvcj48YXV0aG9yPkZhcnJhciwgSmVyZW15IEo8L2F1
dGhvcj48L2F1dGhvcnM+PC9jb250cmlidXRvcnM+PHRpdGxlcz48dGl0bGU+VmFsdWUgb2YgYSBz
aW5nbGUtdHViZSBXaWRhbCB0ZXN0IGluIGRpYWdub3NpcyBvZiB0eXBob2lkIGZldmVyIGluIFZp
ZXRuYW08L3RpdGxlPjxzZWNvbmRhcnktdGl0bGU+Sm91cm5hbCBvZiBjbGluaWNhbCBtaWNyb2Jp
b2xvZ3k8L3NlY29uZGFyeS10aXRsZT48L3RpdGxlcz48cGVyaW9kaWNhbD48ZnVsbC10aXRsZT5K
b3VybmFsIG9mIGNsaW5pY2FsIG1pY3JvYmlvbG9neTwvZnVsbC10aXRsZT48L3BlcmlvZGljYWw+
PHBhZ2VzPjI4ODItMjg4NjwvcGFnZXM+PHZvbHVtZT4zNzwvdm9sdW1lPjxudW1iZXI+OTwvbnVt
YmVyPjxkYXRlcz48eWVhcj4xOTk5PC95ZWFyPjwvZGF0ZXM+PGlzYm4+MDA5NS0xMTM3PC9pc2Ju
Pjx1cmxzPjwvdXJscz48L3JlY29yZD48L0NpdGU+PENpdGU+PEF1dGhvcj5DaGl1PC9BdXRob3I+
PFllYXI+MjAwNDwvWWVhcj48UmVjTnVtPjIzMjwvUmVjTnVtPjxyZWNvcmQ+PHJlYy1udW1iZXI+
MjMyPC9yZWMtbnVtYmVyPjxmb3JlaWduLWtleXM+PGtleSBhcHA9IkVOIiBkYi1pZD0ieGE5Zndw
OXp2ZTV4YWVleGR2aXA5OTJjdDJ0d3pldncyOXp3Ij4yMzI8L2tleT48L2ZvcmVpZ24ta2V5cz48
cmVmLXR5cGUgbmFtZT0iSm91cm5hbCBBcnRpY2xlIj4xNzwvcmVmLXR5cGU+PGNvbnRyaWJ1dG9y
cz48YXV0aG9ycz48YXV0aG9yPkNoaXUsIFMuPC9hdXRob3I+PGF1dGhvcj5DaGl1LCBDLiBILjwv
YXV0aG9yPjxhdXRob3I+TGluLCBULiBZLjwvYXV0aG9yPjwvYXV0aG9ycz48L2NvbnRyaWJ1dG9y
cz48YXV0aC1hZGRyZXNzPkRpdmlzaW9uIG9mIFBlZGlhdHJpYyBJbmZlY3Rpb3VzIERpc2Vhc2Vz
LCBEZXBhcnRtZW50IG9mIFBlZGlhdHJpY3MsIENoYW5nIEd1bmcgQ2hpbGRyZW4mYXBvcztzIEhv
c3BpdGFsLCA1IEZ1LUhzaW4gU3RyZWV0LCBLd2Vpc2hhbiwgVGFveXVhbiwgVGFpd2FuIDMzMywg
Uk9DLjwvYXV0aC1hZGRyZXNzPjx0aXRsZXM+PHRpdGxlPlNhbG1vbmVsbGEgZW50ZXJpY2Egc2Vy
b3R5cGUgQ2hvbGVyYWVzdWlzIGluZmVjdGlvbiBpbiBhIG1lZGljYWwgY2VudGVyIGluIG5vcnRo
ZXJuIFRhaXdhbjwvdGl0bGU+PHNlY29uZGFyeS10aXRsZT5KIE1pY3JvYmlvbCBJbW11bm9sIElu
ZmVjdDwvc2Vjb25kYXJ5LXRpdGxlPjwvdGl0bGVzPjxwZXJpb2RpY2FsPjxmdWxsLXRpdGxlPkog
TWljcm9iaW9sIEltbXVub2wgSW5mZWN0PC9mdWxsLXRpdGxlPjwvcGVyaW9kaWNhbD48cGFnZXM+
OTktMTAyPC9wYWdlcz48dm9sdW1lPjM3PC92b2x1bWU+PG51bWJlcj4yPC9udW1iZXI+PGVkaXRp
b24+MjAwNC8wNi8wODwvZWRpdGlvbj48a2V5d29yZHM+PGtleXdvcmQ+QWR1bHQ8L2tleXdvcmQ+
PGtleXdvcmQ+QWdlZDwva2V5d29yZD48a2V5d29yZD5BbnRpLUJhY3RlcmlhbCBBZ2VudHMvcGhh
cm1hY29sb2d5L3RoZXJhcGV1dGljIHVzZTwva2V5d29yZD48a2V5d29yZD5CYWN0ZXJlbWlhL21p
Y3JvYmlvbG9neTwva2V5d29yZD48a2V5d29yZD5DZXBoYWxvc3Bvcmlucy9waGFybWFjb2xvZ3kv
dGhlcmFwZXV0aWMgdXNlPC9rZXl3b3JkPjxrZXl3b3JkPkZlY2VzL21pY3JvYmlvbG9neTwva2V5
d29yZD48a2V5d29yZD5GZW1hbGU8L2tleXdvcmQ+PGtleXdvcmQ+RmV2ZXIvZXRpb2xvZ3k8L2tl
eXdvcmQ+PGtleXdvcmQ+Rm9jYWwgSW5mZWN0aW9uL21pY3JvYmlvbG9neTwva2V5d29yZD48a2V5
d29yZD5IdW1hbnM8L2tleXdvcmQ+PGtleXdvcmQ+TWFsZTwva2V5d29yZD48a2V5d29yZD5NaWNy
b2JpYWwgU2Vuc2l0aXZpdHkgVGVzdHM8L2tleXdvcmQ+PGtleXdvcmQ+TWlkZGxlIEFnZWQ8L2tl
eXdvcmQ+PGtleXdvcmQ+UmV0cm9zcGVjdGl2ZSBTdHVkaWVzPC9rZXl3b3JkPjxrZXl3b3JkPlNh
bG1vbmVsbGEgSW5mZWN0aW9ucy8qbWljcm9iaW9sb2d5LypwaHlzaW9wYXRob2xvZ3k8L2tleXdv
cmQ+PGtleXdvcmQ+U2FsbW9uZWxsYSBlbnRlcmljYS9kcnVnIGVmZmVjdHMvKmlzb2xhdGlvbiAm
YW1wOyBwdXJpZmljYXRpb248L2tleXdvcmQ+PGtleXdvcmQ+VGFpd2FuPC9rZXl3b3JkPjxrZXl3
b3JkPldvdW5kcyBhbmQgSW5qdXJpZXMvbWljcm9iaW9sb2d5PC9rZXl3b3JkPjwva2V5d29yZHM+
PGRhdGVzPjx5ZWFyPjIwMDQ8L3llYXI+PHB1Yi1kYXRlcz48ZGF0ZT5BcHI8L2RhdGU+PC9wdWIt
ZGF0ZXM+PC9kYXRlcz48aXNibj4xNjg0LTExODIgKFByaW50KSYjeEQ7MTY4NC0xMTgyIChMaW5r
aW5nKTwvaXNibj48YWNjZXNzaW9uLW51bT4xNTE4MTQ5MTwvYWNjZXNzaW9uLW51bT48dXJscz48
cmVsYXRlZC11cmxzPjx1cmw+aHR0cDovL3d3dy5uY2JpLm5sbS5uaWguZ292L2VudHJlei9xdWVy
eS5mY2dpP2NtZD1SZXRyaWV2ZSZhbXA7ZGI9UHViTWVkJmFtcDtkb3B0PUNpdGF0aW9uJmFtcDts
aXN0X3VpZHM9MTUxODE0OTE8L3VybD48L3JlbGF0ZWQtdXJscz48L3VybHM+PGxhbmd1YWdlPmVu
ZzwvbGFuZ3VhZ2U+PC9yZWNvcmQ+PC9DaXRlPjwvRW5kTm90ZT4A
ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5FcmdpbjwvQXV0aG9yPjxZZWFyPjIwMDQ8L1llYXI+PFJl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ADDIN EN.CITE.DATA (14-16).
سپتی سمی
سپتی سمی دارای علایمی است که شامل: باکتریمی، بی اشتهایی، کاهش وزن بدن، کم خونی، بزرگ شدن کبد و طحال و تب ناگهانی می باشد. پس از تهاجم به ایلئوم در بیماران دارای کم خونی ممکن است عفونت به سمت سپتی سمی سوق داده شود. درمان آنتی بیوتیکی سپتی سمی شامل: سفتریاکسون، سپیروفلوکساسین و سفوپرازون می باشد و باید از افراد مبتلا به سپتی سمی کشت خون انجام شود بدلیل آنکه باکتری در داخل خون این افراد می باشد. ممکن است باکتریمی سبب عفونت در جاهای غیر عادی بدلیل وارد شدن ارگانیسم به اندام های مختلف شود. همچنین باعث سپسیس نیز می شود ADDIN EN.CITE <EndNote><Cite><Author>Walker</Author><Year>1998</Year><RecNum>3</RecNum><record><rec-number>3</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">3</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Walker, T.S.</author></authors></contributors><titles><title>Microbiology</title></titles><dates><year>1998</year></dates><publisher>W.B. Saunders Company</publisher><isbn>9780721646411</isbn><urls><related-urls><url>https://books.google.com/books?id=DtlpAAAAMAAJ</url></related-urls></urls></record></Cite></EndNote>(6).
ب) گاستروانتریت
سالمونلا با تولید انتروتوکسین و تهاجم به دیواره ی روده باعث ایجاد علایمی چون استفراغ، اسهال و تهوع می شود. بیشتر سروتایپ های سالمونلا می توانند باعث ایجاد انتریت می گردند.وجودPMN ها در مدفوع باعث اثبات هجوم باکتری به بافت ها شود اما بطور غیر معمول سالمونلا از دستگاه گوارش به سایر اندام های بدن منتقل می گردد.
سالمونلا از طریق محصولات دامی آلوده به انسان انتقال می یابد و این عفونت بین انسان و دام مشترک می باشد و این یک عفونت زئونوز می باشد.
ممکن است علاوه بر فراورده های لبنی آلوده به سالمونلا، آب شده به مدفوع یا ادرار حیوانات یا غذا از دیگر منابع انتریت ناشی از سالمونلا می باشند ADDIN EN.CITE <EndNote><Cite><Author>Walker</Author><Year>1998</Year><RecNum>3</RecNum><record><rec-number>3</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">3</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Walker, T.S.</author></authors></contributors><titles><title>Microbiology</title></titles><dates><year>1998</year></dates><publisher>W.B. Saunders Company</publisher><isbn>9780721646411</isbn><urls><related-urls><url>https://books.google.com/books?id=DtlpAAAAMAAJ</url></related-urls></urls></record></Cite></EndNote>(6).
ج) انترو کولیت
این بیماری تظاهر عفونت سالمونلایی می باشد. در ایالات متحده آمریکا، سالمونلا تایفی موریوم و سالمونلا انتریتیدیس غالب هستند، اما انتروکولیت توسط هرکدام از 1400 سروتایپ گروه یک سالمونلا می تواند ایجاد شود. 8 تا 48 ساعت پس از خورده شدن سالمونلا، تهوع، اسهال پر حجم، سردرد، استفراغ روی می دهد و تعداد کمی گلبول سفید در مدفوع دیده می شود. تب خفیف، شایع است ولی دوره بیماری 2 تا 3 روز پایان می پذیرد.
ضایعات التهابی در روده کوچک و روده بزرگ وجود دارد. باکتریمی غیر شایع است( 2 تا 4 درصد) به غیر از مواردی که بیمار دارای نقص سیستم ایمنی است. نتیجه کشت خون منفی است ولی نتیجه کشت مدفوع برای سالمونلاها مثبت بوده و ممکن است تا چند هفته پس از رفع علائم بالینی مثبت باقی بماند ADDIN EN.CITE <EndNote><Cite><Author>Brooks</Author><Year>2012</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">1</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Brooks, G.</author><author>Carroll, K.C.</author><author>Butel, J.</author><author>Morse, S.</author></authors></contributors><titles><title>Jawetz Melnick&amp;Adelbergs Medical Microbiology 26/E</title></titles><dates><year>2012</year></dates><publisher>Mcgraw-hill</publisher><isbn>9780071790314</isbn><urls><related-urls><url>https://books.google.com/books?id=UUSXV8B9i9sC</url></related-urls></urls></record></Cite></EndNote>(4).
1-2-8. اپیدمیولوژی سالمونلا
سالمونلا باعث مسومیت های غذایی، حصبه، سپتی سمی و انتروکولیت می شود و از طریق دهانی وارد بدن انسان و سایر حیوانات می شودPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5QYXJyeTwvQXV0aG9yPjxZZWFyPjE5OTk8L1llYXI+PFJl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ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5QYXJyeTwvQXV0aG9yPjxZZWFyPjE5OTk8L1llYXI+PFJl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ADDIN EN.CITE.DATA (15, 17, 18).
در آمریکا انتریت سومین فرم شایع مسومیت غذایی است و سالیانه حدود 50000 مورد انتریت گزارش می شود که اکثرا به وسیله سالمونلا انتریکا سرو تایپ تایفی موریوم می باشد ADDIN EN.CITE <EndNote><Cite><Author>Walker</Author><Year>1998</Year><RecNum>3</RecNum><record><rec-number>3</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">3</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Walker, T.S.</author></authors></contributors><titles><title>Microbiology</title></titles><dates><year>1998</year></dates><publisher>W.B. Saunders Company</publisher><isbn>9780721646411</isbn><urls><related-urls><url>https://books.google.com/books?id=DtlpAAAAMAAJ</url></related-urls></urls></record></Cite></EndNote>(6).
خانوم ها سالمونلا را در داخل کیسه صفراوی خود حمل می نمایند، در حالیکه هیچگونه علایمی از خود بروز نمی دهنند به این دلیل که سالمونلا دارای تمایل بالا به لوکالیزه شدن در کیسه صفرا می باشد و باعث می شود که این ناقلان برای سالها سالمونلا را به محیط اطراف منتقل نمایند.
مقدار حدود 10⁶ تا 10⁷ دوز از سالمونلا برای ایجاد عفونت نیاز است این به دلیل آن می باشد که سالمونلا به اسید معده حساس بوده که این خصوصیت بر خلاف شیگلا می باشد. افرادی که دارو های ضد اسید معده مصرف می کنند در برابر عفونت با سالمونلا حساس تر می باشند.
مدفوع افرادی که بیماری تحت بالینی نامحسوسی دارند و یا آنهایی که ناقل هستند نسبت به افرادی که وضعیت بالینی آشکاری دارند، منبع آلودگی بسیار مهم تری هستند، مثلا زمانی که ناقلینی که در تهیه مواد غذایی شاغل هستند و ارگانیسم را دفع می نمایند. بسیاری از حیوانات از جمله دام ها، جوندگان و ماکیان به طور طبیعی با انواعی از سالمونلا آلوده می شوند و باکتری در بافت های آنها( مثل گوشت)، مدفوع و تخم ها وجود دارد. در مورد شیوع بالای سالمونلاها در محصولات مرغ تجاری به طور گسترده اطلاع رسانی شده است. در ایالات متحده آمریکا بروز تب تیفوئید کاهش یافته ولی وقوع سایر عفونت های سالمونلایی به طور چشمگیری افزایش یافته است. به احتمال زیاد مشکل در استفاده وسیع از خوراک دام و طیور حاوی مواد دارویی ضد میکروبی است که شرایط برای رشد سویه های مقاوم سالمونلا تسهیل کرده و این سویه ها به انسان انتقال یافته و می تواند در انسان بیماری ایجاد نمایند. منابعی که ممکن سبب عفونت با سالمونلا در انسان شوند شامل: آب، شیر و سایر فراورده های لبنی، صدف، تخم مرغ پودر یا فریز شده، گوشت و فراورده های گوشتی، رنگ های با منشاء حیوانی، مواد مخدر مثل ماری جوانا و حیوانات دست آموز خانگی می باشند ADDIN EN.CITE <EndNote><Cite><Author>Brooks</Author><Year>2012</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">1</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Brooks, G.</author><author>Carroll, K.C.</author><author>Butel, J.</author><author>Morse, S.</author></authors></contributors><titles><title>Jawetz Melnick&amp;Adelbergs Medical Microbiology 26/E</title></titles><dates><year>2012</year></dates><publisher>Mcgraw-hill</publisher><isbn>9780071790314</isbn><urls><related-urls><url>https://books.google.com/books?id=UUSXV8B9i9sC</url></related-urls></urls></record></Cite></EndNote>(4).
1-2-9، تشخیص آزمایشگاهی سالمونلا
سالمونلا درمحیطهای S.S Agar، بیسموت سولفیت، بریلیانت گرین و HEA-SS رشد می کند ولی سایر کلی فرم ها همچون اشرشیا کلی بدلیل وجود آنتی بیوتیک ها قادر به رشد بر روی این محیط ها نیستند. در عفونت گاستروانتریت ناشی از سالمونلا، در اسمیر نازک از مدفوع اسهالی، گلبول های سفید همراه با باکتری سالمونلا در زیر میکروسکوپ دیده خواهد شد. کلونی های سالمونلا بر روی محیط بلاد آگار به صورت محدب و مرطوب به رنگ خاکستری به قطر دو تا سه میلی متر دیده می شود که این کلونی ها بعد گذشت بیست و چهار ساعت در دمای 37 درجه سانتی گراد ایجاد می گردد. در محیط مکانکی آگار کلونی های سالمونلا بیرنگ دیده می شود و رنگ محیط بدلیل عدم تخمیر قند لاکتوز زرد کهربایی می گردد ولی سایر باکتری های گرم منفی که جزء خانواده ی انترو باکتریاسه می باشند و تخمیر کننده ی قند لاکتوز هستند، برروی محیط مکانکی اگار کلونی هایی به رنگ صورتی ایجاد می نمایند. سالمونلا و شیگلا بر روی محیط های سلینت F و محیط مایع GN به سرعت تکثیر پیدا می کنند به این دلیل که این محیط ها مانع از رشد باکتری های گرم مثبت می گردند ADDIN EN.CITE <EndNote><Cite><Author>Budowle</Author><Year>2005</Year><RecNum>238</RecNum><record><rec-number>238</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">238</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Budowle, Bruce</author><author>Schutzer, Steven E</author><author>Ascher, Michael S</author><author>Atlas, Ronald M</author><author>Burans, James P</author><author>Chakraborty, Ranajit</author><author>Dunn, John J</author><author>Fraser, Claire M</author><author>Franz, David R</author><author>Leighton, Terrance J</author></authors></contributors><titles><title>Toward a sys-- of microbial forensics: from sample collection to interpretation of evidence</title><secondary-title>Applied and environmental microbiology</secondary-title></titles><periodical><full-title>Applied and environmental microbiology</full-title></periodical><pages>2209-2213</pages><volume>71</volume><number>5</number><dates><year>2005</year></dates><isbn>0099-2240</isbn><urls></urls></record></Cite></EndNote>(19).
الف) تست های سرولوژیک
بررسی تیتر آنتی بادی و وجود آنتی بادی در سرم بیماران بویسله ی تست ویدال مشخص می گردد. آگلوتیناسیون که در اثر واکنش مستقیم بین آنتی ژنهای پیکری(O) و آنتی ژن تاژک(H) با آنتی بادی ضد آنها ایجاد می شود، اساس تست ویدال می باشد. تست ویدال به دو صورت روش اسلاید و روش لوله ای صورت می گیرد. روش اسلایدی به صورت سریع و روش لوله ای به صورت کند، صورت می پذیرد. به علت پایین بودن سرعت روش لوله ای، این روش تنها برای آنتی ژن هایی که در روش اسلایدی مثبت شده اند، صورت می پذیرد. با وجود اینکه تست ویدال آسان می باشد ولی میزان دقت و حساسیت آن پایین است ADDIN EN.CITE <EndNote><Cite><Author>Bhutta</Author><Year>2006</Year><RecNum>239</RecNum><record><rec-number>239</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">239</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Bhutta, Zulfiqar A</author></authors></contributors><titles><title>Current concepts in the diagnosis and treatment of typhoid fever</title><secondary-title>BMJ</secondary-title></titles><periodical><full-title>BMJ</full-title></periodical><pages>78-82</pages><volume>333</volume><number>7558</number><dates><year>2006</year></dates><isbn>0959-8138</isbn><urls></urls></record></Cite></EndNote>(20) .
حساسیت و دقت روشهای سنتی اعم از کشت و تست های سرولوژی پایین است، به این دلیل روشهای ژنوتایپینگ که بر مبنای ژنوم باکتری می باشد جایگزین روش های فنوتایپینگ شده است. از روش های ژنوتایپینگ که برای شناسایی سالمونلا تایفی استفاده می شود می توان به Nested-PCR با استفاده از پرایمر های HI-d اشاره نمود ADDIN EN.CITE <EndNote><Cite><Author>Bhutta</Author><Year>2006</Year><RecNum>239</RecNum><record><rec-number>239</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">239</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Bhutta, Zulfiqar A</author></authors></contributors><titles><title>Current concepts in the diagnosis and treatment of typhoid fever</title><secondary-title>BMJ</secondary-title></titles><periodical><full-title>BMJ</full-title></periodical><pages>78-82</pages><volume>333</volume><number>7558</number><dates><year>2006</year></dates><isbn>0959-8138</isbn><urls></urls></record></Cite></EndNote>(20) .
روش های جدیدی همچون Tubex و Typhidot جایگزین تست ویدال شده است. این تست ها قادر به شناسایی آنتی بادی های IgM ایجاد شده در میزبان بر ضد آنتی ژن های سالمونلا تایفی می باشد ADDIN EN.CITE <EndNote><Cite><Author>Bhutta</Author><Year>2006</Year><RecNum>239</RecNum><record><rec-number>239</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">239</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Bhutta, Zulfiqar A</author></authors></contributors><titles><title>Current concepts in the diagnosis and treatment of typhoid fever</title><secondary-title>BMJ</secondary-title></titles><periodical><full-title>BMJ</full-title></periodical><pages>78-82</pages><volume>333</volume><number>7558</number><dates><year>2006</year></dates><isbn>0959-8138</isbn><urls></urls></record></Cite></EndNote>(20) .
ب) کشت مدفوع
نمونه هایی که مشکوک به عفونت با سالمونلا هستند بر روی محیط های انتخابی SS Agar و EMB وهمچنین محیط های غنی GN و سلینت F کشت داده می شوند. پس از کشت این محیط ها را داخل انکوباکتور در دمای 37 درحه سانتی گراد به مدت یک شبانه روز قرار می دهند.
بر روی کلونی های بیرنگ و SH₂ دار تست های بیوشیمیایی مناسب را انجام می دهند. سالمونلا فاقد آنزیم اوره از می باشد و در نتیجه تست اوره آن منفی است. تمام سالمونلا ها به جزء سالمونلا پارا تایفی A برو ی محیط کلیگر آیرون آگار، SH₂ تولید می نمایند. تست IMVIC برای سالمونلا پاراتایفی B و C به صورت +- و +- می باشد و این تست برای سالمونلا پارا تایفی A به صورت +- بوده و برای سالمونلا تایفی به صورت – می باشد.
هنگامیکه سالمونلا تایفی مزمن شود، در داخل کیسه صفرا کلونیزه می شود و باکتری از طریق مدفوع از بدن خارج می شود و سالمونلا را می تران از طریق کشت مدفوع جدا نمود ADDIN EN.CITE <EndNote><Cite><Author>Brooks</Author><Year>2012</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">1</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Brooks, G.</author><author>Carroll, K.C.</author><author>Butel, J.</author><author>Morse, S.</author></authors></contributors><titles><title>Jawetz Melnick&amp;Adelbergs Medical Microbiology 26/E</title></titles><dates><year>2012</year></dates><publisher>Mcgraw-hill</publisher><isbn>9780071790314</isbn><urls><related-urls><url>https://books.google.com/books?id=UUSXV8B9i9sC</url></related-urls></urls></record></Cite><Cite><Author>Walker</Author><Year>1998</Year><RecNum>3</RecNum><record><rec-number>3</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">3</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Walker, T.S.</author></authors></contributors><titles><title>Microbiology</title></titles><dates><year>1998</year></dates><publisher>W.B. Saunders Company</publisher><isbn>9780721646411</isbn><urls><related-urls><url>https://books.google.com/books?id=DtlpAAAAMAAJ</url></related-urls></urls></record></Cite></EndNote>(4,6).
در مورد عفونت های گاستروانتریت و انتروکولیت باید از بیمار کشت مدفوع صورت پذیرد اما از بیماران مشکوک به تب روده ای باید کشت خون صورت گیرد. سروتایپینگ به این صورت انجام می شود که یک قطره از آنتی سرم O بر روی لام ریخته و با یک کلونی از باکتری مخلوط می کنیم، اگر آگلوتیناسیون بعد از گذشت یک الی دو دقیقه صورت گرفت، مثبت بودن تست را مشخص می کند. در سالمونلا انتریتیدیس، سالمونلا پاراتایفی C و سالمونلا تایفی آنتی ژن کپسولی بر روی آنتی ژن پیکری قرار می گیرد در نتیجه ممکن است باکتری با هیچکدام از آنتی سرم های O واکنش ندهد و لخته ایجاد نشود ADDIN EN.CITE <EndNote><Cite><Author>Budowle</Author><Year>2005</Year><RecNum>238</RecNum><record><rec-number>238</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">238</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Budowle, Bruce</author><author>Schutzer, Steven E</author><author>Ascher, Michael S</author><author>Atlas, Ronald M</author><author>Burans, James P</author><author>Chakraborty, Ranajit</author><author>Dunn, John J</author><author>Fraser, Claire M</author><author>Franz, David R</author><author>Leighton, Terrance J</author></authors></contributors><titles><title>Toward a sys-- of microbial forensics: from sample collection to interpretation of evidence</title><secondary-title>Applied and environmental microbiology</secondary-title></titles><periodical><full-title>Applied and environmental microbiology</full-title></periodical><pages>2209-2213</pages><volume>71</volume><number>5</number><dates><year>2005</year></dates><isbn>0099-2240</isbn><urls></urls></record></Cite><Cite><Author>Schaechter</Author><Year>2001</Year><RecNum>240</RecNum><record><rec-number>240</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">240</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Schaechter, Moselio</author></authors></contributors><titles><title>Escherichia coli andSalmonella 2000: the View From Here</title><secondary-title>Microbiology and molecular biology reviews</secondary-title></titles><periodical><full-title>Microbiology and molecular biology reviews</full-title></periodical><pages>119-130</pages><volume>65</volume><number>1</number><dates><year>2001</year></dates><isbn>1092-2172</isbn><urls></urls></record></Cite></EndNote>(19,21) .
ج) کشت خون
سالمونلا تایفی بر روی محیط کلیگر آیرون آگار در قسمت شیب دار محیط به صورت لکه های سیاه رنگ، SH₂ تولید می کند. می توان از طریق تست لیزین، سالمونلا را از سیتروباکتر تشخیص داد. سالمونلا در تست لیزین دآمیناز منفی بوده اما در تست لیزین دکربوکسیلاز مثبت است.
برای انجام کشت خون، باید از بیمار حدود 10 میلی لیتر در هنگام تب خون گرفت و خون را در محیط تریپتیکاز سوی براث تزریق نمود و محیط را در داخل انکوباتور در دمای 37 درجه سانتیگراد به مدت یک شبانه روز قرار داد. در تب روده ای کشت خون در هفته اول مثبت می باشدPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5CdWRvd2xlPC9BdXRob3I+PFllYXI+MjAwNTwvWWVhcj48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ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5CdWRvd2xlPC9BdXRob3I+PFllYXI+MjAwNTwvWWVhcj48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ADDIN EN.CITE.DATA (19-21).
1-2-10. پیشگیری و کنترل
معیار های بهداشتی برای جلوگیری از آلودگی غذا و آب توسط جوندگان و سایر حیواناتی که سالمونلا را از خود دفع می کنند، باید در نظر گرفته شود. محصولات طیور، گوشت و تخم مرغ های آلوده باید به خوبی پخته شوند. افراد ناقل نباید در کار تهیه مواد غذایی مشغول شوند و نظارت و احتیاط های شدید بهداشتی باید انجام شود.
دو واکسن تیفوئید هم اکنون در ایالات متحده آمریکا در دسترس می باشد. یک واکسن خوراکی تخفیف حدت یافته و یک واکسن از کپسول پلی ساکاریدی Vi که داخل ماهیچه تزریق می گردد. واکسیناسیون برای افرادی که به مناطق اندمیک سفر می کنند به خصوص آنهایی که در نظر دارند به مناطق روستایی که انتخاب های غذایی محدودی دارند بروند، توصیه می شود. هر واکسن کارایی در حدود 50 تا 80% دارد. زمان مورد نیاز برای واکسیناسیون اولیه و محدودیت های سنی برای هر واکسن متفاوت می باشد و افراد باید با وب سایت پیشگیری و کنترل بیماری ها مراجعه کرده و یا با یک کلینیک مخصوص مسافران مشورت نمایند تا بر اساس آخرین اطلاعات مربوط به واکسن عمل شود ADDIN EN.CITE <EndNote><Cite><Author>Brooks</Author><Year>2012</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">1</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Brooks, G.</author><author>Carroll, K.C.</author><author>Butel, J.</author><author>Morse, S.</author></authors></contributors><titles><title>Jawetz Melnick&amp;Adelbergs Medical Microbiology 26/E</title></titles><dates><year>2012</year></dates><publisher>Mcgraw-hill</publisher><isbn>9780071790314</isbn><urls><related-urls><url>https://books.google.com/books?id=UUSXV8B9i9sC</url></related-urls></urls></record></Cite></EndNote>(4).
1-2-11، ایمنی
عفونت با سالمونلا تایفی و سالمونلا پاراتایفی معمولا درجاتی از ایمنی را در افراد ایجاد می نماید. عفونت مجدد می تواند اتفاق بیوفتد اما نسبت به عفونت نخست، شدت کمتری دارد. آنتی بادی ها در گردش خون علیه آنتی ژن های O و Vi در ایمنی علیه عفونت و بیماری نقش ایفا می کند. البته امکان عود بیماری ظرف دو الی سه هفته و با وجود حضور آنتی بادی ها امکان پذیر می باشد. IgA ترشحی می تواند جلوی اتصال سالمونلا ها را به اپیتلیوم روده بگیرد.افرادی که هموگلوبین نوع S/S دارند و دارای بیماری سلول های داسی می باشند، حساسیت بیشتری به عفونت های سالمونلایی به خصوص استئو میلیت دارند. افرادی که هموگلوبین A/S دارند( خصلت سلول های داسی) بیش از افراد عادی( آنهایی که هموگلوبین نوع A/A دارند) حساس هستند ADDIN EN.CITE <EndNote><Cite><Author>Brooks</Author><Year>2012</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">1</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Brooks, G.</author><author>Carroll, K.C.</author><author>Butel, J.</author><author>Morse, S.</author></authors></contributors><titles><title>Jawetz Melnick&amp;Adelbergs Medical Microbiology 26/E</title></titles><dates><year>2012</year></dates><publisher>Mcgraw-hill</publisher><isbn>9780071790314</isbn><urls><related-urls><url>https://books.google.com/books?id=UUSXV8B9i9sC</url></related-urls></urls></record></Cite></EndNote>(4).
1-2-12، درمان
در پاکستان،بنگلادش،هند،ویتنام،آفریقاوخاورمیانه درطی سالهای1980تا1990 میلادی، اپیدمی هایی در اثر سالمونلا تایفی مقاوم به همه ی دارو های خط اول درمان که شامل کوتریموکسازول، آمپی سیلین و کلرامفنیکل بودند، ایجاد شد. سویه های سالمونلا تایفی که به کلرافنیکل مقاوم هستند به تتراسایکلین، استرپتومایسین و سولفونامید نیز مقاومت از خود نشان می دهند و برای درمان می توان از آنتی بیوتیک های موثر نظیر کوتریموکسازول و آموکسی سیلین استفاده نمود ADDIN EN.CITE <EndNote><Cite><Author>Longo</Author><Year>2001</Year><RecNum>237</RecNum><record><rec-number>237</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">237</key></foreign-keys><ref-type name="Book">6</ref-type><contributors><authors><author>Longo, D.</author><author>Fauci, A.</author><author>Kasper, D.</author><author>Hauser, S.</author><author>Jameson, J.</author><author>Loscalzo, J.</author></authors></contributors><titles><title>Harrison&apos;s Principles of Internal Medicine, 18th Edition</title></titles><dates><year>2001</year></dates><publisher>McGraw-Hill Education</publisher><isbn>9780071748902</isbn><urls><related-urls><url>https://books.google.com/books?id=7gxjMV8hClsC</url></related-urls></urls></record></Cite></EndNote>(18).
برای درمان حصبه و شبه حصبه ازآنتی بیوتیک ها استفاده می شود که از این آنتی بیوتیک ها می توان به کوتریموکسازول، کینولون ها، آزیترومایسین، آزترونام، بتالاکتام و کلرامفنیکل اشاره نمود. به علت ایجاد عوارض و مقاومت بالا به کلرامفنیکل، از سال 1972 میلادی به بعد دیگر از این آنتی بیوتیک در درمان حصبه استفاده نمی شود.
بیمارانی که دارای مشکلات تغذیه ای هستند باید از غذاهای پر کالری، کم حجم و سالم استفاده کنند. برای جلوگیری از تب طولانی و کم آبی ناشی از اسهال، به بیماران نوشیدن مایعات توصیه می شود اما در مواردی که این کم آبی شدید است باید بیماران مایعات را از طریق ورید دریافت کنند ADDIN EN.CITE <EndNote><Cite><Author>Glynn</Author><Year>2004</Year><RecNum>241</RecNum><record><rec-number>241</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">241</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Glynn, M Kathleen</author><author>Reddy, Vasudha</author><author>Hutwagner, Lori</author><author>Rabatsky-Ehr, Therese</author><author>Shiferaw, Beletshachew</author><author>Vugia, Duc J</author><author>Segler, Suzanne</author><author>Bender, Jeff</author><author>Barrett, Timothy J</author><author>Angulo, Frederick J</author></authors></contributors><titles><title>Prior antimicrobial agent use increases the risk of spo--ic infections with multidrug-resistant Salmonella enterica serotype Typhimurium: a FoodNet case-control study, 1996–1997</title><secondary-title>Clinical infectious diseases</secondary-title></titles><periodical><full-title>Clinical infectious diseases</full-title></periodical><pages>S227-S236</pages><volume>38</volume><number>Supplement 3</number><dates><year>2004</year></dates><isbn>1058-4838</isbn><urls></urls></record></Cite></EndNote>(22).
مواردی از استفاده سالمونلا به عنوان یک آلوده کننده بیولوژیک وجود دارد به این علت که سرعت رشد و تکثیر سالمونلا بالاست و سویه هایی از سالمونلا تایفی می توانند سبب آلودگی مواد غذایی شوند.
هم اکنون برای درمان حصبه از سفالوسپورین های نسل سوم مثل سفتازیدیم و سفتریاکسون و فولورو کینولون ها مثل سیپروفلوکساسین و افلوکساسین استفاده می شود. جهت درمان سویه های مقاوم به کینولون، آزیترومایسین یا سفتریاکسون استفاده می گردد. البه شایان ذکر است در برخی از نقاط جهان درصد بالای از مقاومت سویه های سالمونلا به فلوروکینولون و سفالوسپورین های نسل سوم دیده شده است هنگامیکه این شرایط پیش می آید باید برای درمان این سویه های مقاوم از آزترونام و آزیترومایسین اسفاده نمود. هنگامی که باکتری به چند دارو مقاوم باشد برای درمان باید از یک سفکسیم یا فلوروکینولون استفاده نمود در حالیکه برای جداسازی باکتری حساس باید از فلوروکینولون ها مثل سپیروفلوکساسین و افلو کساسین استفاده نمود ADDIN EN.CITE <EndNote><Cite><Author>Bhutta</Author><Year>2006</Year><RecNum>239</RecNum><record><rec-number>239</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">239</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Bhutta, Zulfiqar A</author></authors></contributors><titles><title>Current concepts in the diagnosis and treatment of typhoid fever</title><secondary-title>BMJ</secondary-title></titles><periodical><full-title>BMJ</full-title></periodical><pages>78-82</pages><volume>333</volume><number>7558</number><dates><year>2006</year></dates><isbn>0959-8138</isbn><urls></urls></record></Cite></EndNote>(23).
1-3 – مروری بر روش های تایپینگ باکتری ها
تیپ بندی باکتری ها به دو صورت انجام می شود که به صورت زیر می باشد:
فنوتایپینگ: که بر اساس ویژگی های ظاهری باکتری ها می باشد مثل: کشت، تست های بیو شیمیایی، فاژتایپینگ و آنتی بیوگرام.
ژنوتایپینگ: که از میزان دقت و حساسیت بالایی نسبت به فنوتایپینگ بر خوردار است و این تکنیک ها بر پایه ی ژنوم میکرو ارگانیسم ها شکل گرفته اند مثل: MLST، PFGE، MLVA، Plasmid Profiling، REP-PCR، ERIC-PCR، PCR-RFLP، AFLP، AP-PCR،RAPD-PCR و Multiplex PCR.
البته در میان تکنیک های ژنوتایپینگ دو تکنیک MLVA و MLST از همه جدیدتر بوده است. البته شایان ذکر دو تکنیک Real Time- PCR و تکنیک LAMP برای تشخیص میکرو ارگانیسم ها استفاده می شود. البته در این میان LAMP دارای سرعت بالا و هزینه پایین نسبت به Real Time- PCR می باشد ADDIN EN.CITE <EndNote><Cite><Author>Mori</Author><Year>2009</Year><RecNum>242</RecNum><record><rec-number>242</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">242</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Mori, Yasuyoshi</author><author>Notomi, Tsugunori</author></authors></contributors><titles><title>Loop-mediated isothermal amplification (LAMP): a rapid, accurate, and cost-effective diagnostic method for infectious diseases</title><secondary-title>Journal of infection and chemotherapy</secondary-title></titles><periodical><full-title>Journal of infection and chemotherapy</full-title></periodical><pages>62-69</pages><volume>15</volume><number>2</number><dates><year>2009</year></dates><isbn>1341-321X</isbn><urls></urls></record></Cite></EndNote>(23).
در ابتدا برای تشخیص باکتری ها و بررسی های اپیدمیولوژیکی از تست های سرولوژی استفاده شد. البته تست های سرولوژی با مشکلاتی اعم از هزینه بالای تولید و مصرف آن، تنوع وسیع خصوصیات آنتی ژنتیکی و نیاز به استفاده از طیف وسیعی از آنتی بادی به خصوص در هنکام استفاده از این تست برای شناسایی اشرشیا کلی، به همین دلیل تکنیک های مولکولی جایگزین تست های سرولوژی شده اند.
نگرش دانشمندان و محققان با شروع عصر مولکولی با کشف ژنوم از ویژگی های ظاهری باکتری( فنوتیپ) به به خصوصیات ژنتیکی و باطنی باکتری( ژنوتیپ) تغییر یافته است. البته تکنیک های ژنوتایپینگ خود به دو دسته تقسیم می شوند که به صورت زیر می باشد:
روش های ژنوتایپینگی که بر پایه ی تکثیر و همانند سازی DNA شکل گرفته اند که شامل: انواع مختلف PCR، MLVA و MLST
تکنیک هایی که بر پایه ی تکثیر و همانند سازی DNA نمی باشند که شامل: PFGE و FISH
تا کنون از تکنیک های مولکولی مختلفی جهت ژنوتایپینگ سویه مختلف سالمونلا انتریکا سرووار انتریتیدیس صورت گرفته که به تفصیل در فصل دوم و پنجم توضیح داده خواهد شد.
تمام این تکنیک هایی مولکولی دارای معایب و مزایایی نسبت به یکدیگر می باشند. MLVA یکی از روش های ژنوتایپینگ سریع و کم هزینه می باشد که مدت زمان زیادی نیست که پا به عرصه وجود کذاشته است و با توجه به مزایایی که نسبت به سایر روش های مولکولی دارد، امید می رود این تکنیک جایگزین سایرروش های ژنوتایپینگگران قیمت شود.البته شایانذکر است کهبحث مقایسه ی سایر روش های مولکولی از گنجایش این پایان نامه بدلیل گستردگی این روش ها، خارج است و سعی شده تا تکنیک MLVA را به طور کامل معرفی کرده و آنرا با سایر روش های مولکولی مقایسه کنیم و مزایا و معایب آنرا با سایر روش های مولکولی مشخص کنیم ADDIN EN.CITE <EndNote><Cite><Author>Nadon</Author><Year>2013</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="vr2xrzwaadtex1exae9v9vdz2e2sedf2w0xt">1</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Nadon, C. A.</author><author>Trees, E.</author><author>Ng, L. K.</author><author>Moller Nielsen, E.</author><author>Reimer, A.</author><author>Maxwell, N.</author><author>Kubota, K. A.</author><author>Gerner-Smidt, P.</author></authors></contributors><auth-address>National Microbiology Laboratory, Public Health Agency of Canada, Winnipeg, Manitoba, Canada.</auth-address><titles><title>Development and application of MLVA methods as a tool for inter-laboratory surveillance</title><secondary-title>Euro Surveill</secondary-title></titles><pages>20565</pages><volume>18</volume><number>35</number><edition>2013/09/07</edition><keywords><keyword>Clinical Laboratory Techniques/instrumentation/*methods/standards</keyword><keyword>Consensus</keyword><keyword>Consensus Development Conferences as Topic</keyword><keyword>Disease Outbreaks/*prevention &amp; control</keyword><keyword>Humans</keyword><keyword>International Cooperation</keyword><keyword>Multilocus Sequence Typing/instrumentation/*methods/standards</keyword><keyword>Population Surveillance/*methods</keyword><keyword>*Quality Control</keyword><keyword>Tandem Repeat Sequences/*genetics</keyword></keywords><dates><year>2013</year></dates><isbn>1560-7917 (Electronic)&#xD;1025-496X (Linking)</isbn><accession-num>24008231</accession-num><urls><related-urls><url>http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&amp;db=PubMed&amp;dopt=Citation&amp;list_uids=24008231</url></related-urls></urls><language>eng</language></record></Cite></EndNote>(7).
1-3-1- اصول و مبانی روش MLVA
MLVA بر پایه ی توالی های تکرار شونده می باشد. توالی های تکرار شونده درداخل ژنوم ارگانیسم ها می باشند که دارای الگوهایی از اسید نوکلئیک( DNA یا RNA) می باشند که در چندین نسخه در ژنوم ارگانیسم ها وجود دارند. به طور کلی این توالی ها ی تکرار شونده به دو گروه اصلی تقسیم می شوند که شامل: 1) تکرار های پراکنده مثل SINEs و LINEs 2) تکرار های پشت سرهم که شامل میکرو ماهواره ها، ماهواره ها و مینی ماهواره ها می باشند. هنگامی که دو یا تعداد بیشتری از نوکلئوتید ها در کنار هم تکرار گردند، توالی تکرار های پشت سرهم شکل می گیرد به عنوان مثال توالی GTACGTACGTAC که توالی تکرار شونده ی آن GTAC است. اگر اندازه ی توالی تکرار شونده بین 10 تا 60 نوکلئوتید باشد، این توالی را مینی ماهواره و اگر این اندازه از 60 نوکلئتید بزرگتر باشد آنرا ماهواره و اگر این اندازه از 10 نوکلئوتید کوچکتر باشد آنرا میکرو ماهواره نام گذاری می کنند ADDIN EN.CITE <EndNote><Cite><Author>van Belkum</Author><Year>2007</Year><RecNum>275</RecNum><record><rec-number>275</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">275</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>van Belkum, A.</author></authors></contributors><auth-address>Department of Medical Microbiology and Infectious Diseases, Rotterdam, The Netherlands. a.vanbelkum@erasmusmc.nl</auth-address><titles><title>Tracing isolates of bacterial species by multilocus variable number of tandem repeat analysis (MLVA)</title><secondary-title>FEMS Immunol Med Microbiol</secondary-title></titles><periodical><full-title>FEMS Immunol Med Microbiol</full-title></periodical><pages>22-7</pages><volume>49</volume><number>1</number><edition>2007/02/03</edition><keywords><keyword>Bacillus anthracis/genetics</keyword><keyword>Bacteria/classification/*genetics/isolation &amp; purification</keyword><keyword>Bioterrorism</keyword><keyword>DNA, Bacterial/*genetics</keyword><keyword>Genome, Bacterial</keyword><keyword>Humans</keyword><keyword>*Minisatellite Repeats</keyword><keyword>Mycobacterium tuberculosis/genetics</keyword><keyword>Staphylococcus aureus/genetics</keyword></keywords><dates><year>2007</year><pub-dates><date>Feb</date></pub-dates></dates><isbn>0928-8244 (Print)&#xD;0928-8244 (Linking)</isbn><accession-num>17266711</accession-num><urls><related-urls><url>http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&amp;db=PubMed&amp;dopt=Citation&amp;list_uids=17266711</url></related-urls></urls><electronic-resource-num>FIM173 [pii]&#xD;10.1111/j.1574-695X.2006.00173.x</electronic-resource-num><language>eng</language></record></Cite></EndNote>(24).

شکل 1-4، در تصویر بالا یک نمای شماتیک از VNTR ها یا همان توالی های تکرار شونده دیده می شود که هر مربع آبی نشان دهنده یک توالی تکرار شونده می باشد. VNTR ها در هر سویه باکتریایی متفاوت می باشند.VNTR یا تکرار های پشت سرهم با تعداد متغییر در اصطلاح به تکرار های پشت سرهمی گفته می شود که در یک ارگانیسم در مقایسه با سایر جمعیت های آن از لحاظ تعداد تکرار متفاوت می باشند. این ویژگی جالب سبب شده از زمان کشف VNTR، از این توالی های خاص در زیست شناسی، تحقیقات پزشکی جنایی، انگشت نگاری DNAو ژنتیک استفاده می نمایند. برای اولین بار VNTR ها در ژنوم سلول های یوکاریوتی مثل انسان پیدا شد ولی این توالی ها در ژنوم سلول های پروکاریوتی مثل باکتری ها نیز وجود دارند. VNTR ها در جنس و گونه های مختلف با هم متفاوت می باشند و هر VNTR مخصوص به خود همان گونه و جنس است و با VNTR گونه یا جنس دیگر متفاوت می باشد. لیز خوردن آنزیم DNA پلیمراز در حین همانند سازی ژنوم باعث ایجاد VNTR ها می شود به همین دلیل در تعداد تکرار های VNTR تنوع وجود دارد ADDIN EN.CITE <EndNote><Cite><Author>Moller</Author><Year>1995</Year><RecNum>279</RecNum><record><rec-number>279</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">279</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Moller </author><author>Brinkmann, B</author></authors></contributors><titles><title>PCR-VNTRs (PCR-Variable Number of Tandem Repeats) in forensic science</title><secondary-title>Cellular and molecular biology (Noisy-le-Grand, France)</secondary-title></titles><periodical><full-title>Cellular and molecular biology (Noisy-le-Grand, France)</full-title></periodical><pages>715-724</pages><volume>41</volume><number>5</number><dates><year>1995</year></dates><isbn>0145-5680</isbn><urls></urls></record></Cite><Cite><Author>Levinson</Author><Year>1987</Year><RecNum>280</RecNum><record><rec-number>280</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">280</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Levinson, Gene</author><author>Gutman, George A</author></authors></contributors><titles><title>Slipped-strand mispairing: a major mechanism for DNA sequence evolution</title><secondary-title>Molecular biology and evolution</secondary-title></titles><periodical><full-title>Molecular biology and evolution</full-title></periodical><pages>203-221</pages><volume>4</volume><number>3</number><dates><year>1987</year></dates><isbn>0737-4038</isbn><urls></urls></record></Cite></EndNote>(25و26).
همانطور که ذکر شد MLVA بر اساس VNTR ها شکل گرفته است. این تکنیک به تازگی برای ژنوتایپینگ باکتری ها استفاده شده است و خود را به عنوان یک تکنیک قدرتمند با حساسیت بالا در میان سایر تکنیک های مولکولی مطرح کرده است. معمولا برای انجام MLVA تعداد هفت یا بیشتر لوکوس VNTR از ژنوم باکتری انتخاب می گردد. پس از انجام PCR و الکتروفورز، ما تعداد تکرار های هر لوکوس VNTR را بدست می آوریم. در اصطلاح به این مجموعه ی تعداد تکرار ها را الگوی اللی( پروفایل اللی) می نامند به عنوان مثال پروفایل اللی نمونه شماره یک به صورت 1-2-5-6-3-4-7 و برای نمونه شماره ی دو به صورت 3-2-6-5-4-1-7 می باشد البته برای آنکه معنای پروفایل اللی را بهتر متوجه شویم می توان گفت پروفایل اللی مانند یک بارکد برای هر نمونه می باشد و با ذخیره سازی این داده ها در بانک های اطلاعاتی، امکان مقایسه این داده ها با سایر داده ها و حتی پردازش مجدد این داده ها وجود دارد ADDIN EN.CITE <EndNote><Cite><Author>Nadon</Author><Year>2013</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="vr2xrzwaadtex1exae9v9vdz2e2sedf2w0xt">1</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Nadon, C. A.</author><author>Trees, E.</author><author>Ng, L. K.</author><author>Moller Nielsen, E.</author><author>Reimer, A.</author><author>Maxwell, N.</author><author>Kubota, K. A.</author><author>Gerner-Smidt, P.</author></authors></contributors><auth-address>National Microbiology Laboratory, Public Health Agency of Canada, Winnipeg, Manitoba, Canada.</auth-address><titles><title>Development and application of MLVA methods as a tool for inter-laboratory surveillance</title><secondary-title>Euro Surveill</secondary-title></titles><pages>20565</pages><volume>18</volume><number>35</number><edition>2013/09/07</edition><keywords><keyword>Clinical Laboratory Techniques/instrumentation/*methods/standards</keyword><keyword>Consensus</keyword><keyword>Consensus Development Conferences as Topic</keyword><keyword>Disease Outbreaks/*prevention &amp; control</keyword><keyword>Humans</keyword><keyword>International Cooperation</keyword><keyword>Multilocus Sequence Typing/instrumentation/*methods/standards</keyword><keyword>Population Surveillance/*methods</keyword><keyword>*Quality Control</keyword><keyword>Tandem Repeat Sequences/*genetics</keyword></keywords><dates><year>2013</year></dates><isbn>1560-7917 (Electronic)&#xD;1025-496X (Linking)</isbn><accession-num>24008231</accession-num><urls><related-urls><url>http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&amp;db=PubMed&amp;dopt=Citation&amp;list_uids=24008231</url></related-urls></urls><language>eng</language></record></Cite></EndNote>(7).

شکل 1-5، تصویر بالا پروفایل اللی مربوط به دو سویه ی باکتریایی را نشان می دهد. مربع های رنگی توالی های مختلف VNTR را نشان می دهد.
1-2-3- کلمات و اصطلاحات کاربردی در MLVA
بعد از انجام کارهای عملی مربوط به MLVA و ایجاد پروفایل اللی برای هر نمونه، نوبت به استفاده از مجموعه ای از الگوریتم های ریاضی می رسد که با استفاده از این الگوریتم ها می توان به تجزیه و تحلیل روابط فیلوژنتیکی و قرابت بین ایزوله ها پی برد. در MLVA برای بررسی ایزوله های جمعیتی از الگوریتم های MST استفاده می شود، البته از MST در تکنیک MLST نیز استفاده می شود. برای نخستین باردر سال 1960 میلادی مهندسان شهرداری برای انتخاب کوتاهترین مسیر ها برای نصب خطوط برق و مخابراتی یا انجام لوله کشی آب و فاضلاب، از این الگوریتم ها استفاده نمودند. سپس از این الگوریتم ها در زیست شناسی برای ترسیم کوتاهترین مسیر های تکاملی استفاده شد. امروزه از این الگوریتم ها برای تجزیه و تحلیل داده های تکنیک های MLST و MLVA استفاده می شود ADDIN EN.CITE <EndNote><Cite><Author>Weniger</Author><Year>2012</Year><RecNum>281</RecNum><record><rec-number>281</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">281</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Weniger, Thomas</author><author>Krawczyk, Justina</author><author>Supply, Philip</author><author>Harmsen, Dag</author><author>Niemann, Stefan</author></authors></contributors><titles><title>Online tools for polyphasic analysis of&lt; i&gt; Mycobacterium tuberculosis&lt;/i&gt; complex genotyping data: Now and next</title><secondary-title>Infection, Genetics and Evolution</secondary-title></titles><periodical><full-title>Infection, Genetics and Evolution</full-title></periodical><pages>748-754</pages><volume>12</volume><number>4</number><dates><year>2012</year></dates><isbn>1567-1348</isbn><urls></urls></record></Cite></EndNote>(27).

شکل 1-6، در تصویر بالا آنالیز MLVA بوسیله MST را در یک سویه ی باکتریایی مشاهده می کنید. ایزوله هایی که در خرج ازخوشه های رنگی هستند،یکSingleton می باشند و هر خوشه رنگی نشان دهنده یک کلونال کمپلکس می باشد.
اگر دو ایزوله در یک لوکوس VNTR در پروفایل اللی خود با هم تفاوت داشته باشند، در اصطلاح نسبت به هم، SLV می باشند به عنوان مثال ایزوله ی شماره یک با پروفایل اللی 3-2-1-7-2-4-3 نسبت به ایزوله ی شماره دو با پروفایل اللی 3-2-1-7-2-4-2، SLV می باشد. حال اگر دو ایزوله در دولوکوسVNTRدرپروفایل اللی خودباهم تفاوت داشته باشند، در اصطلاح نسبت به یکدیگر، DLVهستند. هرعدد غیر مشابه ای نشان دهنده ی یک الل جدید می باشد و تنها در اینجا تفاوت در جایگاه های لوکوسی دارای اهمیت می باشد. بنیان گذار زیر گروه در اصطلاح به ایزوله ای گفته می شود که حداقل دو SLV از آن منشاء گرفته است. کلونال کمپلکس یا دودمان در اصطلاح به یک ایزوله ی مرکزی همراه با SLV و DLV های مربوط به آن گفته می شود. اعضای مربوط به یک کلونال کمپلکس قرابت ژنتیکی نزدیکی به هم دارند و احتمالا از یکدیگر مشتق شده اند. Singleton در اصطلاح به ایزوله هایی گفته می شود که در هیچ کلونال کمپلکسی قرار ندارند یا به عبارتی دارای بیش از دو تفاوت در جایگاه های لوکوسی در پروفایل اللی خود هستند. جمعیت های باکتریایی از تعدادی singleton و کلونال کمپلکس تشکیل شده اند. البته شایان ذکر است که MST نشان دهنده زمان تکامل نمی باشد و تنها ارتباط تکاملی ایزوله ها را نشان می دهد ADDIN EN.CITE <EndNote><Cite><Author>Weniger</Author><Year>2012</Year><RecNum>281</RecNum><record><rec-number>281</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">281</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Weniger, Thomas</author><author>Krawczyk, Justina</author><author>Supply, Philip</author><author>Harmsen, Dag</author><author>Niemann, Stefan</author></authors></contributors><titles><title>Online tools for polyphasic analysis of&lt; i&gt; Mycobacterium tuberculosis&lt;/i&gt; complex genotyping data: Now and next</title><secondary-title>Infection, Genetics and Evolution</secondary-title></titles><periodical><full-title>Infection, Genetics and Evolution</full-title></periodical><pages>748-754</pages><volume>12</volume><number>4</number><dates><year>2012</year></dates><isbn>1567-1348</isbn><urls></urls></record></Cite></EndNote>(27).
1-3-3- مزایای MLVA نسبت به سایر روش های ژنوتایپنگ
هر تکنیک ژنوتایپینگ دارای مزایا و معایبی می باشد. مزایای بیشمار تکنیک MLVA سبب شده که این تکنیک جای خود را در میان سایر تکنیک های ژنوتایپینگ باز کند و بیشتر مورداستفاده ی میکروبیولوژیستهاو اپید میولوژیستها قرارگیرد. بهطور خلاصه مزایای تکنیکMLVA رادر شکل 1-7 مشاهده می نمایید.

شکل 1-7، در تصویر بالا تعدادی از مزایای MLVA را به طور خلاصه مشاهده می کنید.
مزایای تکنیک MLVA عبارت است از:
هزینه: مشکلاتی که همواره پیش روی طرح های تحقیقاتی میباشد، هزینه ی انجام این طرح ها است و این هزینه ها در کشورهای در حال توسعه دارای اهمیت می باشد. MLVA یک تکنیک مبتنی بر PCR است و دارای هزینه های به مراتب کمتر نسبت به سایر تکنیک ها از جمله PFGE و MLST می باشد. در تکنیک PFGE نیاز به دستگاه ها و مواد گرانقیمت می باشد و در MLST ممکن است به علت تعیین توالی محصولات PCR هزینه ها به اندازه ی تکنیک PFGE یا بیشتر از PFGE شود ADDIN EN.CITE <EndNote><Cite><Author>Nadon</Author><Year>2013</Year><RecNum>1</RecNum><record><rec-number>1</rec-number><foreign-keys><key app="EN" db-id="vr2xrzwaadtex1exae9v9vdz2e2sedf2w0xt">1</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Nadon, C. A.</author><author>Trees, E.</author><author>Ng, L. K.</author><author>Moller Nielsen, E.</author><author>Reimer, A.</author><author>Maxwell, N.</author><author>Kubota, K. A.</author><author>Gerner-Smidt, P.</author></authors></contributors><auth-address>National Microbiology Laboratory, Public Health Agency of Canada, Winnipeg, Manitoba, Canada.</auth-address><titles><title>Development and application of MLVA methods as a tool for inter-laboratory surveillance</title><secondary-title>Euro Surveill</secondary-title></titles><pages>20565</pages><volume>18</volume><number>35</number><edition>2013/09/07</edition><keywords><keyword>Clinical Laboratory Techniques/instrumentation/*methods/standards</keyword><keyword>Consensus</keyword><keyword>Consensus Development Conferences as Topic</keyword><keyword>Disease Outbreaks/*prevention &amp; control</keyword><keyword>Humans</keyword><keyword>International Cooperation</keyword><keyword>Multilocus Sequence Typing/instrumentation/*methods/standards</keyword><keyword>Population Surveillance/*methods</keyword><keyword>*Quality Control</keyword><keyword>Tandem Repeat Sequences/*genetics</keyword></keywords><dates><year>2013</year></dates><isbn>1560-7917 (Electronic)&#xD;1025-496X (Linking)</isbn><accession-num>24008231</accession-num><urls><related-urls><url>http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&amp;db=PubMed&amp;dopt=Citation&amp;list_uids=24008231</url></related-urls></urls><language>eng</language></record></Cite></EndNote>(7).
راحتی و سادگی انجام آن: مزیت تکنیک MLVA اینست که نیاز به تبحر و تخصص خاصی ندارد. موفقیت MLVA نسبت به سایر تکنیک های مبتنی بر PCR آنست که این تکنیک ساده می باشد و آنالیز داده های آن نیز سریع استPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5OYWRvbjwvQXV0aG9yPjxZZWFyPjIwMTM8L1llYXI+PFJl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ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5OYWRvbjwvQXV0aG9yPjxZZWFyPjIwMTM8L1llYXI+PFJl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ADDIN EN.CITE.DATA (7, 24) (شکل 1-8).

شکل 1-8، آنچه سبب موفقیت این تکنیک نسبت به سایر روش های تایپینگ شده است، سریع بودن و سادگی آن است. مراحلی که در MLVA انجام می شود شامل: 1) کشت دادن باکتری 2) استخراج ژنوم باکتری 3) انجام دادن واکنش PCR برای لوکوس های VNTR 4) الکتروفورز محصولات PCR بر روی ژل آکاروز 5) عکس گرفتن از ژل پس از انجام الکتروفورز 6) تبدیل کردن اندازه ی باند ها به تعداد تکرار و آنالیز داده ها که در مرحله ی آخر صورت می گیرد.
در دسترس بودن: به وجود داشتن تجهیزات، مواد مصرفی و نوع مهارت به تکنیک مورد نظر وابسته است. تکنیک هایی که بر پایه ی PCR هستند مانند MLVA، تنها نیاز به یک دستگاه ترموسایکلر دارند ولی در تکنیک هایی مثل PFGE نیاز به مواد و دستگاه هایی است که دارای قیمت بسیار بالایی هستند. در ضمن تکنیک هایی که بر پایه ی PCR می باشند را می تواند در یک آزمایشگاه معمولی انجام پذیرد و نیاز به افرادی که دارای تخصص و تبحر هستند، نیستPEVuZE5vdGU+PENpdGU+PEF1dGhvcj52YW4gQmVsa3VtPC9BdXRob3I+PFllYXI+MjAwNzwvWWVh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ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj52YW4gQmVsa3VtPC9BdXRob3I+PFllYXI+MjAwNzwvWWVh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ADDIN EN.CITE.DATA (7, 24).
سرعت انجام آن: زمان مورد نیاز جهت انجام و آماده سازی یک تکنیک را اصطلاحا سرعت آن تکنیک می گویند. تکنیک PFGE یک تکنیک زمانبر می باشد و زمان مورد نیاز برای انجام حداقل سه روز کاری می باشد ولی به دلیل آنکه MLVA یک روشی است که بر پایه ی PCR صورت می پذیرد به همین دلیل در کمترین زمان ممکن( چند ساعت) قابل انجام است. سرعت تکنیک هایی نظیر ERIC-PCR، REP-PCR، RAPD-PCR، MLST و MLVA به دلیل مبتنی بودن بر PCR نسبت تکنیک هایی مثل: ریبوتایپینگ و PFGE بسیار بالاتر استPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5OYWRvbjwvQXV0aG9yPjxZZWFyPjIwMTM8L1llYXI+PFJl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ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5OYWRvbjwvQXV0aG9yPjxZZWFyPjIwMTM8L1llYXI+PFJl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ADDIN EN.CITE.DATA (7, 24).
تکرارپذیری: توانایی یک تکنیک ژنوتایپینگ در تولید نتیجه های کاملا یکسان و شبیه را بر روی یک نمونه ی مشخص در مکان ها و زمان های مختلف را اصطلاحا تکرار پذیری می نامند. تکرار پذیری به مسائل مختلفی وابسته است که عبارتند از دستور العمل هایی که هنگام انجام یک تکنیک استفاده می شود و پایداری الل ها. قدرت تکرار پذیری تحت تاثیر فاکتور هایی قرار دارد که این فاکتور ها عبارت اند از: آنالیز و تفسیر داده ها، تجهیزات و دستگاه هایی که حین انجام تکنیک از آنها استفاده می شوند، جگونگی تهیه مواد مورد نیاز جهت انجام تکنیک مثل نحوه استخراج DNA و تفاوت هایی که در شرایط رشد وجود دارد و ترکیبات و موادی که طی واکنش مصرف می شوند. تکنیک هایی که برای ژنوتایپینگ انتخاب می شوند باید به گونه ای باشند که هم در آزمایشکاه و هم در سایر آزمایشکاه ها، قابلیت تکرار را داشته باشند. بکار گرفتن افراد متخصص و آموزش دیده و استفاده از دستورالعمل استاندارد، باعث می شود به میزان قابل توجهی تکرار پذیری افزایش یابد. داده های MLVA همانند داده های MLST به شکل رقم هایی ذخیره می گردند، به همین دلیل به راحتی می توان این داده ها را به سایر آزمایشگاه ها و مراکز پژوهشی انتقال داد و حتی می توان این داده ها را با هم مقایسه نمود. برای استاندارد سازی تکنیک PFGE نیز تلاش هایی انجام شده است مثل: دستورالعمل های استاندارد CDC درباره ی اشرشیا کلی انترو هموراژیک O157:H7 و یا سایر باکتری ها(WWW.cdc.gov/pulsnet). ذخیره کردن داده ها در بانک های اطلاعاتی و همچنین استفاده کردن از این داده ها یک مزیت بسیار مهم می باشدPEVuZE5vdGU+PENpdGU+PEF1dGhvcj5OYWRvbjwvQXV0aG9yPjxZZWFyPjIwMTM8L1llYXI+PFJl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دانلود پایان نامه ارشد- مقاله تحقیق

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : homatez.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5OYWRvbjwvQXV0aG9yPjxZZWFyPjIwMTM8L1llYXI+PFJl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 EN.CITE.DATA (7, 28).
انطباق اپیدمیولوژیکی: نتایجی که از یک روش ژنوتایپینگ بدست می آید باید بتواند ارزیابی درست و صحیحی از جمعیت باکتریایی به ما نشان دهد. این تکنیک ها باید در اپیدمی ها ( همه گیری) کاربرد داشته باشند و باید بتوانند بین سویه هایی که باعث ایجاد اپیدمی شده اند ( سویه هایی که احتمالا از یک سویه ی واحد یا کلون مشتق شده اند) و سایر سویه های غیر مرتبط، تمایز قائل شوند. در همان ابتدا از تکنیک MLVA در اپیدمی ها حهت بررسی اپیدمیولوژکی استفاده شد و توانست همانند PFGE و MLST در اپیدمی ها کاربرد داشته باشد ADDIN EN.CITE <EndNote><Cite><Author>van Belkum</Author><Year>2007</Year><RecNum>275</RecNum><record><rec-number>275</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">275</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>van Belkum, A.</author></authors></contributors><auth-address>Department of Medical Microbiology and Infectious Diseases, Rotterdam, The Netherlands. a.vanbelkum@erasmusmc.nl</auth-address><titles><title>Tracing isolates of bacterial species by multilocus variable number of tandem repeat analysis (MLVA)</title><secondary-title>FEMS Immunol Med Microbiol</secondary-title></titles><periodical><full-title>FEMS Immunol Med Microbiol</full-title></periodical><pages>22-7</pages><volume>49</volume><number>1</number><edition>2007/02/03</edition><keywords><keyword>Bacillus anthracis/genetics</keyword><keyword>Bacteria/classification/*genetics/isolation &amp; purification</keyword><keyword>Bioterrorism</keyword><keyword>DNA, Bacterial/*genetics</keyword><keyword>Genome, Bacterial</keyword><keyword>Humans</keyword><keyword>*Minisatellite Repeats</keyword><keyword>Mycobacterium tuberculosis/genetics</keyword><keyword>Staphylococcus aureus/genetics</keyword></keywords><dates><year>2007</year><pub-dates><date>Feb</date></pub-dates></dates><isbn>0928-8244 (Print)&#xD;0928-8244 (Linking)</isbn><accession-num>17266711</accession-num><urls><related-urls><url>http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&amp;db=PubMed&amp;dopt=Citation&amp;list_uids=17266711</url></related-urls></urls><electronic-resource-num>FIM173 [pii]&#xD;10.1111/j.1574-695X.2006.00173.x</electronic-resource-num><language>eng</language></record></Cite></EndNote>(24).
قدرت تفکیک و تمایز: قدرت تفکیک و تمایز در اصطلاح به توانایی یک تکنیک در تمایز دو ایزوله ی غیر مرتبط( که به صورت تصادفی از یک جمعیت باکتریایی جدا شده است)، گفته می شود. برای محاسبه ی قدرت تفکیک و تمایز از ضرایب گوناگونی استفاده می شود که از این ضرایب می توان به ضریب تنوع سیمپسون و ضریب هانتر- کاتسون اشاره نمود. عددی که توسط این ضرایب محاسبه می شود، چیزی بین صفر و یک می باشد. عدد صفر نشان دهنده ی عدم تنوع است و عدد یک نشان دهنده ی حداکثر میزان تنوع می باشد. تکنیک ژنوتایپینگی که قدرت تفکیک و تمایز آن، حداقل 0.95 یا بلالاتر باشد، یک تکنیک مناسب و ایده آل می باشد. قدرت تفکیک و تمایز تکنیک های ژنوتایپینگ همچون ERIC- PCR، REP- PCR و RAPD-PCR بسیار کمتر از MLST، PFGE و MLVA می باشد. قدرت تفکیک وتمایزMLVAاگرازPFGE وMLST بالاتر نباشد، کمتر هم نمی باشد ADDIN EN.CITE <EndNote><Cite><Author>van Belkum</Author><Year>2007</Year><RecNum>275</RecNum><record><rec-number>275</rec-number><foreign-keys><key app="EN" db-id="xa9fwp9zve5xaeexdvip992ct2twzevw29zw">275</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>van Belkum, A.</author></authors></contributors><auth-address>Department of Medical Microbiology and Infectious Diseases, Rotterdam, The Netherlands. a.vanbelkum@erasmusmc.nl</auth-address><titles><title>Tracing isolates of bacterial species by multilocus variable number of tandem repeat analysis (MLVA)</title><secondary-title>FEMS Immunol Med Microbiol</secondary-title></titles><periodical><full-title>FEMS Immunol Med Microbiol</full-title></periodical><pages>22-7</pages><volume>49</volume><number>1</number><edition>2007/02/03</edition><keywords><keyword>Bacillus anthracis/genetics</keyword><keyword>Bacteria/classification/*genetics/isolation &amp; purification</keyword><keyword>Bioterrorism</keyword><keyword>DNA, Bacterial/*genetics</keyword><keyword>Genome, Bacterial</keyword><keyword>Humans</keyword><keyword>*Minisatellite Repeats</keyword><keyword>Mycobacterium tuberculosis/genetics</keyword><keyword>Staphylococcus aureus/genetics</keyword></keywords><dates><year>2007</year><pub-dates><date>Feb</date></pub-dates></dates><isbn>0928-8244 (Print)&#xD;0928-8244 (Linking)</isbn><accession-num>17266711</accession-num><urls><related-urls><url>http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&amp;db=PubMed&amp;dopt=Citation&amp;list_uids=17266711</url></related-urls></urls><electronic-resource-num>FIM173 [pii]&#xD;10.1111/j.1574-695X.2006.00173.x</electronic-resource-num><language>eng</language></record></Cite></EndNote>(24).
پایداری: پایداری ماکر هایی که برای ژنوتایپینگ استفاده می گردند، از اهمیت ویژه ای برخوردار می باشد. این مارکر ها زمانی قابل اطمینان هستند که در هر سویه ی باکتریایی به سرعت دچار تغییرنشوند.این مارکرهانبایددرجداسازی اولیه هر ایزوله، نگهداری و کشت مجدد این ایزولهها تغییر پیدا کنند. تنها مسئله ای که غیر قابل اجتناب است این موضوع می باشدکه همیشه ماشاهدنوترکیبی ها و جهش ها در جمعیت های باکتریایی هستیم. مارکر هایی که برای MLVA انتخاب می شود همان توالی های VNTR می باشد. VNTR ها دارای پایداری قابل توجهی هستند در نتیجه MLVA می تواند با سایر روش ها مثل PFGE و MLST رقابت کند. حال باید به این نکته توجه داشته باشیم که هر چقدر اندازه ی توالی های VNTR، بزرگتر باشد، سرعت تکامل در آنها کمتر می باشد و در نتیجه میزان تنوع آنها نیز پایین تر است و نمی توانند به سرعت دچار تغییر شوند. بر عکس این موضوع نیز وجود دارد، اگراندازه ی توالیهایVNTR،کوچک باشد، سرعت تکامل در آنها بیشتر می باشد و در نتیجه میزان تنوع این توالی ها بالاتر است و به همین دلیل سرعت تغییر در آنها نیز بالاتر می باشد. آنچه در MLVA دارای اهمیت می باشد، نوع انتخاب مارکرها می باشد. از مارکرهایی با اندازه ی تکرار بزرگتر در بررسی های اپیدمیولوژیکی استفاده می گردد. از مارکرهایی با اندازه تکرار کوتاه تر برای ژنوتایپینگ و تمایز باکتری های مونومورفیک مثل سالمونلا انتریکا سرووار اینفنتیس، سالمونلا انتریکا سرووار تایفی، سالمونلا انتریکا سرووار انتریتیدیس، مایکو باکتریوم توبرکلوزیس، شیگلا سونئی و اشرشیا کلی انترو هموراژیک O157:H7 استفاده می گرددPEVuZE5vdGU+PENpdGU+PEF1dGhvcj52YW4gQmVsa3VtPC9BdXRob3I+PFllYXI+MjAwNzwvWWVh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==
ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj52YW4gQmVsa3VtPC9BdXRob3I+PFllYXI+MjAwNzwvWWVh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==
ADDIN EN.CITE.DATA (24, 29, 30).
1-4- اهداف پایان نامه
1-4-1- هدف علمی پایان نامه
ژنوتایپبنگ سویه های سالمونلا انتریکا سرووار انتریتیدیس جدا شده از نمونه های بالینی در تهران بر پایه روشMultilocus VNTR Analysis( MLVA)
1-4-2- اهداف جزئی
تعیین هویت و بررسی تنوع اللی در هر لوکوس VNTR در جمعیت سویه های سالمونلا ی مورد نظر
انتخاب پرایمر مناسب جهت الل ها برای انجام PCR
انجام PCR برروی ژن ها و پرایمر انتخابی
آنالیز و بررسی داده ها
1-4-3- اهداف کاربردی
بکارگیری یک روش سریع، کم هزینه و ارزشمند جهت ژنوتایپینگ برای بررسی و شناسایی میکروارگانیسم ها در زمینه پیشگیری و کنترل عفونت ها
1-5- فرضیه ها
لوکوسهایVNTR در سویه های سالمونلا انتریکا سرووار انتریتیدیس از تنوع بالایی برخوردارند
سویه های سالمونلا از نظر ژنوتیپ با روش MLVA قابل طبقه بندی هستند.
1-6- سئوالات
آیا لوکوس های VNTR در سویه های سالمونلا انتریکا سرووار انتریتیدیس از تنوع بالایی برخورد دارند؟
آیا سویه های سالمونلا از نظر ژنوتیپ با روش MLVA قابل طبقه بندی هستند؟
1-7- ضرورت انجام تحقیق
چون روش های مولکولی زیادی نظیر PFGE، MLST و MLVA و غیره جهت ژنوتایپینگ سویه های سالمونلا وجود دارد، MLVA نسبت به سایر روش ها نظیر PFGE از نظر اقتصادی مقرون به صرفه بوده و با امکانات کمی( PCR و الکتروفورز) قابل انجام است.
1-8- جنبه جدید بودن و نوآوری تحقیق
از آنجاییکه از این تکنیک برای ژنوتایپینگ سالمونلا در کشور استفاده نشده است لذا برای اولین بار قصد داریم سویه های سالمونلا انتریکا سرووار انتریتیدیس را با این روش دسته بندی نمائیم.
1-9- واژه نامه ها و اصطلاحات فنی
ژنوتایپینگ باکتری ها: نوعی روش مولکولی که برای طبقه بندی و دسته بندی ایزوله ها یا سویه های یک گونه ی باکتریایی خاص برای مطالعه ی روابط تکاملی یا قرابت ژنتیکی بین آنها استفاده می شود.
VNTR: VNTR در اصطلاح به تکرار های پشت سرهم با تعداد متغییر گفته می شود. این توالی ها معادل ماهواره ها در ژنوم می باشند.
MLVA( آنالیز چند لوکوسی تکرار های پشت سرهم): نوعی تکنیک مولکولی می باشد که برای ژنوتایپینگ باکتری ها استفاده می شود. این تکنیک مبتنی بر PCR بوده و اساس آن VNTR ها می باشد.
پروفایل اللی: پروفایل اللی در اصطلاح به مجموعه ی تعداد تکرار های VNTR می گوند برای مثال سویه ی شماره یک با پروفایل اللی 2-3-5-6-7-4-1 و سویه ی شماره ی دو با پروفایل اللی 3-2-4-5-4-7-1

Text of Final Project -فایل پروژه - ریسرچ-.Pdf)

-1-2-4 دادههای آموزشی و آموزش شبکه عصبی.48
-2-2-4 تست شبکه عصبی تخمینگر50
-3-4 نتایج 51...................................................................
-1-3-4 نمونههایی از نتایج شبکه عصبی تخمینگر53
-2-3-4 بررسی تحلیلی نتایج .89
فصل پنجم: نتیجهگیری و پیشنهادات ...97
ضمیمهها100
ضمیمهالف- طرحهای بکار گرفته شده برای شبیهسازی ژنراتور سنکرون101
ضمیمهب- نمودار پارامترهای بکار گرفته شده در شبیهسازی ژنراتور سنکرون..105
منابع و ماخذ.110
6
فهرست جدول ها
عنوان شماره صفحه
1-2 : مراتب مختلف مدلهای ژنراتور سنکرون 24
1-4 : فهرست پارامترهای دینامیکی ژنراتورهای سنکرون 38
2-4 : نتایج شبکه عصبی در دوره آموزش و تست از دیدگاه فراوانی خطا 81
3-4 : نتایج شبکه عصبی در دوره آموزش و تست از دیدگاه دامنه خطا 82

7
فهرست شکلها
عنوان شماره صفحه
: 1-1 نمای کلی فرایند ارزیابی و بهبود سیستمهای قدرت 3
: 1-2 مدارهای استاتور و روتور ماشین سنکرون 9
:2-2 مدار معادل ماشین بر اساس تئوری پارک 13
:3-2 توزیع شار در ماشین سنکرون طی دورههای زیرگذرا، گذرا و ماندگار 18
:4-2 مدار معادل ژنراتور سنکرون در حالت ماندگار 19
:5-2 مدار معادل ماشین سنکرون در دوره گذرا 20
:6-2 مدار معادل ماشین سنکرون طی دوره زیر گذرا 20
:7-2 مدار معادل ماشین جهت استخراج ثابت زمانی های گذرای مدار باز 21
: 8-2 مدارمعادل ماشین جهت استخراج ثابت زمانی های زیر گذرای مدار باز 22
: :1-4 طرح کلی سلول عصبی انسان 32
:2-4 شکل کلی سلول عصبی مصنوعی 33
:3-4 ساختار شبکه عصبی توسعه یافته 33
:4-4 شکل کلی روش تهیه اطلاعات بهرهبرداری ژنراتورهای سنکرون 35
:5-4 آلگوریتم آموزش شبکه عصبی 36
:6-4 طرح کلی روش تست و بهرهبرداری از شبکه عصبی 37
:7-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xd" 39
:8-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 39
:9-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 40
:10-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd" 40
:11-4 هیستوگرام خطای شبکه عصبی در مرحله تست 41
:12-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 41
:13-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd" 42

8
:14-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 42
:15-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 43
:16-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd" 43
:17-4 هیستوگرام خطای شبکه عصبی در مرحله تست 44
:18-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 44
:19-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd" 45
:20-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 45
:21-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 46
:22-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd" 46
:23-4 هیستوگرام خطای شبکه عصبی در مرحله تست 47
:24-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 47
:25-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xq" 48
:26-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 48
:27-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 49
:28-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq" 49
:29-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 50
:30-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 50
:31-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq" 51
:32-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 51
:33-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 52
:34-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین xq" 52
:35-4 هیستوگرام خطای شبکه عصبی در مرحله تست 53
:36-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 53
:37-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq" 54
:38-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 54
:39-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 55
9
:40-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq" 55
:41-4 هیستوگرام خطای شبکه عصبی در مرحله تست 56
:42-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 56
:43-4 نمودار خروجی شبکه عصبی درفرایند برای تخمین Td" 57
:44-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 57
:45-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 58
:46-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td" 58
:47-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 59
:48-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 59
:49-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td" 60
:50-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 60
:51-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 61
:52-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td" 61
:53-4 هیستوگرام خطای شبکه عصبی در مرحله تست 62
:54-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 62
:55-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td" 63
:56-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 63
:57-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 64
:58-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td" 64
:59-4 هیستوگرام خطای شبکه عصبی در مرحله تست 65
:60-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 65
:61-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین Tq" 66
:62-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 66
:63-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 67
:64-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq" 67
:65-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 68
10
:66-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 68 :67-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq" 69 :68-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 69 :69-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 70 :70-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین Tq" 70 :71-4 هیستوگرام خطای شبکه عصبی در مرحله تست 71 :72-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 71 :73-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq" 72 :74-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 72 :75-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 73 :76-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq" 73 :77-4 هیستوگرام خطای شبکه عصبی در مرحله تست 74 :78-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 74 ض-:1 طرح شبیه سازی ژنراتور سنکرون متصل به شین بینهایت با اغتشاش تغییر 88 ناگهانی تحریک ض-:2 طرح شبیه سازی ژنراتور سنکرون متـصل بـه شـین بینهایـت بـا اغنـشاش 89 اتصالکوتاه درترمینال ژنراتور ض-:3 طرح شبیه سازی ژنراتور سنکرون متصل به شین بینهایت با اغتشاش تغییر 90 ناگهانی توان ورودی ض-:4 تغییرات مقادیر Xd بکار گرفته شده 92 ض-:5 تغییرات مقادیر Xd' بکار گرفته شده 92 ض-:6 تغییرات مقادیر Xd" بکار گرفته شده 92 ض-:7 تغییرات مقادیر Xq بکار گرفته شده 93 ض-:8 تغییرات مقادیر Xq" بکار گرفته شده 93 ض-:9 تغییرات مقادیر Xl بکار گرفته شده 93 ض-:10 تغییرات مقادیر Td' بکار گرفته شده 94 ض-:11 تغییرات مقادیر Td" بکار گرفته شده 94 11
ض-:12 تغییرات مقادیر Tq" بکار گرفته شده 94
ض-:13 تغییرات مقادیر Rs بکار گرفته شده 95
ض-:14 تغییرات مقادیر WR بکار گرفته شده 95
ض-:15 تغییرات مقادیر H بکار گرفته شده 95
12
چکیده پایاننامه:
این پروژه روشی نو را برای بکارگیری رؤیتگرهای شبکه عـصبی در جهـت شناسـایی و تعیـین پارامترهـای دینامیکی ژنراتورهای سنکرون با استفاده از اطلاعات بهرهبرداری ارائه کرده است. اطلاعات بهـرهبـرداری از طریق اندازهگیریهای بلادرنگ بعمل آمده در قبال اغتشاشات حوزه بهرهبرداری فراهم مـیشـود. دادههـای آموزشی مورد نیاز شبکه عصبی از طریق شبیهسازیهای غیرهمزمـان بهـرهبـرداری از ژنراتـور سـنکرون در محیط یک ماشین متصل به شین بینهایت فراهم شده است. مقـادیر نمونـه ژنراتورهـای سـنکرون در مـدل مذکور بکار گرفته شدهاند. شبکه آموزش دیده در قبال اندازهگیریهای بلادرنگ شبیهسازی شـده در جهـت تخمین پارامترهای دینامیکی ژنراتورهای سنکرون تست شده است. مجموعه نتایج بدست آمده نشان دهنـده قابلیتهای نوید بخش شبکه عصبی مصنوعی در حوزه تخمین پارامترهای دینامیکی ژنراتورهـای سـنکرون، بصورت بلادرنگ و با استفاده از اطلاعات بهرهبرداری میباشد. اگرچه برای دست یـابی بـه خطـای تخمـین قابل قبول در مسیر شناسایی کلیه پارامترهای دینامیکی ژنراتورهای سنکرون، پارهای اصلاحات ضروری بـه نظر میرسد. در نگاه کلّی این اقدامات تکامل بخش را میتوان به دو مجموعه: پیشنهادات مربوط به اصـلاح شبکه عصبی رؤیتگر در حوزه شبیهسازی و آموزش و بخش دیگر را به عنوان گامهای تکاملی تلقی نمود، که سازماندهی این گامها در مبادی ورودی و خروجی شبکه عصبی، زمینه مناسبتـری را بـرای بهـرهگیـری از قابلیتهای آن فراهم خواهد کرد.
کلید واژه:
ژنراتور سـنکرون، پارامترهـای دینـامیکی، شناسـایی بلادرنـگ، شـبکههـای عـصبی مـصنوعی، اطلاعـات بهرهبرداری
13
14
مقدمه:
در سالهای اخیر با پیشرفت سیستمهای کامپیوتری, سیستمهای هوش مصنوعی نیز متولد شده و رشد کرده است. یکی از سیستمهای هوش مصنوعی, شبکه های عصبی مصنوعی هستند. این شبکه ها به علت عواملی چون قطعیت در پاسخ, سادگی در اجرا, قابلیت انعطاف بالا و .... جایگاه ویژه ای را به خود اختصاص داده اند. با توجه به ساختار و کارکرد شبکه های عصبی مصنوعی و اهمیت تعیین پارامترهای دینامیکی اجزاء سیستمهای قدرت از جمله ژنراتورهای سنکرون, بهره گیری از شبکه های عصبی مصنوعی در این حوزه قابل طرح است. از طرف دیگی نتایج ارائه شده از بکار گیری این شبکه ها در حوزه های مشابه, کارکردهای نوید بخشی را نشان می دهد. با توجه به مراتب فوق این پروژه بر آنست تا با طراحی و اجرای طرح شناسایی پارامترهای دینامیکی ژنراتورهای سنکرون با استفاده از شیکه عصبی مصنوعی, قابلیت های این سیستم را در حوزه شناسایی بلادرنگ پارامترهای دینامیکی ژنراتورهای سنکرون نیز بیازماید.
15
فصلاول:

کلیات
16
سیستم های قدرت متشکلند از مجموعه ای از مراکز تولید(نیروگاهها) که توسط شبکه های انتقال و توزیع و تجهیزات حفاظتی و کنترل آن به مراکز مصرف متصل می گردند. وظیفه اصلی یک سیستم قـدرت تولیـد و تامین انرژی الکتریکی مورد نیاز مصرف کنندگان با حفظ شرایط سه گانه:
-1 ارزانی قیمت انرژی
-2 کیفیت بالا
-3 امنیت تامین انرژی میباشد. مراد از امنیت، پیوستگی و تداوم در تولید و تامین انرژی می باشد. عوامل مؤثر در امنیـت عبارتنـد از:
-1 سرمایه گذاری اولیه (تجهیزات سیستم ) -2 روشها و امکانات نگهداری و تعمیرات سیستم قدرت.
همانگونه که در کلیه وسایل و سیستم های غیرالکتریکی همواره دو ویژگی ارزانـی و بـالا بـودن کیفیـت-
امنیت با یکدیگر متعارض و متقابل می باشند در مقوله انرژی الکتریکی و سیستم هـای قـدرت نیـز بهمـان گونه خواهد بود. امنیت یک سیستم قدرت در حقیقت درجه و میدان توانایی آن سیستم در مواجهه با حـوادث
اغتشاشات می باشد . امنیت کلی یک سیستم به دو زیر شاخه:
امنیت دینامیکی
امنیت استاتیکی
قابل تقسیم است. از توانایی سیستم قدرت برای حفظ و نگهداری خود در دوره وقوع اختلال (که خود از سـه دامنه فوق گذرا-گذرا-دینامیک تشکیل شده است) با عنوان امنیت دینامیکی تعبیر مـی گـردد. بـا توجـه بـه اهمیت بسیار زیاد امنیت سیستمهای قدرت، فرایند ارزیابی وبهبود آن همواره مورد توجه مهندسـین طـراح و بهرهبردار بوده، به قسمی که عملیات ارزیابی و بهبود امنیت سیستم های قدرت یکی از وظایف بسیار مهـم و اساسی مراکز کنترل و بهره برداری شبکه های قدرت می باشد. شکل کلی فرایند ارزیـابی و بهبـود سیـستم های قدرت در شکل1-1 بیان شده است. باتوجه به اهمیت امنیت در سیستم های قدرت و همچنین تغییرات مستمری که در حین عملیات بهره برداری 24 ساعته در شبکه اتفاق می افتد ضرورت دارد که دائماً از طرف بهره بردار، عملیات بهره برداری به شکلهای مختلف بر روی سیستم های قدرت اعمال گردد،اما با توجه بـه ویژگی بالا بودن امنیت نباید این عملیات بگونه ای باشدکه سبب بروز اغتشاش در رفتار سیستم و در نتیجـه نقض غرض گردد. از طرفی سیستم قدرت هر کشور منحصر بفرد بوده به قسمی که نمونه دومی نمی تـوان برای آن ایجاد نمود. بنابر این با توجه به ویژگی منحصر بفرد بودن سیستمهای قدرت و ضـرورت اجتنـاب از عملیات بهره برداری بررسی نشده، برای ارزیابی اولیه از نتایج عملیات بهره برداری و یا طراحی ضرورتاً مـی باید از یک نمونه مشابه سیستم قدرت استفاده نمود تا بتوان ابتداً نتایج مانورهای طراحی یا بهـره بـرداری را برآن آزمایش و در صورت اطمینان از بی خطر بودن، نتایج آن مانورها را بر شبکه واقعی اعمال نمود.
17

نمونه مشابه سیستم قدرت را شبیه ساز1 و عملیات آزمایشی بـرروی نمونـه مـشابه را محاسـبات و مطالعـات شبیه سازی2 گویند. فرایند شبیه سازی سیستمهای قدرت فارغ از اینکه دیجیتال باشد یـا آنـالوگ از مراحلـی بدین ترتیب تشکیل شده است:
_1 شناسایی اجزاء سیستم قدرت
_2 ساخت و یا استخراج معادلات حاکم بر اجزاء
_3 ترکیب اجزاء و یا معادلات آنها
_4 حل معادلات با روشهای ریاضی بوسیلهکامپیوتر
_5 استخراج نتایج که در این میان مدلسازی اجزاء سیستم قدرت که همان شناسایی و استخراج معـادلات حـاکم بـر اجـزاء آن
است یکی از قدم های اصلی این فرایند بشمار میرود. به بیان دیگر یک متخـصص شـبکه در روش کـاری خود اولویت بندی هایی دارد که اولین آنها رساندن انرژی الکتریکی تولیدی به مصرف کننده است، در مرحله
دوم به تامین امنیت شبکه اهتمام می ورزد. و نهایتاً تلاش خویش را در جهت بهبود هر چـه بیـشتر کیفیـت انرژی که به مصرف کننده تحویل داده می شود مصروف می دارد. اگر چه بسیاری از اقداماتی که در جهـت امنیت سیستم های قدرت انجام می شود کیفیت توان را نیز ارتقاء می دهد. تامین امنیت سیستم خود شـامل مراحل و اولویتهایی است که اولین گام آن را مقاوم سازی و پایدار سازی شبکه در حالت های گذرا می باشد

1-simulator 2-simulation
18
و دومین گام شامل پایدار سازی دینامیکی شبکه می شود. از دیدگاه فرکانسی می توان حالت هـای گـذرا در شبکه را با نوسانات فرکانس بالا و حالت های دینامیکی آن را با نوسانات فرکانس پایین معرفی کرد. در اکثر شبکه های دنیا خاصه با پیچیده شدن شبکه ها پدیده نوسانات فرکانس پایین مشاهده شده است. ژنراتورهـا به عنوان تولید کننده نقش اصلی در ارتباط با این نوسانات دارند. اینها از نوع نوسان در پارامترها هستند و با اغتشاشات حالتهای گذرا متفاوتند. گاه این اغتشاشات بدون رخ دادن هیچ واقعهای در طی کار معمول شـبکه بوجود می آیند مثلاً با تغییر تپ ترانس درکم باری و مواردی از این قبیل. اگرچه در مرحله بعد از حالت هـای گذرای شبکه (از دیدگاه زمانی) نیز چنین بحثی مطرح می شود. بایـد توجـه داشـت کـه ایـن نوسـانات را در مقایسه با فرکانس شبکه، فرکانس پایین نام نهاده اند. دامنه فرکانسی مطرح از کسر یک تا چند هرتـز اسـت که بطور معمول بازه 0.5-2.5HZ را در بر می گیرند و در موارد حدی 0.1-4HZ می باشد. این نوسانات را به انواع :
-1 محلی
-2 بین ناحیه ای تقسیم کرده اند. که نوسانات یک ماشین نسبت به شبکه بزرگ یا شین بی نهایت متّصل به آن را محلّی نـام
نهاده اند. نوسانات بین ناحیه ای نمونه هایی مانند دو ژنراتور که با خطوطی به هم متصل هستند یا مجموعه دو ناحیه با یکدیگر را در برمی گیرد. از دیدگاه فرکانسی نیز این دو نوع نوسانات دینامیکی باهم تفاوت دارند.
ثابت می شود عامل این نوسانات، مد مکانیکی توربوژنراتور است. همانگونه کـه پـیشتـر توضـیح داده شـد تامین امنیت سیستم های قدرت در برابر نوسانات دینامیکی مانند سایر شاخه ها نیازمند شبیه سازی شبکه از این زاویه دید میباشد. مقادیر پارامترهای دینامیکی اجزاء در این شبیه سازی دارای نقش کلیدی هـستند. بـا توجه به نقش ژنراتور در میان اجزاء شبکه از دیدگاه نوسانات دینامیکی تعیین پارامترهـای آن بـسیار مهـم و تعیین کننده خواهد بود. صحت و دقّت تعیین این پارامترها وابسته است به روش بکار گرفته شده برای بـرای تعیین آنها . این مطالب موجب پیدایش روشهای گوناگون برای تعیین این پارامترها شده است. از طرف دیگـر این پارامترها برای هر ژنراتور مقدار ثابتی نیستند و بخـاطر عـواملی چـون پیرشـدن ژنراتـور، ایجـاد بعـضی خطاهای داخلی و ..... تغییر می کنند. این شرایط موجـب طـرح روشـهای بلادرنـگ1 در تعیـین پارامترهـای دینامیکی ژنراتور سنکرون شده است. از جهت دیگر روش بکارگیری و تبعات عملی یک تکنیک شناسـایی و ملزومات آن نیز حائز اهمیت است. گروهی از این روشها اگر چه نتایج نسبتاً دقیق و قابل اعتمادی نیز فراهم می آورند لیکن به علت خطر های ناشـی از تـست هـای مطـرح در آنهـا (ماننـد آزمـایش اتـصال کوتـاه2 و
باربرداری( 3 و یا ملزوماتشان چون جداسازی ژنراتور از شبکه چندان مطلـوب نیـستند. بعـضی از اجـزاء ایـن گروه روشها به مرور مطرود شده اند. مقالات جدید ارائه شده در سایر اجزاء این گروه با هـدف بهبـود آنهـا و حذف مشکلات مذکور شکل گرفتهاند. دسته دیگر این روشها نمونههـایی هـستند کـه بـا چنـین مـشکلاتی

3-On-Line 4-Short Circuit 5-Load Rejection
19
مواجه نیستند(مانند استفاده از تخمینگر شبکه عصبی مصنوعی.(1 کارهای انجام شده درباره ایـن روشـها در راستای بهبود هرچه بیشتر آنها و یا اطمینان از نتایج حاصله توسط آنها شکل گرفته اند. با توجه بـه مقدمـه ذکر شده ابتداً لازم است کلیات روشهای مدل سازی ژنراتور سنکرون مورد بررسی قرارگیـرد تـا درگـام بعـد نسبت به بررسی روشهای شناسایی پارامترهای آن اقدام شود.

6- Artificial-Neural Network
20
فصل دوم:

مدل سازی ماشین سنکرون
21
-1-2 پیشگفتار:
شبیه سازی رفتار ژنراتورهای سنکرون برای انجام مطالعات گوناگون دینامیکی در سیستمهای قدرت، مستلزم انتخاب یک مدل مناسب جهت مدلسازی ماشین میباشد. مدل ارائه شده برای هر سیستم شامل یک ساختار و تعدادی پارامتر میباشد که جهت پیشگویی رفتار آن سیستم در حالتهای مورد نظر بکار گرفته میشود. مدل مورد استفاده برای یک سیستم باید به سادگی قابل فهم بوده، بکارگیری آن سهل باشد و در عین حال بتواند رفتار سیستم را با دقت و صحت قابل قبولی برای یک محدوده مشخص پیشگویی نماید.
بعبارت بهتر رفتار پیشبینی شده سیستم بواسطه شبیهسازی براساس مدل ارائه شده تا حد قابل قبولی به رفتار واقعی سیستم نزدیک باشد. هر چند این دو خاصیت از مدل یعنی سادگی و واقعی بودن همواره در تضاد با یکدیگر هستند، (یعنی مدلهای واقعی به ندرت ساده هستند و مدلهای ساده به ندرت میتوانند واقعی باشند)، اما میتوان جهت رسیدن به پاسخ دلخواه مصالحهای منطقی مابین این دو خاصیت برقرار کرد. مدل دو محوری پارک از معمولترین و پذیرفتهترین مدلهای ماشین سنکرون میباشد. در این فصل ابتدا اصول مدلسازی ماشین سنکرون براساس تئوری دو محوری پارک به اختصار بررسی میشود، سپس پارامترهای ماشین سنکرون معرفی شده و نحوه محاسبه پارامترها براساس مدل دو محوری پارک و همچنین نحوه مدلسازی ماشین با داشتن پارامترهای آن بررسی میگردد. همچنین در این فصل ارتباط میان مرتبههای مختلف مدل پارک با نوع ژنراتور و نوع مطالعه مورد نظر تشریح میشود.
-2-2 ساختار فیزیکی ماشین سنکرون:
-1-2-2 ساختار روتور و استاتور:
بزرگترین و شاید متداولترین ماشین های الکتریکی که با سرعت سنکرون می چرخند، ماشین های سنکرون سه فاز میباشند. اگرچه ساخت ماشین های سنکرون سه فاز پر هزینه میباشد، اما بازده بالای این ماشینها در قدرتهای بالا بزرگترین مزیت آنها میباشد.
استاتور ماشینهای سنکرون معمولاً متشکل از یک هسته مورق فرومغناطیس با شیارهایی جهت قرار گیری سیم پیچیهای سه فاز گسترده میباشد. روتور ماشین نیز میتواند بصورت قطب برجسته یا قطب صاف ساخته شود. ماشینهای قطب برجسته اغلب به عنوان ژنراتورهای آبی جهت تطبیق سرعت پائین توربین-
های آبی با سرعت سنکرون استفاده میشوند. قطبهای روتور این نوع ماشین به صورت جداگانه ساخته شده و سپس بر روی یک استوانه سوار میشوند. ساختار روتور گرد یا قطب صاف نیز برای کاربردهای سرعت بالا مناسب است. ماشینهای سنکرون با روتور گرد با دو یا چهار قطب به عنوان ژنراتورهای واحدهای بخاری جهت تطابق با سرعت بالای توربین به کار میروند. همچنین در این ماشینها میتوان نسبت قطر به طول روتور را به منظور محدود کردن تنش های مکانیکی ناشی از نیروهای گریز از مرکز کوچک گرفت.
22
-2-2-2 سیمبندیهای ماشین
ماشین سنکرون سه فاز معمولاً متشکل از یک سیم پیچی سه فاز به عنوان آرمیچر و یک سیم پیچی تحریک میباشد که بنام سیم پیچی میدان نیز نامیده میشود. سیمپیچی آرمیچر معمولاً در ولتاژی بسیار بالاتر از ولتاژ تحریک کار میکند و از این رو نیازمند فضایی بیشتر برای عایقبندی مناسب میباشد.
همچنین با توجه به اینکه جریانهای گذرای شدیدی از این سیمپیچیها عبور می کند، باید قدرت مکانیکی کافی داشته باشند. از این رو معمول است که سیمپیچی آرمیچر را بر روی استاتور ماشین قرار دهند. از نظر فضایی سیمپیچیهای سه فاز آرمیچر، 120º با یکدیگر اختلاف مکان دارند و این موضوع سبب میشود که با چرخش یکنواخت روتور و به تبع آن چرخش یکنواخت میدان تحریک، در این سیمپیچیها ولتاژهایی القا شود که از نظر زمانی 120º با یکدیگر اختلاف فاز دارند. سیم پیچی تحریک یا میدان معمولاً بر روی روتور قرار داده میشود. در ماشینهای قطب برجسته معمولاً میله های مسی یا برنجی در سطح قطب جای می-
گیرند که عموماً این میلهها در دوانتها به وسیله حلقههایی به یکدیگر متصل میشوند تا یک قفس سنجابی شبیه آنچه در یک موتور القایی وجود دارد، ساخته شود. مجموعه این میلهها و حلقهها به عنوان سیم پیچی میراکننده میباشند.
روتور ژنراتورهای قطب صاف بصورت استوانهای است که از فولاد یکپارچه ساخته میشود. سیم پیچیهای میدان در این گونه روتورها بصورت یکنواخت در شکافهای بدنه روتور توزیع شدهاند که معمولاً به کمک گوههایی در جای خود محکم میشوند. اغلب در چنین ماشینهایی سیم پیچی میراکننده وجود ندارد، زیرا که روتور یکپارچه فلزی اجازه عبور جریانهای گردابی را فراهم می آورد که تاثیری مشابه جریانهای سیمپیچی-
های میراکننده دارد. برخی از سازندگان تاثیر میرایی بیشتر و قابلیت عبور جریان مولفه منفی را با استفاده از گوههای فلزی مستقر در شکافهای سیمپیچی تحریک (که در انتها به یکدیگر متصل شدهاند) یا با استفاده از میلههای مسی مستقل زیر گوههای نگه دارنده، فراهم میآورند.
-3-2 توصیف ریاضی ماشین سنکرون
-1-3-2 معادلات ریاضی حاکم بر ماشین سنکرون
در این قسمت مدل ریاضی ماشین سنکرون بر اساس تئوری دو محوری بصورت خلاصه پارک تشریح می-
شود. شکل (1-2) مدارهای در نظر گرفته شده برای استاتور و روتور ماشین را نشان میدهد. مدار استاتور شامل یک سیم پیچی سه فاز است و روتور نیز یک سیم پیچی تحریک و یک سیمپیچی میراکننده بر روی محور d و دو سیم پیچی میراکننده بر روی محور q دارد. تعداد سیم پیچیهای میراکننده در نظرگرفته شده به عوامل متعددی از جمله نوع ژنراتور بستگی دارد که در قسمتهای بعدی به آن اشاره خواهد شد. مدل نشان داده شده در شکل (1-2) مدل 2-2 براساس استاندارد IEEE Std 1110 میباشد.
23
i fd d ωr a e fd q ib i1d ikq Ψb Ψa θ eb i1q b a ia ea ec
c

Ψc
ic

شکل :(1-2) مدارهای استاتور و روتور ماشین سنکرون
:c , b, a سیم پیچی های سه فاز استاتور : fd سیم پیچی تحریک

: 1d سیم پیچی میرا کننده محور d

1q و : 2q سیم پیچی های میراکننده محور q : ωr سرعت زاویه ای روتور برحسب رادیان بر ثانیه
: θ زاویه مابین محور مغناطیسی روتور و محور مرجع (محور مغناطیسی فاز (a
در بدست آوردن معادلات ماشین سنکرون برای ساده سازی فرضیات زیر درنظر گرفته میشود:
الف ) شکافهای موجود بر روی سطح داخلی استاتور تاثیر قابل توجهی بر اندوکتانسهای روتور درحال حرکت ندارند.
) پسماند مغناطیسی آهن استاتور و روتور قابل صرف نظر کردن است.
) از نظر تاثیر متقابل استاتور و روتور، سیم پیچیهای استاتور بصورت سینوسی در امتداد فاصله هوایی
توزیع شدهاند.
هر چند در مدل ارائه شده اثر اشباع مستقیماً منظور نشدهاست، اما با تصحیح راکتانسهای دو محور با استفاده از ضرایب اشباع و یا با داخل کردن مولفههای جبرانکننده درتحریک میدان اصلی، پدیده اشباع نیز لحاظ میشود.
با فرض حالت ژنراتوری معادلات ولتاژ مربوط به سیم بندی های استاتور و روتور را میتوان به شکل روابط
(1-2) و (2-2) نوشت.
Ψs d vs  −is Rs  dt (1-2) d vr  −ir Rr  Ψr dt که در آن :
24
vs  v a vb vc t vr  v f v1d v1q v2q t is  i a ib ic t ir  i f i1d i1q i2q t Ys  Ya Yb Yc t Yr  Y f Y1d Y1q Y2q t Ra 0 0 0 Rb Rs  0 0 0 Rc Rf 0 0 0 R1d Rr  0 0 0 0 0 R1q 0 0 0 0 R2q :درک نایب ریز لکش هب ناوت یم ار روتور و روتاتسا یاهرودراش تلاداعم Ψs  Lssis  Lsrir (2-2) Ψ  Lt .i  L i r sr srr r : نآ رد هک
Lss  − −

Lls  L0 − Lms cos 2θr 1 L0 − Lms cos 2(θr − π 1 L0 − Lms cos 2(θr  π − 3 ) − 3 ) 2 2 1 π 2π 1 2 L0 − Lms cos 2(θr − 3 ) Lls  L0 − Lms cos 2(θr − 3 ) − 2 L0 − Lms cos 2(θr −π) 1 L0 − Lms cos 2(θr  π 1 L0 − Lms cos 2(θr  π) Lls  L0 − Lms cos 2(θr  2π ) − ) 2 3 2 3 25
0 0 L f 1d Llf  L f 0 0 L L L  L 1d l1d 1df L1q 2q Ll1q  L1q 0 0 rr Ll 2q  L2q L2q1q 0 0 Ls 2q cosθr Ls1q cosθr 2π Ls 2q cos(θr − 2π ) ( cos(θr − 3 3 2π Ls 2q cos(θr  2π ) 3 ( 3 cos(θr 
s1q
s1q

L L

Ls1d sin θr
Ls1d sin(θr − 23π )

Ls1d sin(θr  23π )

Lsf sin θr 2π t ( − r sin(θ sf L  rs L sr L 3 ( 2π sin(θr  Lsf 3 با استفاده از دسته معادلات (2-1) و((2-2 میتوان بطور کامل ماشین سنکرون را بررسی نمود. اما همچنانکه در این معادلات نیز دیده میشود، معادلات دارای عباراتی هستند که با θ تغییر میکنند. با توجه به اینکه θ نیز تابعی از زمان میباشد، این موضوع سبب پیچیدهتر شدن تحلیل ماشینهای سنکرون می-
شود. میتوان با تبدیل مناسبی متغیرهای استاتور را به شکل سادهتری درآورد. این تبدیل به نام تبدیل پارک معروف است. تبدیل پارک به صورت رابطه (3-2) میباشد.
2π cos(θ  Sa ) 3 (3-2) Sb ) 2π −sin(θ  3 1 Sc 2
( 2π − cos(θ cosθ 3 2 2π 3 ) −sin(θ − 3 −sinθ 1 1 2 2
Sd
Sq S0
که S میتواند هر کدام از متغیرهای ولتاژ، جریان یا شاردور ماشین باشد. عکس تبدیل پارک نیز بصورت رابطه (4-2) بیان میشود.
1 −sinθ Sd 2 (4-2) Sq 1 ( 2π −sin(θ − 2 3 S0 1 ( 2π −sin(θ  2 3
cosθ 2π 2 ( cos(θ − 3 3 ( 2π cos(θ  3
Sa
Sb Sc
با اعمال تبدیل، معادلات حاکم بر ماشین و متغیرهای متناظر بسیار ساده میشوند. این ساده شدن در دو مفهوم کلیدی زیر ریشه دارد:
الف: با اعمال این تبدیل در شرایط بهرهبرداری عادی و حالت ماندگار تمامی جریانها و شارهای سیم-
پیچیهای استاتور و روتور دارای مقدار ثابتی خواهند بود.
26
ب: با انتخاب دو محور d و q که 90درجه اختلاف فاز دارند، شارهای تولید شده توسط جریانها بر روی یک محور هیچ پیوندی با شارهای محور دیگر نخواهند داشت. بنابراین دو دسته متغیر متعامد بدست خواهد آمد که این موضوع باعث ساده سازی بسیاری خواهد شد، زیرا هم باعث ساده سازی مقادیر راکتانسها میشود و هم می توان مدار معادل ماشین را بصورت دو مدار مستقل از هم در نظر گرفت.
معادلات نهایی پریونیت شده در دستگاه مرجع روتور به شکل روابط (5-2) و (6-2) میباشند. جزئیات بدست آوردن این معادلات در مراجع مختلف تشریح شدهاست و در اینجا از تکرار مجدد آن خودداری می-
شود. باداشتن روابط فوق، رفتار الکتریکی ماشین شبیه سازی می شود.
(5-2)
(6-2)

Yd 1 d Yq + wr V d = - i d Ra - w0 dt w0 Y d 1 Y + wr + a R q = - i q V q w0 dt d w0 Yfd 1 d efd = i fd Rfd + w0 dt Y d 1 + 1d R 1d 0 = i 1d w0 dt Y d 1 + 1q R 1q 0 = i 1q w0 dt Y2q d 1 0 = i 2q R 2q + w0 dt id Xad Xad Xl  Xad 1 Yd i fd Xad Xlf  Xad Xad  Yfd Xad Xad W0 Xl1q  Xad i1d Y1d i Xaq Xaq Xl  Xaq Yq i q Xaq Xl1q  Xaq Xaq 1  Y1q W 1q Xaq Xaq 0 Xl2q  Xaq i2q Y 2q x 0i 0 1 Y0 = - w0 براساس روابط ولتاژ و شار ارائه شده میتوان مدار معادل ماشین سنکرون را بدست آورد. این مدار درشکل
(2-2) نشان داده شده است.
27

الف: محور طولی،

ب: محور عرضی، q
xl i 0 R0
+
V 0
ج: محور صفر

-
شکل :(2-2) مدار معادل ماشین بر اساس تئوری پارک
-2-3-2 معادلات حرکت
معادلات حرکت معادلاتی هستند که اهمیت اساسی در مطالعات پایداری سیستمهای قدرت دارند. این معادلات که بعنوان معادلات لختی چرخشی نیز نامیده میشوند، تاثیر عدم تعادل بین گشتاور الکترومغناطیسی و گشتاور مکانیکی ماشین سنکرون را بیان مینمایند. در این بخش نیز معادلات حاکم بدون ذکر جزئیات بیان میشوند که برای دسترسی به جزئیات کامل میتوان به مراجع مختلف موجود مراجعه نمود.
زمانی که عدم تعادل بین گشتاورهای اعمال شده بر روی روتور وجود داشته باشد، گشتاور خالص اعمال شده، باعث شتاب گرفتن (یا کندشدن حرکت) روتور میشود. این گشتاور برابر است با:
Ta  Tm −Te(5-2)
: Ta گشتاور شتاب دهنده برحسب N.m
28
: Tm گشتاور شتاب مکانیکی برحسبN.m : Te گشتاور الکترومغناطیسی برحسب N.m معادله حرکت نیز به صورت رابطه (6 - 2) میباشد: (6-2) TaTm−Te dωr J dt در شبیه سازیهای ماشین سنکرون معمولاً شارها به عنوان متغیرهای حالت فرض میشوند. در این صورت توان الکتریکی ماشین در مبنای واحد به شکل رابطه (7-2) خواهد بود.
Pe ωr (ψd iq −ψqid )(7-2)
با تقسیم رابطه توان الکتریکی بر سرعت مکانیکی روتور، رابطه گشتاور الکترومغناطیسی به شکل رابطه -2) (7 در میآید :
Te ψd iq −ψqid(8-2)
-4-2 پارامترهای ماشین سنکرون
در معادلات حاکم بر ماشین سنکرون که در قسمت 3-2 ارائه شد، اندوکتانسها و مقاومتهای مدارهای استاتور و روتور به صورت پارامتر ظاهر شدند. این پارامترها موسوم به پارامترهای اصلی یا اساسی ماشین هستند و بصورت اجزای مدارهای معادل دو محور d و q در شکل (2-2) قابل تشخیص هستند. هر چند این پارامترها بطور کامل مشخصههای الکتریکی ماشین را بیان میکنند، اما آنها را نمیتوان از عکسالعملهای قابل اندازهگیری ماشین مستقیماً بدست آورد. از اینرو، روش مرسوم در تعیین اطلاعات ماشین این است که آنها را برحسب پارامترهایی بیان میکنند که از رفتار قابل مشاهده ماشین در پایانههای آن قابل تشخیص بوده و تحت آزمایشهای مناسب، قابل اندازهگیری هستند. در این قسمت انواع پارامترهای ماشین و ارتباط آن با پارامترهای اساسی مورد بررسی قرار میگیرد.
-1-4-2 پارامترهای اساسی ماشین
پارامترهای اساسی ماشین یا پارامترهای مدار معادل، از اعمال تبدیل پارک بر روی معادلات حوزه زمان ماشین سنکرون بدست میآیند و مشخص کننده عناصر مدارهای معادل محورهای طولی و عرضی ماشین هستند. تعداد این پارامترها با مرتبه مدل تغییر میکنند. از مشکلات عمده کار با این پارامترها، مشخص نبودن دقیق مقدار همگی آنها است. بعبارت دیگر روشی برای تعیین مقادیر دقیق این پارامترها بصورت یک-
جا وجود ندارد و روشهای موجود همگی مقادیر تقریبی مربوط به این پارامترها را بدست می دهند.
29
بعنوان نمونه اگر مدل 2-2 استاندارد IEEE Std1110 که در شکل (1-2) نشان داده شدهاست را درنظر بگیریم، کلیه عناصر مداری که در شکل نشان داده شدهاند، پارامترهای مدار معادل بوده و به راحتی قابل محاسبه و اندازهگیری نمیباشند. حتی بعضی از آنها مخصوصاً بعضی از پارامترهای برخی از شاخههای مدار محور q وجود فیزیکی خارجی نداشته و صرفاً جهت مدل سازی رفتار ماشین در نظر گرفته میشوند.
-2-4-2 پارامترهای عملیاتی
همانگونه که از نام این پارامترها پیداست، پارامترهای عملیاتی، ماشین سنکرون را از دید سیستمی بیان می-
کنند و معین کننده رابطه ورودی و خروجی ماشین سنکرون هستند. در این حالت تغییرات شار محور طولی و عرضی، تغییرات جریان محورهای طولی و عرضی و تغییرات ولتاژ سیستم تحریک بعنوان ورودی یا خروجیهای سیستم در نظرگرفته شده و با استفاده از پارامترهای عملیاتی این ورودیها و خروجیها به یکدیگر مرتبط میشوند.
در شکل عملیاتی, معادلات روتور را میتوان به صورت سیستمی با پارامترهای گسترده محسوب کرد. این پارامترها را می توان از طریق محاسبات طراحی و یا آسانتر از طریق آزمایش پاسخ فرکانسی بدست آورد.
زمانیکه تعداد محدودی مدار برای روتور در نظر گرفته شود، می توان این پارامترها را بصورت نسبت دو چند جملهای برحسب S (عملگر لاپلاس) بیان نمود. درجه چند جملهای مخرج حداکثر برابر تعداد مدارهای فرض شده بر روی روتور است. پارامترهای عملیاتی نسبت به پارامترهای مدار معادل کاربرد بیشتری داشته و به ماشین وجهه سیستمی میدهند. این پارامترها درحقیقت مشخصههای فرکانسی ماشین سنکرون هستند و عبارتند از یک دسته منحنیهای مشخصه یا روابط تحلیلی که رابطه بین امپدانس مختلط (یا عکس آن) را نسبت به لغزش در فرکانس نامی مشخص مینمایند. در زیر سه مشخصه فرکانسی مهم ماشین معرفی می شوند .
الف ) امپدانس عملیاتی محور طولی ( ( Zd(s)
این مشخصه بصورت نسبت بین دامنه مولفه اصلی و ماندگار ولتاژ آرمیچر (ناشی از مولفه محور طولی جریان آرمیچر) به دامنه مولفه اصلی و مختلط این جریان که بصورت تابعی از فرکانس بیان میشود، تعریف شده و آن را Zd(s) مینامند. این مشخصه را در حالتی که سیم بندی میدان اتصال کوتاه گردیده است، برای فرکانسهای مختلف اندازهگیری مینمایند.
ب) امپدانس عملیاتی محور عرضی ( ( Zq(s)
این مشخصه بصورت نسبت بین دامنه مولفه اصلی ولتاژ آرمیچر تولید شده توسط شار مغناطیسی محور عرضی ناشی از مولفه جریان آرمیچر در جهت محور عرضی به دامنه مولفه اصلی این جریان تعریف شده و بر حسب تابعی از فرکانس(لغزش) بیان میگردد.
ج) مشخصه فرکانسی G(s) بین سیم بندی میدان و آرمیچر
30
این مشخصه به صورت نسبت بین دامنه مولفه اصلی ولتاژ آرمیچر ناشی از جریان سیمبندی میدان در فرکانسهای مختلف به دامنه مولفه اصلی ولتاژ اعمالی در سیم بندی میدان تعریف میگردد.
-3-4-2 پارامترهای دینامیکی
این پارامترها به لحاظ سابقه، اهمیت و کاربرد فراوان آنها پارامترهای استاندارد ماشین نامیده میشوند، اما از آنجائیکه بیشتر حالتهای گذرا و دینامیکی ژنراتور را مدنظر دارند، به آنها پارامترهای دینامیکی نیز اطلاق می شود. یکی از دلایل اهمیت این پارامترها، قابلیت تشخیص و اندازهگیری آنها میباشد. این پارامترها را میتوان با استفاده از آزمایشهای خاصی که بعضی استانداردها نیز به آن اشاره دارند، مستقیماً بدست آورد. با استفاده از این پارامترها میتوان ژنراتور سنکرون را بویژه در حالات گذرا و دینامیکی تحلیل نمود. آزمایشات مربوط به استخراج این پارامترها سابقه نسبتاً زیادی دارد. تقسیم بندی این پارامترها که شامل اندوکتانسها و ثابت زمانیها هستند، به صورت پارامترهای دینامیکی محور طولی،محور عرضی همچنین پارامترهای
تندگذر و کندگذر میباشند که بسته به نوع تحلیل، جهت بررسی یک پدیده، پارامترهای مورد نیاز متفاوت
خواهد بود. این پارامترها بطور خلاصه شامل راکتانسهای سنکرون ( X q , X d )، راکتانسهای تندگذر و کندگذر محورهای طولی و عرضی( ( X ′q′, X ′d′, X ′q , X ′d ثابت زمانیهای کندگذر و تندگذر مدار باز محورهای طولی و عرضی ( ( T ′′qo ,T ′′do ,T ′qo ,T ′do و ثابت زمانیهای کندگذر و تندگذر اتصال کوتاه محورهای طولی و عرضی ( ( Tq′′,Td′′,Tq′,Td′ می باشند.
-5-2 محاسبه پارامترهای دینامیکی ماشین سنکرون بر اساس پارامترهای
اساسی ماشین
در محاسبه مقادیر اولیه شارهای گذرا در مدارهای تزویج شده از تئوری ثابت بودن شار دور استفاده میشود.
این تئوری بطور خلاصه عبارتست از اینکه شاردور مدار القائی با مقاومت و emf کوچک نمیتواند بطور لحظهای تغییر یابد. در حقیقت اگر emf یا مقاومتی در مدار موجود نباشد، شاردور آن ثابت خواهد ماند. این تئوری را میتوان در محاسبه جریانها بلافاصله بعد از تغییر شرایط مدار برحسب جریانهای قبل از تغییر استفاده کرد. هنگامی که یک اغتشاش همانند اتصال کوتاه در سمت استاتور ماشین اتفاق میافتد، شار استاتور تغییر میکند. پاسخ ماشین به اغتشاش براساس نحوه تغییرات جریانها و شارها عموماً به سه دوره زیرگذرا، دوره گذرا و ماندگار تقسیم میشود. در دوره زیرگذرا تغییر در جریان سیمپیچیهای میراکننده مانع از نفوذ شار ایجاد شده توسط استاتور به روتور میگردد. با کاهش جریان سیم پیچیهای میراکننده، دوره گذرا آغاز میشود که در آن تغییر جریانهای سیمپیچی میدان همان اثر را، اما ضعیفتر خواهد داشت. در نهایت در حالت ماندگار شار ایجاد شده استاتور به داخل روتور نفوذ خواهد کرد. شکل (3-2) توزیع شار در دورههای زیر گذرا، گذرا و ماندگار ماشین پس از وقوع یک اغتشاش سمت استاتور را نشان میدهد که بر اساس مسیر شار در هر یک از این حالتها میتوان راکتانسهای سنکرون، گذرا و زیرگذرای ماشین را تعریف کرد.
31

دوره زیرگذرا

دوره گذرا

حالت ماندگار

25%

25%

90 9090

90 9090

25%
25%
شکل (3-2) توزیع شار در ماشین سنکرون طی دورههای زیرگذرا، گذرا و ماندگار
در این قسمت نحوه محاسبه پارامترهای دینامیکی ماشین سنکرون برحسب پارامترهای اساسی یا همان پارامترهای مدار معادل ماشین تشریح میشود. همچنین مدار معادل ماشین برای هر یک حالتهای ماندگار، گذرا و زیرگذرا ارائه میشود. مدل در نظر گرفته شده برای ژنراتور بر اساس استاندارد IEEE Std1110،
32
مدل 2-2 میباشد. در صورت استفاده از مدلهایی با مرتبه متفاوت، رابطه پارامترهای دینامیکی تغییر یافته اما نحوه محاسبه آنها بصورت مشابه میباشد.
-1-5-2 محاسبه راکتانسهای ماشین
الف – راکتانسهای سنکرون
معمولاً اندوکتانس را به عنوان نسبت شاردور به جریان تعریف می کنند. وقتی که قله mmf گردان در امتداد محور d قرار گرفت، نسبت شاردور استاتور به جریان استاتور اندوکتانس محور (Ld) d نامیده میشود.
با بدست آمدن اندوکتانسها بدیهی است که راکتانسهای متناظر نیز به سادگی قابل محاسبه هستند.
همچنین وقتی قله mmf گردان در امتداد محور q قرار بگیرد، نسبت شاردور استاتور به جریان آن، اندوکتانس سنکرون محور (Lq) q خواهد بود. شکل (4-2) مدار معادل ماشین در شرایط حالت ماندگار را نشان می دهد.
x fd xl x1q xl i fd i1q  0 x1d X d → x2q X q → xad xaq 0 i i2q  0 1d الف-مدار معادل محور d ب-مدار معادل محورq شکل :(4-2) مدار معادل ژنراتور سنکرون در حالت ماندگار
در حالت ماندگار، راکتانسهای سنکرون محور d و q به ترتیب با توجه به شکل (4-2) محاسبه می شوند.
مقادیر این راکتانس ها در روابط (9-2) و (10-2) ارائه شده است.
(9-2) X d  xl  xad
(10-2) X q  xl  xaq
ب- راکتانسهای گذرا
برای محور مستقیم، با توجه به اینکه مقاومت سیمپیچیهای میراکننده معمولاً بزرگتر از مقاومت سیم بندی میدان میباشد، جریان القایی در این سیم پیچیها بسیار سریعتر از جریانهای القایی در سیم بندی میدان میرا میشود. برای دوره گذرا فرض میشود که حالت گذرای میراکننده با میرایی فوقالعاده زیاد تمام شده است، در حالیکه جریانهای القایی در سیم بندی میدان هنوز برای مخالفت با تغییر شاردور ناشی از جریان-

های استاتور تغییر میکنند. مدارهای معادل ماشین در دوره گذرا مطابق شکل (5-2) می باشد. مدار معادل محور q نیز به طریق مشابه قابل توجیه است.

33
x fd xl Vfd x1d X ′d → xad i1d  0 الف-مدار معادل محور d ب-مدار معادل محورq
شکل :(5-2) مدار معادل ماشین سنکرون در دوره گذرا
براساس مدارهای معادل بدست آمده، راکتانس های گذرای محورهای d و q به شکل روابط (11-2) و(-2 (12 محاسبه می گردند.
(11-2) xad x fd x fd xl  X ′d  xl  xad xad  x fd (12-2) xaq x1q x1q xl  X ′q  xl  xaq x aq x 1q ج-راکتانس های زیر گذرا
در دوره زیرگذرا، جریانهای گذرای القا شده در سیم بندیهای روتور سعی دارند تا شاردور هر یک از مدارهای روتور را در ابتدا ثابت نگه دارند. براین اساس مدارهای معادل محورهای d و q ماشین سنکرون در این حالت مطابق شکل (6-2) میباشد.

الف-مدار معادل محور dب-مدار معادل محورq
شکل :(6-2) مدار معادل ماشین سنکرون طی دوره زیر گذرا
در این حالت برای محور d راکتانس دیده شده معادل سه راکتانس موازی xad ، x fd و x1d میباشد که با xl سری شده است. راکتانس زیر گذرای مدار باز محور q نیز مشابه محور d محاسبه میشود. براساس مدار معادل های ارائه شده، این راکتانس ها طبق روابط (13-2) و (14-2) محاسبه میشوند.
(13-2) xad x fd x1d xl x fd  x1d X ′d′  xl  xad xad x fd  xad x1d  x fd x1d 34
(14-2) xad x fd x1d xl x1d x fd  X ′d′  xl  xad x x x ad x fd x ad x fd 1d 1d -2-5-2 محاسبه ثابت های زمانی ماشین
حضور دو مجموعه سیم بندی برروی روتور، دو مجموعه ثابت زمانی مختلف را سبب شدهاست. مجموعه با مقادیر بزرگتر مربوط به ثابت زمانیهای گذرا و مجموعه با مقادیر کوچکتر مربوط به ثابت زمانیهای زیرگذرا هستند. معمولاً سیم بندیهای میراکننده که مقاومت بیشتری نسبت به سیم بندیهای میدان دارند، با ثابت زمانیهای زیرگذرا متناظرند.
ثابت زمانیهای گذرا و زیرگذرا بر روی محورهای d و q معمولاً در دو حالت تعریف میشوند. در یک حالت که استاتور مدار باز است و ثابت زمانیهای مدار باز تعریف میشود، ( ( T ′′qo ,T ′′do ,T ′qo ,T ′do، و درحالت دیگرسیم پیچی استارتور بصورت اتصال کوتاه فرض می شود( .( Tq′′,Td′′,Tq′,Td′ میتوان نشان داد که نسبت ثابت زمانی گذرای محور d با استاتور اتصال کوتاه به ثابت زمانی گذرای محور d با استاتور مدار باز برابر است با نسبت راکتانس ظاهری که جریان استاتور با سیم بندی میدان اتصال کوتاه شده می بیند، به راکتانسی که جریان استاتور با سیم بندی میدان مدار باز میبیند.
الف -ثابت زمانی های گذرا
مدار معادل ماشین جهت استخراج ثابت زمانیهای گذرای مدار باز محور d و q در شکل (7-2) نمایش داده شدهاست.

دانلود پایان نامه ارشد- مقاله تحقیق

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : homatez.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

Rfd
′ T do ← R1d
i1q=0
xfd
Rsxl
x1d
xad
الف :
محور dب: محورq
شکل :(7-2) مدار معادل ماشین جهت استخراج ثابت زمانی های گذرای مدار باز
براساس فرضیات فوق و مدارمعادل شکل (7-2) ثابت زمانیهای مدارباز ماشین بصورت روابط (15-2) و
(16-2) بدست می آیند. (15-2) xfdxad 1 T ′do  ω0 R fd (16-2) x1qxaq 1 T ′qo  R ω 0 1q 35
همچنین مقادیر ثابت زمانیهای گذرا با استاتور اتصال کوتاه شده بر اساس روابط (17-2) و (18-2) محاسبه میشوند.
(17-2) x′d  Td′ xd T ′do (18-2) x′q  Tq′ xq T ′qo ب- ثابت زمانیهای زیر گذرا
ثابت زمانی زیرگذرای مدار باز محور d عبارتست از زمان لازم برای کاهش مولفه d جریان به مقدار 1e ام مقدار اولیه خود، هنگامی که در ترمینال ماشینی که با سرعت نامی می چرخد، بطور ناگهانی اتصال کوتاهی رخ دهد. بعبارت دیگر این ثابت زمانی عبارتست از ثابت زمانی جریان سیمبندی میراکننده d وقتی سیمبندی میدان اتصال کوتاه شده و سیمبندیهای استاتور مدار باز باشند. از مقاومت سیم بندی میدان در این دوره کاهش ولتاژ صرف نظر میشود. ثابت زمانی های زیر گذرای مدار باز محور q نیز به طریق مشابه تعریف میشوند. مدار معادل ماشین جهت استخراج ثابت زمانیهای زیرگذرای مدار باز مطابق شکل (8-2) میباشد.

براساس فرضیات فوق و مدار معادلهای ماشین در دوره زیرگذرا و ثابت زمانیهای زیرگذرای مدار باز ماشین بر اساس روابط (19-2) و (20-2) محاسبه میگردند.

الف : محورdب:محورq
شکل :(8-2) مدارمعادل ماشین جهت استخراج ثابت زمانی های زیر گذرای مدار باز
(19-2)
(20-2)

 x fd xad x fd  xad x1q xaq  aq x x 1q
1 1 ′′ xad  ω x1dxfd x1d R R 0 Tdo  ω 1d 0 1d 1 1 ′′ xaq  ω x2qx1q x2q 2q R 0 R 0 Tqo  ω 2q 36
-6-2 مراتب مختلف مدلهای ژنراتور سنکرون براساس مدل دو محوری پارک
روابط ارائه شده در قسمت (3-2) تا حدود قابل قبولی عملکرد الکتریکی دینامیکی یک ماشین سنکرون را بیان می کنند. اما گاهی این روابط را نمی توان بطور مستقیم برای مطالعات سیستمهای قدرت بزرگ بکار برد. از طرفی برخی از اوقات نیز لازم است رفتار ماشین سنکرون با جزئیات بیشتری مدل شود. در مدل دو محوری پارک همانگونه که قبلاً هم تشریح شد، مقادیر استاتور به دو سری مقادیر در دو جهت تبدیل می-
شوند که یکی در راستای محور مغناطیسی سیم پیچی میدان بوده (محور (d و دیگری با 90 درجه اختلاف با محور d عمود بر محور مغناطیسی سیم پیچی میدان میباشد (محور .(q محور d روتور شامل سیم پیچی میدان و سیم پیچیهای میراکننده میباشد. محور q نیز شامل سیم پیچیهای میراکننده این محور است.
باتوجه به تعداد سیم پیچیهای درنظر گرفته شده برای محور d و q روتور، مراتب مختلفی برای مدل ژنراتور سنکرون متصور است. براساس استاندارد IEEE Std 1110، مدل ژنراتور بایک شماره دورقمی Model AB مشخص میشود که A تعداد سیم پیچیهای درنظر گرفته شده برای محور d روتور و B

تعداد سیمپیچیهای منظور شده برای محور q روتور میباشد. جدول (1-2) مراتب مختلف ژنراتور سنکرون را نشان میدهد. نوع مدل انتخاب شده برای ژنراتور سنکرون وابسته به پارامترهای مختلفی از جمله نوع ژنراتور و ساختار فیزیکی روتور و انواع مطالعه مورد نظر است که در قسمتهای بعدی تشریح میشود.
37
جدول :(1-2) مراتب مختلف مدلهای ژنراتور سنکرون

فصل سوم:

بررسی روشهای شناسایی پارامترهای
دینامیکی ژنراتورهای سنکرون
39
-1-3 مروری بر پیشینه شناسایی پارامترهای دینامیکی ژنراتور سنکرون:
بحث پارامترهای دینامیکی ماشین سنکرون و یا به عبارت دیگر این مطلب کـه بـرای بیـان رفتـار ماشـین سنکرون در حالتهای گذرا از راکتانسهای مربوط به حالت دائم نمیتوان استفاده کرد، برای اولین بار در سـال
1920 با طرح مفهوم راکتانس اتصال کوتاه مطرح گردید. بعدها این ایده بعنوان پایه و اسـاس اولیـه تئـوری
"ثابت بودن شاردور در برگیرنده" قرار گرفت و در مقالاتی توسط دوهرتی1 درسال 1923 و بیـولی2 در سـال
1929 دوباره عنوان گردید.
آقای کری3 این مطلب را به این صورت طرح کرد که در هر مدار بسته بلافاصله بعد از هر تغییر بوجود آمـده در جریان، ولتاژ ویا موقعیت فیزیکی این مدار نسبت به موقعیت مدارات دیگـر کـه بـا آن بطـور مغناطیـسی درگیر میباشند، شار دور در برگیرنده ثابت باقی خواهد ماند . با توجه به مقاومت موجود در سیم پیچی میدان و دیگر سیم پیچیهای روتور (دمپرها) و در نتیجه تغییرات حاصله در شاردور در بر گیرنده در طی مدت زمان بعد از وقوع تغییرات ناگهانی، لزوم معرفی ثابت زمانیهای گوناگون ماشین نیز بعدها بـرای تحلیـل دقیـق تـر مورد ملاحظه قرار گرفت.
بر این اساس پارک4 و روبیرتسون5 در سال 1928 راکتانسهای دیگری از قبیل راکتانسها و ثابـت زمانیهـای محور عرضی و محور طولی را برای رژیم های تندگذر و کندگذر و به همین صورت مفاهیم دیگری همچون حالات کندگذر و تندگذر را در شارها، ولتاژها و جریانها نیز مطرح نمودند. گام بعدی در همین رونـد معرفـی مدار معادل ماشین بود. بسط منطقی این طریقه تحلیـل رفتـار ماشـین (بعـد از هـر تغییـر ناگهـانی) معرفـی مدارهای مربوط به محورهای طولی و عرضی ماشین با این فرض بود که بتوان یک اندوکتانس متقابل بـین سیم بندیهای موجود در روتور و استاتور تعریف نمود. بدین ترتیب و با در نظر گرفتن یک اندوکتانس متقابـل برای کوپلاژ بین سیم بندیهای روتور و استاتور و همچنین انتساب یک اندوکتانس پراکندگی به هـر کـدام از سیم بندیها (استاتور، میدان وبدنه روتور) مدار معادل مربوط به محور طولی ماشین. در سال 1931،کیلگوری6
در طی یک پروژه - ریسرچفاکتورهای مؤثر در محاسبات مربوط به بدست آوردن راکتانسهای ماشین سـنکرون را کـه مبنای خواص فیزیکی و ابعاد هندسی ماشین(استاتور، روتور و سیم پیچی میدان) میباشند بیان نمود. در ایـن مسیر در سال 1929، پارک نیز ایده محورهای طولی و عرضی برای ماشین را که قبلا توسط خـود او مطـرح شده بود به تبدیلات d-q که طی آن کمیات مربوط به سه فاز به متغیرهای q-d مرتبط می گردیـد بـسط داده و به این ترتیب پایه معادلات ماشین بر مبنای تئوری دو محوری بنا نهاده شد.

1-Doherty 2- Biowly 3- Cary 4- Park 5- Robertson 6- Kilgore
40
در سال 1931، شروین1 روابط لازم جهت بدست آوردن پارامترهای ماشین سنکرون را بـرای حالـت دائـم و گذرا، از طریق نتایج آزمایش ارائه نمود و این در حقیقت اولین روش پذیرفته شده بطور عام برای آزمایشهای ماشین سنکرون بود.که در سال 1945 میلادی توسط کمیته مربوط به ماشین سنکرون AIEE چاپ گردید.
از لحاظ تاریخی کمیته ماشینهای الکتریکی و استاندارد شماره 115 مربوط به IEEE ماحصل همان کمیتـه و همان روش آزمایشی ارائه شده در طی سالهای بعدی می باشد.
در طی اوائل دهه 60 میلادی به همان صورت که ابزار و تکنیکهای محاسباتی کـه در تحلیـل سیـستمهای قدرت بکار می رفت از لحاظ ابعاد و سرعت با روند رو به رشدی روبرو بود نیاز به مـدلهای دقیـقتـر ماشـین سنکرون جهت مطالعات پایداری نیز محسوس شده و بـرای ایـن خـاطر روشـهای کلاسـیک بدسـت آوردن پارامترهای ماشین سنکرون نیز دوباره مورد توجه بیشتر و دقیقتر قرار گرفت. در طی ایـن سـالها عـلاوه بـر مقالات متعددی که در این رابطه به چاپ رسید، استانداردهایی نظیر اسـتانداردBS, IEC, IEEE مربـوط به بخش ماشین نیز به دفعات متعدد چاپ و مورد تجدید نظر قـرار گرفتنـد. ایـن اسـتانداردها از میـان انـواع روشهای متفاوت و گوناگونی که ارائه میگردیدند و با توجه به رعایت نکات عملی و تکنیکهای انـدازهگیـری در طی جلسات متعدد کمیتههای ماشینهای الکتریکی، آنهایی را که تا حدی قابل قبول تشخیص مـی دادنـد انتخاب کرده و در استانداردها به عنوان روشهای کلاسیک مطرح و مورد تایید قرار می دادنـد. از مشخـصات مهم آزمایشات کلاسیک مربوط به قبل از دهه 80 تاکید روی آزمایش اتصال کوتاه سه فاز ناگهـانی و سـعی در بدست آوردن پارامترهای ماشین بـا اسـتفاده از چنـین آزمایـشی بـود کـه در حـال حاضـر هنـوز هـم در مشخصات ارائه شده در نیروگاهها نتایج حاصل از آزمایش اتصال کوتاه ناگهانی ارائه می گردد.
از جمله نکات محدودکننده اینگونه آزمایشها عدم دسترسی به پارامترهای مربـوط بـه محـور عرضـی، عـدم صرفه اقتصادی و قابلیت انجام آن در محل نیروگاهها و در تحت ولتاژ نامی بود. در حقیقت تـا قبـل از سـال
1983 روشهای دسترسی به پارامترهای مربوط به محور q در استانداردها مسکوت گذارده شده بود.
در طی سالهای 1960 الـی 1980 آزمایـشات گونـاگونی جهـت پاسـخگویی بـه سـؤالاتی از قبیـل اهمیـت پارامترهای مربوط به محور عرضی و همچنین درجه دقّت مورد لزوم برای پارامترهای ماشین و یا درجه مدل بکار رفته برای ماشین مطرح شده است. آزمایشات نیروگاه نورث فلیت2 در سال 1969 و تحقیقات انجام شده مؤسساتی چون EPRI, NPCC & Ontario-Hydro از این دسـتهانـد. ایـن مجموعـه فعالیـتهـا نتایجی از این قبیل را به همراه داشت:
در شبیه سازی دینامیکی رفتار ماشینهای الکتریکی، اطلاع دقیـق از پارامترهـای ماشـین بـه انـدازه درجه مدل انتخابی اهمیت دارد. این اهمیت در باب پارامترهای محور عرضی بارزتر است.
در تعیین پارامترهای ماشین همواره آزمایشاتی که منجر به تغییرات کوچک(بزرگ) در مقادیر ولتاژ و جریانهای ماشین گردند، اطلاعات مناسبی از پارامترها برای مطالعات مربوط بـه اغتـشاشات بـزرگ (کوچک) را در اختیار قرار نمیدهد.

7- Shervin 8- North Fleet
41
با توجه به این نکته پارامترها باید بسته به نوع مطالعه تصحیح و بهینه سازی شوند.
ارزش پارامترهای محور عرضی در شبیه سازی رفتار توربوژنراتورهای با روتـور یکپارچـه بـه حـدی است که انجام آزمایشهای جداگانه در این جهت راتوجیه میکند.
بدین ترتیب در سالهای بعد از 1980 آزمایشهای جدیدتری چون میرائی شار1 جایگاه ویژهای در حوزه تعیـین پارامترهای دینامیکی ماشینهای سنکرون پیدا کردند.
-2-3 انواع روشهای تعیین پارامترهای دینامیکی ژنراتور سنکرون:
به طور کلی آزمایشهای موجود در حوزه تعیین پارامترهای دینامیکی ژنراتور سنکرون را می توان به دو دسته :
روشهای کلاسیک
روشهای جدید
تقسیم بندی کرد. روشهای کلاسیک، آزمایشهایی محدود را تشکیل میدهند که عموماَ از نظر زمانی نیز، بـر روشهای جدید تقدم دارند. مهمترین معیارهای مطرح در انتخاب روشهای مورد استفاده عبارتنداز:
انجام آزمایش در آن کشور ممکن باشد و به ابزار پیچیده نیاز نداشته باشد.
استانداردهای معتبر آن را تایید کند.
با بکارگیری آن تعداد بیشتری از کمیتها را بتوان شناسایی کرد.
آن روش قادر به اندازهگیری پارامترهای محور عرضی نیز باشد.
-1-2-3 روشهای کلاسیک اندازهگیری پارامترهای دینامیکی ژنراتور سنکرون:
روشهای کلاسیک روشهایی محدود هستند که عموما قبل از دهه 80 میلادی ابداع شدهاند و بـا انجـام آنهـا تنها یک یا چند پارامتر شناسایی میشود. این روشها برروی هر ژنراتـوری قابـل اجـرا بـوده و بـه تجهیـزات پیشرفته و پیچیده نیاز ندارد. تغییرات این روشها در خلال این سالها عموما از جنس اصلاح روابط محاسـباتی میباشد. اغلب آنها استاندارد شدهاند، ولی متاسفانه با انجام هر یک از این آزمایشها تنهـا تعـداد محـدودی از پارامترها بدست میآیند. از نقاط ضعف این روشها مساله تعیین پارامترهای محور q اسـت. از معایـب عمـده دیگر بعضی از این روشها مخرب بودن آنهاست. با این شرایط مجوز استفاده از این روشها علیرغم اسـتاندارد بودن آنها صادر نمیگردد.
به عنوان نمونه آزمایش اتصال کوتاه سهفاز اگر چه نتایج خوبی را از جهت تعیین پارامترها در بر داشته باشد، به علت آثار مخرب الکتریکی و مکانیکی جبران ناپذیر آن چندان مورد توجـه نیـست. اغلـب کمیتهـایی کـه توسط آزمایشهای کلاسیک تعیین میشود بر پایه مدل استاندارد IEEE تبیین شـدهانـد بـا یـک سـیمپـیچ میرایی محور طولی و عرضی. بسیاری از این روشها در تعیین پارامترها برای مدلهایی از مرتبـه بـالاتر ناکـام خواهند بود.

9- dc decay
42
-2-2-3 روشهای جدید در تعیین پارامترهای دینامیکی ژنراتورهای سنکرون:
همگام با رشد سیستمهای کـامپیوتری، توسـعه تجهیـزات انـدارهگیـری و پدیـد آمـدن سیـستمهای هـوش مصنوعی، مجموعه جدیدی از روشها برای شناسایی پارامترهای دینامیکی ژنراتورهای سنکرون پدیـد آمدنـد.
بطور کلی در این روشها با اعمال ورودیهای مناسب در وضعیتهای متفاوت روتور(ایـستا یـا متحـرک) و ثبـت خروجیها، توابع انتقال ماشین شناسایی شده است. سپس با فرض یک مدل خاص بـرای ماشـین مـیتـوان پارامترهای ماشین را با روشهای مناسبی تخمین زد. اخیرا مدلهایی با مرتبه بالاتر نیز در اسـتانداردها مطـرح شدهاند. شناسایی پارامترهای دیگری که همگام با رشد درجه مدل مطرح شدهاند را صرفا میتوان با اسـتفاده از روشهای جدید تعیین پارامترهای دینامیکی ژنراتور سنکرون شناسایی کرد، اگر چه توانایی روشهای مذکور در تعیین این پارامترها متفاوت است. در مجموع روشهای جدید را میتوان تلاشـهایی بـرای دسـتیـابی بـه اهداف زیر دانست:
أ- دستیابی به روشهای بلادرنگ در تخمین پارامترها ب- استفاده از اطلاعات بهره برداری برای شناسایی پارامترها ت- شناسایی پارامترها با دقت هرچه بیشتر ث- تلاش در سادهسازی مکانیزم تخمین
به عنوان نمونه از مهمترین روشهای مطرح در این دسته به موارد زیر میتوان اشاره کرد: (1 روشهای بنا شده برپایه سیستمهای هوش مصنوعی:
(a تخمین پارامترهای دینامیکی با استفاده از شبکه عصبی (b تخمین پارامترهای دینامیکی با استفاده از الگوریتم ژنتیک
(2 روشهای بنا شده بر پایه تکنیکهای معادلات معادلات جزئی: (a تعیین پارامترها با استفاده از تکنیک اجزاء محدود
(3 شناسایی پارامترها ماشین سنکرون با استفاده از تست پاسخ فرکانسی
(4 شناسایی پارامترها با استفاده از دامنه وسیع تحریک
(5 شناسایی پارامترها با استفاده از اطلاعات تست باربرداری
(6 شناسایی پارامترها با استفاده از اطلاعات میرایی شار
(7 شناسایی پارامترها با اطلاعات بدست آمده از اغتشاشات بهره برداری (a تخمین پارامترها با استفاده از اغتشاشات بزرگ بهره برداری (b تخمین پارامترها با استفاده از اغتشاشات کوچک بهره برداری
عموم این روشها غیر مخرب بوده و نتایج خوبی را در تخمین پارامترها نشان داده اند. از نکات قابـل توجـه در این روشها توانایی آنها در تعیین پارامترهای محور عرضی علاوه بر محور طولی و همچنـین امکـان تخمـین پارامترها، متناظر مدلهایی با درجههای مختلف است. البته این به معنی توانایی برابر این روشها برای تخمین
43
و شناسایی پارامترها در جهات مختلف نیست. البته همه این روشـها در حـال تکامـل و بهبـود مـیباشـند و
بسیاری از آنها هنوز استاندارد نشدهاند.
44
فصل چهارم:

شناسایی بلادرنگ پارامترهای
دینامیکی ژنراتورهای سنکرون با
استفاده از رویتگر شبکه عصبی
45
-1-4 اصول کار شبکه های عصبی:
یکی از روشهای مشهور در حوزه هوش مصنوعی شبکه عصبی مصنوعی است. شبکههای عصبی مـصنوعی الهام گرفته از شبکه عصبی انسان هستند که توانایی بالایی در تقلید رفتار توابـع غیـر خطـی از خـود نـشان دادهاند. انسان با استفاده از تجربیاتی که از وقایع پیرامون خود دارد و ارتباطی که بین آن وقایع و عوامل مؤثر بر آنها برقرار میکند، نسبت به تخمین وقایع آتی بر پایه وضـعیت عوامـل مـؤثر اقـدام مـینمایـد. براسـاس تحلیلهای موجود شبکه عصبی مغز انسان از لایههای مختلفی تشکیل شده که لایه خـارجی آن(کـورتکس)
متصل به مجاری ورودی است. این ورودیها در انسان حواس او هستند. تجربیات ما به صورت تفاوت قوت و ضعف نقاط اتصال سلولهای عصبی به یکدیگر(سیناپسها) بروز مـیکنـد. هـر یـک از نـرونهـا پیونـدهای متعددی با سلولهای لایه بعد دارند.

شکل:1-4 طرح کلی سلول عصبی انسان
مسلم است که هرچه تعداد پیوندهای عرضی بیشتر باشد شبکه توانایی بیشتری در آموزش رفتـار توابـع غیـر خطی خواهد داشت.
-2-4 اصول کار شبکه عصبی تخمین گر پارامترها:
با درنظر گرفتن مبادی ذکر شده، مراحل شبیهسازی شبکههای عصبی بدین صورت خواهد بود:
ساخت نرون مصنوعی
ساختاربندی آن در قالب لایههای مختلف
تهیه بانک اطلاعات لازم برای آموزش شبکه عصبی
آموزش شبکه عصبی
تست شبکه
46

شکل :2-4 شکل کلی سلول عصبی مصنوعی
لایههای شبکه عصبی را به سه دسته لایه ورودی، لایه خروجی، و لایه (لایههای) مخفی تقسیم مـیکننـد.
تعداد عناصر لایه ورودی و خروجی باید برابر تعداد ورودی، خروجیهای در نظـر گرفتـه شـده بـرای شـبکه باشند. افزایش تعداد لایههای مخفی در شبکه عصبی دو اثر متضاد را به همراه دارد. از یک طرف تقلیـد هـر چه بهتر رفتار هر تابع غیر خطی را امکان پذیر می سـازد و از طـرف دیگـر مـشکلات شـبیه سـازی و مـدت آموزش را افزایش میدهد. در عمل باید بسته به شرایط، بین این دو عامل بهینهسازی شود. در عمل در طـی تحقیقات متعدد انجام شده شبکه عصبی با یک لایه مخفی به عنوان حالت بهینه مطرح شده است.

شکل:3-4 ساختار شبکه عصبی توسعه یافته
همانگونه که پیشتر مطرح شد تعداد نرونهای لایه خروجی شبکه عصبی برابـر تعـداد خروجـیهـای در نظـر گرفته شده برای آن شبکه است. در این طرح، شبکه عصبی با یک خروجی در نظر گرفته شده است. بنابراین برای تخمین هر یک از پارامترهای مورد نظر باید یک شبکه مستقل تـشکیل شـده، آمـوزش دیـده و مـورد استفاده قرار گیرد. این روش اگرچه مشکلاتی را در تشکیل و آموزش شبکههای متعدد به همـراه دارد لـیکن گامی در جهت دستیابی به حداکثر قابلیت شبکههای عصبی در تخمین پارامترهـای دینـامیکی ژنراتورهـای سنکرون بر اساس دادههای بهرهبرداری است. همانگونه که همواره بهینهسازیهای تک هدفه نتایج بهتـری از جهت دستیابی به نتیجه مورد نظر دارند، با توجه به تشابه ساختاری این معنی در باب شـبکههـای عـصبی نیز صادق است. تعداد نرونهای لایه ورودی نیز برابر تعداد ورودیهای در نظر گرفته شده برای شبکه عـصبی
47
است. تعداد شش ورودی برای شبکه مورد نظر در نظر گرفته شده است. تعداد ورودیها در این طرح با توجه به مجموعه پارامترهای قابل اندازهگیری در خروجی ژنراتورهای سنکرون انتخاب شده است. البته انتخـاب و ترتیب آرایش این پارامترها برپایه رؤیت پذیری پارامترهای دینامیکی ژنراتور سنکرون در رفتار دینـامیکی آن شکل گرفته است. این بحث در طی مطالعات پیشین انجام شـده در مرکـز مطالعـات دینامیـک ایـران مـورد بررسی قرار گرفته است.
-1-2-4 دادههای آموزشی و آموزش شبکه عصبی تخمینگر:
از نکات بسیار مهم در تشکیل شبکه عصبی مـصنوعی، بانـک اطلاعـات آموزشـی مـورد اسـتفاده اسـت. در تجربیات گذشته که در حوزه استفاده از شبکههای عصبی مصنوعی مطرح است، گاه اصلاح مکانیزم تهیـه و تغییر دامنه دادههای آموزشی، یک شبکه عصبی با نتایج ضعیف را به شبکهای بـا نتـایج قابـل قبـول تبـدیل کرده است. شاید بتوان مهمترین نکته در گردآوری اطلاعات آموزشـی را شـمول و فراگیـری آن نـسبت بـه حالتهای مختلف رفتاری مطرح در حوزه مورد نظر دانست. اگرچه این شمول را نباید با بزرگی ابعـاد اشـتباه گرفت. عامل مهم نگاه ریشهای و بنیادین به حالات مطرح در آن حوزه است. از آنجا که این شبکه بر آنـست تا بر پایه اطلاعات بهرهبرداری نسبت به تخمین پارامترهای دینامیکی ژنراتور سنکرون اقدام نماید، لـذا بایـد بانک اطلاعات لازم برای آموزش شبکه عصبی در این حوزه فراهم شود. مجموعه اغتـشاشاتی کـه در طـی بهرهبرداری از ژنراتورها رخ میدهد را میتوان به سه دسته عمده تقسیم کرد:
اغتشاشاتی که در حوزه تحریک رخ می دهند
اغتشاشاتی که در حوزه توان ورودی رخ میدهند
اغتشاشاتی که در شبکه تحت تغذیه رخ میدهند
بدین ترتیب از هر یک از این حوزههای سهگانه یک نمونه شایع به عنوان نماینده آن گروه بـدین ترتیـب در
نظر گرفته شده است:
تغییر ناگهانی %10 در تحریک ژنراتور
تغییر ناگهانی %10 در توان ورودی ژنراتور
وقوع اتصال کوتاه سهفاز 10-5)میلی ثانیه) در خروجی ژنراتور
48

شکل :4-4 شکل کلی روش تهیه اطلاعات بهرهبرداری ژنراتورهای سنکرون
(برای آموزش و تست شبکه عصبی)
60 مجموعه از مقادیر نمونه پارامترهای دینامیکی ژنراتور سنکرون به عنوان مقـادیر پایـه در تـشکیل بانـک اطلاعات آموزشی شبکه عصبی در نظر گرفته شده است. این مجموعه از دادههایی مربوط به:
واحدهای بخاری- فسیلی
واحدهای بخاری-فسیلی با پیوند عرضی
واحدهای بخاری- هستهای
واحدهای آبی
واحدهای با توربین احتراقی
تشکیل شده است. برای هر مجموعه از این پارامترها دو گام افزایشی و دو مرحله کاهش در نظر گرفته شده
است. هر یک از این مراحل تغییرات %10 پارامترها را بهمراه خواهد داشت. مجموعه نهایی دربرگیرنـده 225
مجموعه از مقادیر نمونه پارامترهای دینامیکی ژنراتور سنکرون میباشد. مجموعه یک ژنراتور متصل به شین
بینهایت برای شبیه سازی رفتار ژنراتور سنکرون در نظر گرفته شده است. برای این که آثـار تفـاوت سـاختار
شبکه در رفتار ژنراتور نیز لحاظ شده باشد در هر مرحله از شبیهسازی بصورت همگام با تغییرات پارامترهـای
ژنراتور، تغییراتی در حوزه پارامترهای شبکه نیز در نظر گرفته شده است. در هر دوره شبیه سازی از خروجـی
ژنراتور 1000 نمونهگیری با فاصله زمانیهایی برابر0,01 ثانیه بعمل آمده است. 20 نمونه از اندازهگیری های
انجام شده و پارامترهای متناظر با آن به عنـوان مجموعـه اطلاعـات آموزشـی در نظـر گرفتـه شـده اسـت.
نمونههای منتخب از میان اندازهگیریهای انجام شده با گامهای متغیر و قابل کنترل گزینش شـدهانـد، ایـن
رویکرد امکان تهیه تصویری بهتر از رفتار دینامیکی ژنراتور سنکرون در قبال یک اغتـشاش را بـا رعایـت دو
مشخصه حداقل حجم اطلاعات و حفظ حداکثر مشخصات رفتاری فراهم میآورد.
49

شکل:5-4 آلگوریتم آموزش شبکه عصبی
آموزش شبکه بر پایه الگوریتم پسانتشار و با استفاده از راهبرد مارکوئیس_لونبرگ انجام شده است. برای هر یک از انواع سهگانه اغتشاشات ذکر شده بانک اطلاعات آموزشی مستقلی در نظـر گرفتـه شـده اسـت. ایـن روش امکان مقایسه بین نتایج اخذ شده در قبال هر یک از انواع اغتشاشات را فـراهم مـیآورد. ایـن راهبـرد امکان مقایسه درجه قابلیت اطمینان نتایج حاصل از تخمین پارامترهای گوناگون در قبال اغتشاشات مختلـف را نیز فراهم میĤورد.
-2-2-4 تست شبکه عصبی تخمینگر:
تست شبکه عصبی با استفاده از اطلاعات بهره برداری که در مجموعه آموزشی لحـاظ نـشده، شـکل گرفتـه است. بدین ترتیب تصویر واقعگرایانهتری از قابلیتهای شبکه مذکور خواهیم داشت. برای تحقق این معنـی اطلاعات مربوط به 75 ژنراتور سنکرون متفاوت با نمونه های مطـرح شـده در مجموعـه آموزشـی، دادههـای حاصل از اندازهگیریهای بعمل آمده در قبال رفتار دینامیکی آنهـا و مقـادیر حقیقـی پارامترهـای دینـامیکی متناظر با آن به عنوان مجموعه دادههای تست شبکه عصبی در نظر گرفته شده است. طرح کلی روش تست و بهرهبرداری شبکه عصبی مذکور در شکل4-6 بیان شده است. هریک از مراحـل آمـوزش و تـست شـبکه عصبی تخمینگر با مشخصات ذکر شده در قبال سه اغتشاش نمونه مطرح در نظر گرفته شده است.
50

شکل:6-4 طرح کلی روش تست و بهرهبرداری از شبکه عصبی
-3-4 نتایج:
مجموعه نتایج در سه بخش سازماندهی شده است. هربخش در برگیرنده نتایج آموزش و تست شبکه عصبی بر پایه یکی از انواع سهگانه اغتشاش میباشد. این طریقه بررسی امکان مقایسه بهتر نتایج را فراهم سـاخته، شاهدی بر رؤیت پذیری پارامترهای دینامیکی ژنراتورهای سنکرون در ازای اغتشاشات مختلف مـیباشـد. از طرف دیگر بررسی مقایسهای نتایج درجه دقـت شـبکه عـصبی در تخمـین پارامترهـای دینـامیکی بـر پایـه اطلاعات مختلف بهرهبرداری را نیز بیان میکند. برداشتهای مقایسهای امکان تعیین بهتر قابلیتهای شبکه عصبی را بدور از آثار ناشی از الگوی آموزشی فراهم میآورد، زیرا ابعاد و مکانیزم تشکیل مجموعـه آموزشـی در تخمین همه این پارامترها مشابه بوده است.
برای بررسی رفتار هر شبکه عصبی دو معیار اصلی دامنه و توزیع فراوانی خطا در نظر گرفتـه شـده اسـت. در تحلیل بر اساس توزیع فراوانی خطا، درصد فراوانی غالب و دامنه خطای متناظر با آن بیان شدهاند. با توجه به حجم زیاد مجموعه نتایج، چند نمونه از شبکههای تخمینگر و دادههای بدست آمده از طریق آنها در مرحلـه آموزش و تست ارائه شده است. این مجموعه به سه حوزه آموزش و تست بر اساس اطلاعـات بهـرهبـرداری شکل گرفته برپایه تغییر ناگهانی تحریک، تغییر ناگهانی تـوان ورودی و اغتـشاش حـوزه شـبکه متـصل بـه ژنراتور تقسیم شده است. برای فراهم سازی امکان مقایسه بیشتر، نتایج متناظر هر پارامترکه با استفاده از هر یک از بانکهای اطلاعاتی سهگانه مذکور بدست آمده اسـت در اختیـار خواننـده محتـرم قـرار گرفتـه اسـت.
پارامترهای دینامیکی مطرح برای ژنراتورهای سنکرون _در نگاه اشتراکی بین انواع مختلف آن _کـه مـا بـه تخمین آنها همت گماشته ایم مجموعهای بدین صورت را تشکیل خواهد داد:
51
جدول( (1-4 ردیف نام پارامتر مشخصه واحد
1 راکتانس سنکرون محور d Xd pu
2 راکتانس حالت گذرا محور d Xd' Pu
3 راکتانس فوق گذرا محور d Xd" Pu
4 راکتانس سنکرون محور q Xq pu
5 راکتانس فوق گذرا محور q Xq" Pu
6 راکتانس پوتیه Xl pu
7 ثابت زمانی محور d در دوره گذرا Td' s
8 ثابت زمانی محور d در دوره فوق گذرا Td" s
9 ثابت زمانی محور q در دوره فوق گذرا Tq" s
10 ثابت اینرسی H s
52
-1-3-4 نمونههایی از نتایج شبکه عصبی تخمینگر:
پارامتر مورد تخمین: X"d
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :7-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xd"

شکل :8-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
53

شکل :9-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :10-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd"
54

شکل :11-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :12-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
55
پارامتر مورد تخمین: X"d
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :13-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd"

شکل :14-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
56

شکل :15-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :16-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd"
57

شکل :17-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :18-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
58
پارامتر مورد تخمین: X"d
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :19-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd"

شکل:20-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
59

شکل:21-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش

شکل :22-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd"
60

شکل :23-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:24-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
61
پارامتر مورد تخمین: X"q
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :25-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xq"

شکل :26-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
62

شکل :27-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :28-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq"
63

شکل :29-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش

شکل :30-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش
64
پارامتر مورد تخمین: X"q
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :31-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq"

شکل :32-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
65

شکل :33-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :34-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین xq"
66

شکل :35-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :36-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
67
پارامتر مورد تخمین: X"q
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :37-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq"

شکل :38-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
68

شکل :39-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :40-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq"
69

شکل :41-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:42-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
70
پارامتر مورد تخمین: T"d
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :43-4 نمودار خروجی شبکه عصبی درفرایند برای تخمین Td"

شکل :44-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
71

شکل :45-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :46-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td"
72

شکل :47-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش

شکل :48-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش
73
پارامتر مورد تخمین: T"d
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :49-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td"

شکل:50-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
74

شکل:51-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش

شکل :52-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td"
75

شکل :53-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :54-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
76
پارامتر مورد تخمین: T"d
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :55-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td"

شکل :56-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
77

شکل :57-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :58-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td"
78

شکل :59-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:60-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
79
پارامتر مورد تخمین: T"q
اغتشاش مورد استفاده: تغییر ناگهانی تحریک

شکل :61-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین Tq"

شکل :62-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
80

شکل :63-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :64-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq"
81

شکل :65-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش

شکل :66-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش
82
پارامتر مورد تخمین: T"q
اغتشاش مورد استفاده: وقوع اتصال کوتاه در شبکه متصل به ژنراتور

شکل :67-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq"

.
شکل:68-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
83

شکل:69-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش

شکل :70-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین Tq"
84

شکل :71-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل :72-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
85
پارامتر مورد تخمین: T"q
اغتشاش مورد استفاده: تغییر ناگهانی توان ورودی

شکل :73-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq"

شکل :74-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش
86

شکل :75-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش

شکل :76-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq"
87

شکل :77-4 هیستوگرام خطای شبکه عصبی در مرحله تست

شکل:78-4 نمودار خطای تخمین شبکه عصبی در مرحله تست
88
-2-3-4 بررسی تحلیلی نتایج:
در طی این پروژه، شبیه سازیهای مربوطه در جهت تخمین کلیه پارامترهای مذکور انجام شده و بـر اسـاس اغتشاش بکار گرفته شده در تهیه دادههای بهرهبرداری تقسیم بندی و مقایسه شـده اسـت. بررسـی تحلیلـی نتایج در قالب شاخصبندیهای زیر ارائه شده است:
.1 بررسی مقایسهای رفتار شبکه عصبی تخمینگر در دوره آموزش:
.A تحلیل نتایج بدست آمده بر پایه توزیع فراوانی خطا:
این بررسی بر پایه توزیع فراوانی خطای شبکه عصبی تخمینگر در مرحلـه آمـوزش، شـکل گرفتـه است. در مسیر تخمین هر یک از پارامترها نتایج سهگانه بدست آمده به ترتیب بر اساس برازندگی از دیدگاه حداقل خطا مرتب شده است. این نتایج برپایه اغتشاش متناظر با آنها نام گذاری و در جـدول
2-4 جای گرفتهاند.
.B تحلیل نتایج بدست آمده بر پایه حداکثر دامنه خطا:
نتایج سهگانه بدست آمده در تخمین هریک از پارامترها بر اساس شـاخص حـداکثر خطـا ارزیـابی و اولویت بندی شدهاند. نتایج این تحلیل به ترتیب بیان شده در گام قبل نامگذاری و در قالـب جـدول
3-4 در اختیار قرار گرفته است.
.2 بررسی مقایسهای رفتار شبکه عصبی تخمینگر در دوره تست:
.A تحلیل نتایج بدست آمده بر پایه توزیع فراوانی خطا:
این بررسی بر پایه توزیع فراوانی خطای شبکه عصبی تخمینگر در مرحله تست، شکل گرفته است.
در مسیر تخمین هر یک از پارامترها، نتایج سهگانه بدست آمده بر اساس برازندگی از دیدگاه حداقل خطا ترتیب یافته است. این نتایج برپایه اغتشاش متناظر با آنها نام گـذاری و در جـدول 2-4 جـای گرفتهاند. به علّت اهمیت خاص نتایج حاصل در این بخش، علاوه بر تحلیلهای فوق شاخص خطای متناظر با فراوانی غالب و درصد فراوانی مربوطه در بهترین حالت نیز ارزیابی و در جدول 2-4 ارائـه شده است.
.B تحلیل نتایج بدست آمده بر پایه حداکثر دامنه خطا:
89
نتایج سهگانه بدست آمده در تخمین هریک از پارامترها بر اساس شاخص حداکثر خطا ارزیابی و بـر اساس برازندگی مرتب شده است. نتایج این تحلیل به همان صورت نامگذاری و در جدول 3-4 ارائه شده است.
درباب عملکرد شبکه عصبی در تخمین :Xd
با مقایسه نتایج بدست آمده با استفاده اغتشاشات مختلف هیستوگرام خطای شبکه در مرحله آموزش بهتـرین توزیع فراوانی را در وقوع قبال اتصال کوتاه در ترمینال ژنراتور نشان میدهـد نتـایج حاصـله بـر پایـه تغییـر ناگهانی تحریک و تغییر توان ورودی در مراتب بعدی قرار میگیرند.
از نظر دامنه خطا نیز در این مرحله بهترین نتایج به ترتیب در قبال نتایج حاصله از وقوع اتصال کوتاه, تغییـر توان ورودی و تغییر ناگهانی تحریک شکل گرفته اند.
در مرحله تست بهترین توزیع فراوانی در مرحله اول مربوط به نتـایج حاصـل از تغییـر ناگهـانی تحریـک، در مرحله دوم مربوط به نتایج حاصله بر پایه وقوع اتصال کوتاه و نهایتًا از تغییر توان ورودی بدست میآید.
کمترین دامنه خطا به ترتیب متعلق به تخمین برپایه نتایج حاصل از وقوع اتصال کوتاه، تغییر تـوان ورودی و نهایتًا تغییر تحریک میباشد.

projct-fi

فصل دوم : رابطه تلفات و افت ولتاژ در تجهیزات با ولتاژکاری و ارائه تابع هزینه 13
.1-2 مقدمه 14
.2-2 تعاریف و ضرایب کاربردی 15
.3-2 اجزاء تلفات و رابطه آنها با سطح ولتاژ 16
.4-2 اجزاء موثر درافت ولتاژ و رابطه آنها با ولتاژ کاری 26
2ـ.5 ارائه توابع هزینه با در نظر گرفتن ضوابط اقتصادی 30
2ـ.6 نتیجه گیری 33
فصل سوم : شبکه های توزیع برق با ولتاژمیانی 34
.1-3 مقدمه 35
.2-3 شبکه نوع اول 36
.1-2-3 بررسی تلفات شبکه نوع اول 37
.2-2-3 بررسی افت ولتاژ شبکه نوع اول 43
.3-3 شبکه نوع دوم 48
.1-3-3 بررسی تلفات شبکه نوع دوم 49
.2-3-3 بررسی افت ولتاژ شبکه نوع دوم 52
.4-3 شبکه نوع سوم 56
.1-4-3 بررسی افت ولتاژ شبکه نوع سوم 58
.2-4-3 بررسی تلفات شبکه نوع سوم 59
.5-3 شبکه نوع چهارم 62
.1-5-3 بررسی افت ولتاژ شبکه نوع چهارم 63
.2-5-3 بررسی تلفات شبکه نوع چهارم 66
.6-3 مقایسه شبکه نوع دوم و سوم 68
.7-3 نتیجه گیری 69
فصل چهارم : تجهیزات سیستم توزیع با ولتاژمیانی 71
.1-4 مقدمه 72
.2-4 تجهیزات سیستم توزیع مرسوم 73
۵
فهرست مطالب عنوان مطالب شماره صفحه
.3-4 تجهیزات سیستم توزیع با ولتاژ میانی 78
.4-4 جداول هزینه سیستم توزیع با ولتاژ میانی و فشار ضعیف 86
.5-4 نتیجه گیری 88
فصل پنجم : انتخاب سطح ولتاژمیانی بهینه 89
5ـ.1 مقدمه 90
5ـ.2 تعریف سطح ولتاژ میانی و بررسی استانداردهای مختلف 91
5ـ.3 بررسی هزینه تجهیزات متأثراز سطح ولتاژ و ارائه جداول و توابع 93
5ـ.4 بررسی تلفات تجهیزات خط متأثر از سطح ولتاژ میانی 100
5ـ.5 انتخاب سطح ولتاژ میانی مناسب برای شبکههای نوع اول ، دوم ، سوم 102
5ـ.6 انتخاب سطح ولتاژ میانی برای شبکه نوع چهارم 106
.7-5 نتیجه گیری 109
فصل ششم : حریم خطوط هوایی شبکه های توزیع با ولتاژ میانی 110
6ـ.1 مقدمه 111
6ـ.2 طبقه بندی سطوح ولتاژ میانی جهت تعیین حریم 112
6ـ.3 تعاریف 112
6ـ.4 حریم خط هوایی از ریل راهآهن 114
6ـ. 5 حریم راهها 114
6ـ.6 حریم خطوط مخابرات و تلفن 115
6ـ.7 حریم خطوط نفت و گاز 116
6ـ. 8 حریم دو خط انتقال با ولتاژ مختلف 116
6ـ.9 فاصله آزاد سیمها از ساختمان و ابنیه 117
.10-6 فواصل مجاز هادیها از یکدیگر 118
.11-6 نتیجه گیری 119
فصل هفتم : انتخاب شبکه نمونه واقعی و پیاده سازی شبکه ولتاژ میانی 120
.1-7 مقدمه 121
.2-7 پیادهسازی شبکه ولتاژ میانی نوع اول روی شبکه نمونه واقعی 122
7ـ.3 شبکه نمونه واقعی برای شبکه ولتاژ میانی نوع دوم 130
7ـ.4 شبکه نمونه واقعی برای شبکه ولتاژ میانی نوع چهارم 133
7ـ. 5 بررسی افت ولتاژروی شبکه های نمونه 136
۶
فهرست مطالب عنوان مطالب شماره صفحه
فصل هشتم : نتیجهگیری و پیشنهادات 139
نتیجهگیری 140
پیشنهادات 142
منابع ومĤخذ 143
فهرست منابع فارسی 144
فهرست منابع لاتین 145
سایتهای اطلاع رسانی 146
چکیده انگلیسی 147
٧
فهرست جدول ها عنوان شماره صفحه
: 1-1 ولتاژهای میانی و فرکانس تغذیه در تعدادی از کشورها 7
: 1-4 لیست تجهیزات سیستم توزیع مرسوم 86
: 2-4 لیست تجهیزات سیستم توزیع با ولتاژمیانی نوع اول 87
: 3-4 لیست تجهیزات شبکه نوع چهارم 88
: 1-5 ولتاژهای نامی سیستم در استانداردIEEE std 141 91
: 2-5 سطوح ولتاژ در رده زیر1kVدر استانداردIEC 38 92
: 3-5 سطوح ولتاژ بین35 kV تا 1kVدر استانداردIEC 38 92
: 4-5 سطوح ولتاژ در استاندارد کانادا 92
: 5-5 تجهیزات خط ولتاژ میانی متأثر از ولتاژ خط باسیم هوایی یا کابل خودنگهدار 99
: 6-5 لیست تجهیزات مربوط به ترانس سه فاز و تکفاز مشترک بین مصرفکنندگان 100
: 7-5 لیست تجهیزات مربوط به ترانس تکفاز نصب در محل مشترکین 100
: 8-5 تلفات مربوط به المانهای متأثرازولتاژ شبکه 101
: 9-5 تلفات وافت ولتاژ درخط با سیم هوایی به طول 1 کیلومتر 103
: 10-5 تلفات وافت ولتاژ درخط با کابل خودنگهدار به طول 1 کیلومتر 104
: 11-5 تلفات وافت ولتاژ در کابل زمینی از پست تا خط به طول 70 متر 104
: 12-5 هزینه احداث خط با سیم هوایی به طول 1 کیلومتربرحسب 104
: 13-5 هزینه احداث خط با کابل خود نگهدار به طول 1 کیلومتر بر حسب 104
: 14-5 هزینه کل ناشی از تلفات و احداث خط با سیم هوایی 105
: 15-5 هزینه کل ناشی از تلفات و احداث خط با کابل خودنگهدار 105
: 16-5 فاصله بین هر هادی با بدنه تیر و اتریه 106
: 17-5 فاصله مجاز عایقی بین هادیهای خط 107

دانلود پایان نامه ارشد- مقاله تحقیق

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : homatez.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

: 1-6 حریم خطوط توزیع وزارت نیرو 113
: 2-6 حریم مربوط به جاده ها وراهها 114
: 3-6 حداقل ارتفاع سیم ( فاصله مجاز قائم هادیها ) از سطح جاده 115
: 4-6 فاصله عمودی دو خط انتقال با ولتاژ مختلف 116
: 5-6 فاصله مجازبین هادیهای خط برای سطوح ولتاژمیانی 118
: 6-6 فاصله مجازهر هادی خط ازبدنه برای سطوح ولتاژمیانی 119
: 1-7 جدول تلفات توان درخط برای نقاط مختلف نصب ترانس در شبکه نوع اول 126
: 2-7 جدول مقایسه تلفات وهزینه برای مکان وظرفیت نهایی ترانسها 127
: 3-7 لیست تجهیزات محذوف از شبکه توزیع فشار ضعیف و هزینه مربوطه 128
: 4-7 لیست تجهیزات و هزینه شبکه ولتاژ میانی 127
: 5-7 هزینه احداث خط برای ولتاژ میانی6/6 kV 130
٨
فهرست جدول ها عنوان شماره صفحه
6-7 : هزینه احداث خط فشار متوسط20kV 131
7-7 : تلفات توان خط, برای نقاط مختلف نصب ترانس شبکه نوع چهارم 135
: 8-7 ارزش آتی هزینه تلفات و احداث برای هر یک از حالات ترانس گذاریC 135
: 9-7 مقایسه درصد افت ولتاژ برای شبکه ولتاژ میانی وفشارضعیف 136
: 10-7 مقایسه درصد افت ولتاژدر شبکه نوع دوم وفشار متوسط20 کیلوولت 137
: 11-7 مقایسه درصد افت ولتاژدرشبکه نوع چهارم برای نصب ترانس تکفازدرمحل مشترکین 137
: 12-7 مقایسه درصدافت ولتاژدرشبکه نوع چهارم برای انشعاب ترانس سه فاز 138
٩
فهرست شکل ها عنوان شماره صفحه
: 1-1 سیستم تکفاز تک سیمه استرالیا 8
: 2-1 سیستم تکفاز تک سیمه برزیلی 9
: 3-1 سیستم توزیع1 kV در نپال 10
: 1-2 انشعاب ترانس سه فاز از خط 23
: 2-2 انشعاب ترانس تکفاز از خط 24
: 3-2 فیدر شعاعی ساده 29
: 1-3 دیاگرام تک خطی شبکه نوع اول 36
: 2-3 دیاگرام تک خطی شبکه نوع اول جهت محاسبه تلفات کل شبکه 37
: 3-3 دیاگرام تک خطی جهت مقایسه تلفات خط فشار میانی وفشارضعیف 38
: 4-3 دیاگرام تک خطی جهت محاسبه افت ولتاژ 44
: 5-3 دیاگرام تک خطی جهت مقایسه افت ولتاژ شبکه ولتاژمیانی و فشارمتوسط 46
: 6-3 دیاگرام تک خطی شبکه نوع دوم 48
: 7-3 دیاگرام تک خطی جهت بررسی تلفات شبکه نوع دوم 49
: 8-3 دیاگرام تک خطی شبکه نوع دوم جهت بررسی افت ولتاژ 52
: 9-3 دیاگرام تک خطی جهت مقایسه شبکه ولتاژمیانی وفشارضعیف 55
: 10-3 شبکه ولتاژ میانی نوع سوم 56
: 11-3 امپدانس از دید اولیه ترانس 58
: 12-3 دیاگرام تک خطی شبکه نوع چهارم 63
: 1-6 فاصله آزاد سیمها از ساختمان و ابنیه 117
: 1-7 شبکه توزیع فشار ضعیف شهرک کشت وصنعت مغان 123
: 2-7 محل اولیه نصب ترانسها در شبکه نمونه برای شبکه نوع اول 125
: 3-7 فیدر خروجی پست20 کیلوولت طاووسیه غرب تهران 132
: 4-7 شبکه نمونه برای شبکه نوع چهارم 133
١٠
چکیده :
در سیستم توزیع ایران ازدو سطح ولتاژ400V و 20kV جهت توزیع انرژی بـرق بـین مـشترکین اسـتفاده می شود. استفاده ازاین دوسطح ولتاژ به تنهایی, باعث گسترش بیشترشبکه 20kV شده وهزینـه احـداث زیادی را تحمیل می کند. از طرفی گسترش شبکه 400V نیزباعث تلفات وافت ولتاژ بیـشتر در سیـستم توزیع معمول می شود.
دراین پروژه سطوح ولتاژاستاندارد مورد تأیید وزارت نیرو بین دوسطح ولتاژ مذکور انتخـاب و سـطوح ولتاژ استاندارد انتخابی به دو رده فشار ضعیف وفشار میانی تقسیم شده اند. با توجـه بـه دو رده ولتـاژی,
برای هرکدام شبکه توزیع متناسب با سطح ولتاژ آن ارائه شده اسـت. کـه شـبکه هـای نـوع اول , دوم و سوم برای رده فشارمیانی وشبکه نوع چهارم برای رده فشار ضعیف درنظرگرفته شده است. که هرکـدام از نظرتلفات وافت ولتاژ با سیستم توزیع معمول مقایسه شـده وروابـط لازم جهـت طراحـی بهینـه شـبکه ولتاژ میانی ارائه شده است. ازبین سطوح ولتاژ استاندارد انتخابی برای هر رده وبرای هرنوع شـبکه ارائـه شده , سطح ولتاژمیانی بهینه ازنظر کمترین مجمـوع ارزش آتـی هزینـه تلفـات واحـداث انتخـاب شـده است. استفاده از سطح ولتاژمیـانی درشـبکه توزیـع فعلـی باعـث کـاهش طـول شـبکه 20kV ونیزتعـداد پستهای زمینی فشارمتوسط خواهد شد. ازطرفی هزینه ناشی ازتلفات نیز بدلیل کاهش طول شـبکه فـشار ضعیف , کاهش می یابد. باتوجه به بررسیهای انجام شده سطح ولتاژ 6/6 kV به عنوان سطح ولتاژ بهینـه برای شبکه های نوع اول , دوم وسوم و سطح ولتاژ 1 kV برای شبکه نوع چهارم انتخاب شده انـد. پـس ازانتخاب این دوسطح ولتاژ, انواع شبکه ولتاژمیانی روی شبکه نمونه واقعـی, پیـاده سـازی شـده ونتـایج لازم بدست آمده است.
١
مقدمه :
در سیستم توزیع معمول , پستهای فوق توزیع از طریق شبکه فشار متوسط20kV پستهای فشار متوسط واقع در سطح منطقه را تغذیه میکنند. این پستهابا تبدیل سـطح ولتـاژ فـشار متوسـط بـه فـشار ضـعیف ، انرژی بـرق را بـا سـطح ولتـاژ قابـل اسـتفاده در اختیـار مـصرفکننـدههـا قـرار مـیدهنـد. در برخـی از مناطق, اغلب در حواشی شهرها و مناطق روستایی مستقیماً از سطح ولتاژ فشار متوسط استفاده شده و در نقاط بار ترانسهای 20 / 0/4 kV تعبیه و مصرفکنندگان تغذیه میشوند.
انتخاب سطح ولتاژ برای یک خط به پارامترهای مختلفی وابسته است که از جمله آنها میتوان بـه طـول فیدر ، قدرت انتقالی ، هزینه احداث ، تلفات ، حریم و غیره اشاره نمود. در صورتی کـه از سـطح ولتـاژ بالاتری استفاده شود ظرفیت آزاد اضافی در خطوط ایجاد خواهد شد. که در اینـصورت هزینـه اضـافی برای احداث ظرفیت آزاد خط پرداخت می شود. از طرفی اگر این سطح ولتاژ نـسبت بـه طـول فیـدر و قدرت انتقالی آن پایین تر از حد استاندارد انتخاب شودتلفات و افـت ولتـاژ بیـشتر و حتـی بـیش از حـد مجاز خواهد بود. که ارزشآتی تلفات احتمالاً بیشتر از هزینه احداث اضافی خواهد بود که باید صـرف احداث خط با سطح ولتاژ بالاتر میشد.
در طراحی سیستم توزیع پس از برآورد بار و تعیین مراکز چگـالی بـار ، عمـل جایـابی پـستهای 20kV
صورت میگیرد. پس از آن از طریق کابل زمینی یا خط هوایی فشارمتوسط این پستها تغذیه می شـوند.
که پس ازتبدیل یکباره سطح ولتاژ فشار متوسط به فشارضعیف انرژی برق دراختیار مصرف کننده گان قرار میگیرد.اما سوالی که اینجا مطرح میشود این است که اگرازیک سطح ولتاژ بین400V و 20 kV
استفاده شودچه اتفاقی میافتد. به عبارتی دیگر بـه جـای اینکـه از فیـدرهای 20kV بـا طـول نـسبتاً زیـاد استفاده شود از یک سطح ولتاژمیانی بین 400V و 20kV اسـتفاده کـرده و بـدین ترتیـب هزینـه شـبکه
20kV و همچنین طول آنرا کاهش داده و این سطح ولتاژ میانی تا نزدیکتـرین نقطـه بـه بارهـای انتهـایی منتقــل شــود در ایــن صــورت منــافع احتمــالی زیــادی خواهــد داشــت. زیــرا پــستهای زمینــی حــذف خواهندشدویاحداقل تعدادآن به نصف کاهش پیدا میکند. ازطرفی طول فیدرهای20kV نیـز کوتـاهتـر خواهندشد. از سوی دیگر چون ازشبکه هوایی فشارضعیف اغلب بـرای توزیـع اسـتفاده مـیشـود وایـن شبکه باشبکه توزیع فشارمیانی بطورمشترک برروی یک تیر احـداث خواهندشـد هزینـه احـداث شـبکه ولتاژمیانی کاهش می یابد. در مناطق خارج شهر یا مناطق روستایی و ویلایی که بارها در فواصـل نـسبتاً طولانی از یکدیگر قرار دارند. در سیستم توزیع فعلی همـانطور کـه در بـالا ذکـر شـد از خطـوط فـشار متوسط 20kV برای توزیع انرژی استفاده میشود.
٢
هزینه احداث خط وپستهای 20kV زیاد وقابل توجه اسـت. مخصوصاًدرپـستهای هـوایی هزینـه تـرانس پست وابسته به سطح ولتاژ آن میباشد. درصورتیکه ازیک سطح ولتاژمیانی مناسب جهت توزیع انـرژی برق استفاده شودقطعاً هزینه احداث کاهش پیدا خواهدکردبا این فرض که خروجی پستهای فوق توزیع دارای چنین سطح ولتاژ میانی باشند. ازطرفی تلفات درخط, درصورتیکه ظرفیـت یاقـدرت توزیـع شـده بزرگ ویا فیدرطولانی باشد نسبت به شبکه فشار متوسط بیشترخواهد بود. در موارد خاص هزینه خط با سطح ولتاژ میانی علاوه بر تلفات بدلیل افزایش سطح مقطع هادی جهت داشتن ولتاژ مجاز دربارانتهـایی وهمچنین قدرت کششی قابل تحمل توسط تیرها وکنسولها هزینـه احـداث آن بیـشتراز هزینـه احـداث شبکـه فشارمتوسط می باشد. بنابراین لـزوم بررسی حالتهای مختلف ضـروریست. در سیستمهای توزیـع انرژی برق ایران مناطق توزیع انرژی را میتوان به دوقسمت تقسیم نمودکه عبارتند از :
مناطق شهری
مناطق روستایی و حومه
با توجه به دو طبقهبندی فوق ، محل و چگالی بارها , هر یک از شبکه های ولتاژ میانی باید برای هـر دو مورد متناسب با آن طراحی شود. که این کار به طور کامل و با جزئیات صورت گرفته و تلفـات و افـت ولتاژ وروابط مربوط به هر کدام جهت طراحی بهینه ارائه شدهانـد. در اسـتفاده از شـبکه ولتـاژ میـانی در مناطق شهری نکته بسیار مهم و اساسی وجود دارد که باید به آن پرداخته شود و آن نحـوه تبـدیل ولتـاژ فشار متوسط20kV به فشار میانی میباشد. در صورتیکه خروجی پستهای فوق توزیع دارای فیـدر ولتـاژ میانی باشد مشکل احداث پست زمینی و هوایی فشار متوسـط بـه فـشارمیانی بـرای فیـدرهای بـا طـول و قدرت انتقالی پایین حل خواهد شد. درصورتیکه طول فیدر طولانی و بارسنگین باشد. طوری که انتقـال آن با سطح ولتاژ میانی مقدور نباشد از سطح ولتاژ فشار متوسط استفاده می شود ودرنقـاط مختلـف نیـاز به پستهای هوایی فشار متوسط به میانی خواهد بود. در احداث پستهای هـوایی محـدودیتهـایی وجـود دارد ازجمله برای پستهای تا 400kVA میتوان به راحتی پست هوایی احداث و بهرهبـرداری نمـود.امـا برای ظرفیتهای500kVA و 630 kVA نیاز به مجوز بوده و احداث این پستها بـا مـشکل اجرایـی همـراه است.[2] این محدودیت در اجرای پـستهای هـوایی باعـث محـدود شـدن طـول فیـدرهای ولتـاژ میـانی خواهد شد. بنابراین در صورتی که ظرفیـت پـست بـالاتر از ایـن مقـدار باشـد یـا بایـد دو پـست هـوایی احداث یا اینکه پست زمینی بررسی شود. اما آنچه بدیهی به نظـر مـیرسـد احـداث پـست زمینـی فـشار متوسط به فشارمیانی و در ادامه احداث پستهای هوایی فشارمیانی به فشار ضـعیف, هزینـه بـیش از پـیش افزایش یافته و ارزش آتی هزینه اضافی را که برای احداث پستها پرداخت می شود بـیش ازارزش آتـی تلفات کاهش یافته خواهد بود. در این پروژهبا توجه به توضیحات ارائه شده در فوق آرایشهای مناسـب
٣
برای خطوط ولتاژ میانی ارائه و همچنین سطح ولتاژ میانی مناسب با در نظـر گـرفتن نـوع منطقـه اعـم از شهری یا روستائی بودن آن انتخاب و روی یک شبکه نمونه واقعی پیادهسازی خواهد شد.
مسئله مهم دیگرحریم خطوط میباشد. شبکه ولتاژ میانی زمانی اقتصادیتر خواهد بود که از خط با سیم هوایی استفاده شود. زیرا در غیر اینصورت باید از کابل خود نگهدار و یا کابل زمینـی اسـتفاده شـودکه این خود در مواردی باعث غیر اقتصادی شدن طرح خواهد شد. بنابراین بررسی حریم خطـوط یکـی از مباحث این پروژه را تشکیل میدهد.
در این پروژه ابتدا به بررسی تلفات و افت ولتاژ در تجهیزات سیستم توزیع و رابطه افـت ولتـاژ و تلفـات آنها با سطح ولتاژکاری و همچنین مقایسه تلفات ترانس سه فاز و تکفاز برای قدرتهای مساوی پرداختـه شده است. سپس در ادامه تابع هزینه و روابط مربوطه جهت محاسبه ارزش آتی هزینـه تلفـات وسـرمایه گذاری ارائه می شوند. درفصل بعد انواع آرایشهای شبکه توزیع با ولتاژ میـانی ارائـه و از نظـر تلفـات و افت ولتاژ مورد بررسی قرار میگیرند. در فصل چهارم تجهیزات مربوط به شبکه ولتاژ میانی بحث شـده و درفصل پنجم انواع استانداردهای بینالمللی در مورد سطوح ولتاژ بررسی و با توجه به انوع آرایشهای خط, سطح ولتاژ میانی مناسب انتخاب شده است. در فصل ششم حریم خطوط برای شـبکه ولتـاژ میـانی تعریف و فواصل هادیها برای خطوط ولتاژمیانی ازیکدیگروتأسیـسات اطـراف آن بررسـی شـده اسـت.
در فصل هفتم شبکه نمونه با توجه به نوع شبکه ولتاژ میانی انتخاب و روی آن پیاده سازی شده و نتـایج بدست آمده بررسی و پیشنهادات لازم ارائه شده است.
۴

فصل اول
کلیات
۵
.1-1 هدف :
همانطوریکه در مقدمه ذکر شد درایـن پـروژه یـک سـطح ولتـاژ میـانی بهینـه انتخـاب و از نظـر فنـی و اقتصادی تأثیر این سطح ولتاژ در سیستم توزیع ارزیابی می شود. بررسی فنی شامل :
تلفات
افت ولتاژ
بررسی اقتصادی شـامل بدسـت آوردن ارزش آتـی تلفـات کـاهش یافتـه احتمـالی و همچنـین هزینـه احداث اضافی برای پیادهسازی شبکه ولتاژ میانی و در نهایت بدست آوردن هزینه فایده میباشد. قبل از انجام پروژه قطعاً نمیتوان اظهار نظرکردکه افت ولتاژ و تلفات کاهش مییابند یا خیر و یا اینکـه هزینـه احداث افزایش خواهد یافت و یا بالعکس. زیرا با اعمال شبکه ولتاژ میانی پستهای زمینـی20kV حـذف خواهند شد. همچنین طول خط فشار متوسط نیز کاهش خواهد یافت. از طرفی یک هزینه اضافی جهت احداث خطوط فشار میانی صرف خواهدشد. بنابراین اظهار نظر در مورد کاهش یا افزایش هزینه قبل از انجام پروژه خالی از اشکال نمیباشد.
در مورد کاهش یا افزایش تلفات و افت ولتاژ در خط نیز همین وضعیت حاکم است. تـرانس بـه عنـوان وسیلهای که تقریباً تلفات قابل توجهی را در سیستم توزیع داشته و افزایش تعداد این دستگاه در سیـستم توزیع نشانه افزایش تلفات می باشد. بنابراین انتخاب محل , ظرفیت و تعـداد تـرانس چـه از نظـر هزینـه وتلفات تعیین کننده خواهد بود. همچنین ترانس بدلیل امپدانس سیمپیچی اولیه و ثانویه آن اگر ظرفیـت و محل آن بطور صحیح انتخاب نشودباعث افت ولتاژ بیش ازحد مجازدرثانویه آن خواهد شد چه برسد به اینکه سطح ولتاژ از طریق خط فشارضعیف و کابل سرویس بدست مشترکین برسد. بنابراین بـا توجـه به مطالب فوق هدف ازانجام این پروژه درگام اول انتخاب مناسبترین و بهینهترین سطح ولتاژ میانی بـا توجه به سیستم توزیع ایران و در گام بعدی بررسی تـأثیر اسـتفاده از ایـن سـطح ولتـاژ میـانی درتلفـات، افت ولتاژ و همچنین ارزش آتی هزینه کاهش یا افزایش یافته تلفات واحداث خط فشار میانی می باشد.
۶
.2-1 پیشینه تحقیق :
سطح ولتاژمیانی درشبکه توزیع برق درکشورهای مختلف ازسالها قبل مورد استفاده قـرار گرفتـه اسـت.
جدول( 1 ـ ( 1 بطور خلاصه سطوح ولتاژ زیر22 kV جهت تغذیه بارها و همچنین فرکانس نامی شـبکه رادرکشورهای مختلف نشان می دهد.[15] در کشور ما نیز این تحقیقات بطـور محـدود و در برخـی از برق منطقهایها انجام شده و مقالاتی نیز در این زمینه ارائه شده است. در ادامه این بخش بـه تعـدادی از تجربیات و تحقیقات کشورها در جهت تغییر سطح ولتاژ موجـود و اسـتفاده از یـک سـطح ولتـاژ میـانی دیگر و همچنین تجربیاتی در جهت تغییر ساختار سیستم توزیع و آرایش جدید شبکه پرداخته میشود.
جدول ( 1 ـ : ( 1 ولتاژهای میانی و فرکانس تغذیه در تعدادی از کشورها
ولتاژتغذیه ( ( kV فرکانس ( ( HZ کشور
13/2 و 6/88 50 آرژانتین
11 و 6/6 و 19/1 50 استرالیا
12/5 و 7/2 و 0/6 60 کانادا
11/2 و 13/8 50 و60 برزیل
10 و 6 و 0/66 50 آلمان
6/6 50 و60 ژاپن
3 و 1 و 11 50 نپال
.1-2-1 تغییر سطح ولتاژ از 10 kV به 17/3 kV در ایرلند[16]
پروژه فوق در جهت تغییر سطح ولتاژ10kV شبکه روستایی به 17/3 kV انجام شده که ظرفیـت سیـستم را بدون هیچگونه تغییری در شبکه 1/73 برابر افزایش میدهد. مناطق روسـتایی در جمهـوری ایرلنـد بـا مساحت70000 کیلومترمربع توسط66000 کیلومترخطـوط هـوایی 10kV تغذیـه مـیشـوند. ایـن شـبکه بصورت سه فاز سه سیمه بوده وتغذیه تکفاز آن دو سیمه (فاز به فـاز) مـیباشـد. سیـستم فـوق از لحـاظ اقتصادی جهت تغذیه مناطق روستایی پراکنده و با بار کم طراحی شده و به مدت 30 سال بدون اشـکال کارکرده است. با افزایش بار مصرفی و تغذیه مصارف بین ( 500 kVA تا ( 1000kVA شـبکه فـوق بـا مشکلاتی چون افت ولتاژ و افزایش تلفـات مواجـه گردیـد. از جملـه راهحلهـایی کـه بـرای ایـن شـبکه پیشنهادگردید تغییر سطح ولتاژ از10kV به17/3 kV بود. بدین ترتیب با افزودن زمین به سیستم سـه فـاز
(چهار سیمه) و با توجه به طراحی شبکه موجود ، تغییری در سطح عایقی ایجاد نخواهدشـد. در سیـستم تکفاز نیز آرایش فاز به فاز بصورت فاز زمین تغییر کـرده تـا هیچگونـه تغییـری در شـبکه تکفـاز ایجـاد
٧
نشود. پس از پیادهسازی این روش, از لحاظ اقتصادی طرح فوق با توجه به افزایش ظرفیت ایجـاد شـده
(1/73) برابر, دارای هزینهای معادل نصف هزینه احداث یک خط10 kVجدید میباشد.
.2-2-1 استفاده از سیستم تکفاز تک سیمه در آفریقای جنوبی[18]
به دلایل زیر برقرسانی با روش تکفاز( تک سیمه )با استفاده ازولتاژمیانی به مناطق با بـارکم و روسـتایی درآفریقای جنوبی مورد توجه و بررسی بوده است :
ضریب استفاده از شبکههای روستایی بین 10% تا 30% میباشد.
مشتریان قادر به بازپرداخت هزینههای توسعه و سرمایهگذاری نیستند.
بدین لحاظ بررسیهای مختلفی درجهت کاهش هزینهها و اسـتفاده مناسـبتـر از شـبکه صـورت گرفتـه است. که ازآن جمله استفاده از سیستم تکفاز و تک سیمه با استفاده ازولتاژمیانی میباشد. ایـن روش بـا توجه به تجربیات کشورهای مختلف ازجمله استرالیا و برزیل دراین زمینه به دو شکل انجام میشود.
الف) سیستم استرالیایی :
در این روش توسط ترانس، شبکه تکفاز تک سیمه از شبکه فشارمتوسط مجزا میگردد. شکل 1) ـ ( 1
نمایـی از سیستم فوق را نشان میدهد.

ترانس مجزاکننده
22kV

220V
ترانس توزیع
شکل ( 1 ـ : ( 1 سیستم تکفازوتک سیمه استرالیایی
از مزایای این سیستم عدم تأثیرشبکه تکفاز روی حفاظت اتصال کوتاه شبکه فشارمتوسط مـیباشـد و از معایب این سیستم میتوان به هزینه ترانس مجزا کننده اشاره نمود.
ب) سیستم برزیلی :
دراین روش که درشکل ( 1 ـ ( 2 نشان داده شـده اسـت ، شـبکه تکفازمـستقیماً بـه شـبکه فـشارمتوسط متصل میشود.
٨

12/7kV

220V
ترانس توزیع
شکل ( 1 ـ : ( 2 سیستم تکفازوتک سیمه برزیلی
عمده مزیت این روش اتصال کم هزینه آن به شبکه سنتی میباشد و عیب عمده آن تأثیر روی حفاظـت اتصال کوتاه زمین و انتقال جریان نامتعادلی بارها به شبکه اصلی میباشد. در منـاطقی کـه از تـراکم بـار بالاتری برخوردار هستند به دلیل اینکه امکـان متعـادلسـازی بـار وجـود دارد از روش برزیلـی اسـتفاده مــیشــود. پــروژههــای ابتــدایی در ســطح ولتــاژ 1kV تکفــاز بــا ( بــار ( 16 kVA و 1/73 kV ســه فــاز با (بار ( 25 kVA با سیستم تک فاز تک سیمه به مرحله اجرا گذاشـته شـد. مطالعـات انجـام شـده نـشان میدهد که استفاده ازاین سیستم در فیدرهای با طول بسیارکم با صرفه اقتصادی همـراه اسـت و سیـستم تکفاز تک سیمه با روش استرالیایی نیز در مسافتهای بیش از 8/5 کیلومتر مناسب است.
.3-2-1 سیستم توزیع ولتاژمیانی در نپال[19]
سیستم توزیع درنپال باسطح ولتاژ میانی1 kV و هادیها ACSR وافت ولتـاژ % 5 طراحـی شـده اسـت.
شکل ( 1 ـ ( 3 نمایی از سیستم توزیع 1kV در نپال را نـشان مـیدهـد. در ایـن سیـستم در بخـشهایی از کابل هوایی ( خودنگهدار ) علیرغم اینکه گران تـر ازهادیهـای هـوایی اسـت اسـتفاده شـده اسـت. از جمله دلایل اینکار میتوان به موارد زیر اشاره نمود :
فاصله عایقی کمتر
دکلهای کوچکتر ( یا حتی استفاده از درختان به جای دکل )
عدم نیاز به مقره
بالا رفتن ایمنی
طراحی و ساخت لوازم جانبی سیستم فوق توسط صنایع محلی
چشم انداز بهتر از دیدگاه توریستی
کاهش دزدی برق از سیستم توزیع
٩

33kV
33 / 1kV
1kV / 220V
1kV / 400V
شکل ( 1 ـ : ( 3 سیستم توزیع 1kV در نپال
با توجه به اینکه در مناطق روستایی میزان بار بسیار کم در حدود 100W برای هر مشترک , بدلیل اینکه عمده مصرف برق جهت روشنایی استفاده میشـود. اسـتفاده از ولتـاژ فـشار ضـعیف حـداکثر تـا شـعاع
2کیلومتر را میتواند تغذیه نماید و لیکن استفاده از سطح ولتاژ میانی 1kV این امکان را میدهد که این محدوده تا شعاع 5کیلومتر افزایش یابد.
مزایای استفاده از این سیستم که قبلاً در نروژ پیاده شده است عبارتست از :
افت ولتاژ پایینتر
استفاده از سیستم سه سیمه به جای چهار سیمه
خریداری اقتصادی ترانسهای ولتاژ بالاتر از لحاظ انـدازه و سـاخت داخلـی تـرانسهـای ولتـاژ میـانی
( این ترانسها با قدرت1kVA ، 2kVA و5 kVA برای تکفاز و10kVA و25kVA برای سه فاز بصورت خشک ساخته میشوند )
کاهش خطرات اتصال کوتاه با کاهش سطح ولتاژ
کاهش دزدی برق از سیستم توزیع
١٠
.3-1 روش کار و تحقیق :
در این پروژه که هدف انتخاب سطح ولتاژمیانی بهینه برای شبکه توزیع ایران وپیاده سازی آن می باشد.
روشی که دراین پروژه برای انجام آن انتخاب شده روش علمی مبتنی بـر واقعیتهـای عملـی موجـود در شبکه توزیع ایران است. به عبارتی ضمن انجام محاسبات علمی شرایط عملـی واجرایـی نیزدرنظرگرفتـه می شود. زیرا زمانی طـرح علمـی قابـل اجـرا مـی باشـد کـه محـدودیتها و شـرایط عملـی واجرایـی در نظرگرفته شود. با توجه به اهداف پروژه مبنی برانتخاب سطح ولتاژ میانی بهینه و همچنین بررسی فنـی و اقتصادی استفاده از ولتاژمیانی , پروژه در چهار مرحله جهت انجام قالب بندی شده است.
در مرحله اول المانها وتجهیزات مختلف سیستم توزیع که در افت ولتاژوتلفـات موثرانـد مـورد بررسـی قرارمی گیرند. اهمیت این مرحله بخاطر استفاده از نتایج حاصـله ازآن بـرای انتخـاب سـطح ولتاژمیـانی بهینه درمرحله سوم وبررسی تلفات وافت ولتاژدر مرحله دوم است. درایـن مرحلـه المانهـایی کـه نقـش اصلی در تلفات و افت ولتاژدرسیستم توزیع دارند مورد بررسی قرار می گیرند که ازآن جمله می تـوان به ترانس اشاره نمود. تلفات خود ترانس واینکه ازترانس سه فـاز ویـا تکفـاز بـا قـدرت معـادل بـاآن در پست استفاده شود و رابطه افت ولتاژ ترانس با سطح ولتاژکاری آن بررسی می شود. درادامه این مرحلـه ارزش آتــی تلفــات وهزینــه احــداث مــورد بررســی قــرار گرفتــه وروابــط مربوطــه ارائــه شــده انــد. ایــن بخش, نقش تعیین کننده ای را درانتخاب سطح ولتاژمیانی وهمچنـین مقایـسه سیـستم توزیـع معمـول بـا سیستم توزیع با استفاده از ولتاژمیانی دارد. دراین مرحله تابع هزینه ای معرفی شده که ازدو مولفه هزینـه تلفات و هزینه احداث تشکیل شده است.
( 1 – 1 )ارزش آتی هزینه تلفات + ارزش آتی هزینه سرمایه گذاری F =
مجموع این دو مولفه در مقایسه دو سیـستم توزیـع مـذکور و انتخـاب سـطح ولتـاژ میـانی تعیـین کننـده خواهد بود. وکمترین مقدار برای تابع فوق , بهینه ترین حالت می باشد. تفاضل تابع هزینه بـرای سیـستم توزیع با ولتاژ میانی و سیستم توزیع مرسوم مقدار هزینه فایده را خواهدداد.
در مرحله دوم بادرنظرگرفتن شرایط فیزیکی مناطق مختلف درایران شبکه های ولتاژمیانی متناسب با آن ارائه می شوند. درادامه, بررسی تلفات و افت ولتاژ برای این شبکه ها انجام شده وبا شبکه توزیع معمول مقایسه و روابط لازم جهت طراحی بهینه شبکه ولتاژ میانی ارائه می شوند.
در مرحله سوم با توجه به نوع شبکه ارائه شده درمرحله دوم, تجهیزات سیستم توزیع با ولتاژمیانی تعیـین می شود. سپس سطح ولتاژمیانی درگام اول از بین سطوح ولتاژ استاندارد ودرگام دوم بـا در نظرگـرفتن چند ظرفیت انتقالی با توجه به شبکه توزیع ایران وطول فیدر1کیلومتری وبااسـتفاده از تـابع هزینـه ارائـه شده درمرحله دوم ونتایج بدست آمده ازمرحله اول انتخاب می شود. در این مرحله با توجـه بـه طـول و
١١
قدرتهای مختلف که بطور مفصل علت انتخاب آنها بحث خواهد شد و با استفاده از تابع هزینـه , سـطح ولتاژی که کمترین هزینه را از نظر مجموع ارزش آتی تلفات وسرمایه گذاری دارد انتخاب می شود.
در مرحله چهارم با توجه به انواع شبکه های ولتاژمیانی ارائـه شـده درمرحلـه دوم , شـبکه نمونـه واقعـی متناسب با آن انتخاب و شبکه ولتاژمیـانی روی آن پیـاده سـازی مـی شـود. درنهایـت شـبکه ولتاژمیـانی طراحی شده با شبکه توزیع مرسوم مقایسه و نتایج حاصله ارائه خواهد شد.
١٢

فصل دوم
رابطه تلفات وافت ولتاژدرتجهیزات سیستم
توزیع باولتاژکاری و ارائه تابع هزینه
١٣
.1-2 مقدمه :
در این فصل ابتدا ضرایب و تعاریف مهم ارائه سپس به بررسی اجزاء مهم تلفات ازقبیل ترانس ، خطوط و ... پرداخته می شود. هدف اصلی از این فصل بررسی تلفات اجزائی که نقش مهمی در تلفـات شـبکه توزیع دارند و اینکه تلفات در آنها تابعی از سطح ولتاژ خط می باشد. چون در فصول آینده نیاز بـه ایـن است که تلفات چه تجهیزاتی با سطح ولتاژ آن رابطه دارد. به همین دلیل نیاز به بررسی آن در این فصل ضروری به نظر می رسد. همچنین با توجه به نیاز برای مقایـسه تلفـات در تـرانس سـه فـاز و تکفـاز ایـن مقایسه انجام می شود. در بخشهای بعدی این فصل افت ولتاژ در ترانس ، خط و اجزائی که افـت ولتـاژ درآنها با سطح ولتاژ کاری متناسـب اسـت بررسـی مـی شـود. ایـن بـه خـاطر وجـود تجهیـزات اضـافی درسیستم توزیع با ولتاژمیانی است. که مهمترین آنها ترانس می باشدکه نقش عمده ای را درافـت ولتـاژ شبکه دارد. درانتهای فصل تابع هزینه با توجه به تلفات و هزینه سرمایه گذاری ارائه شده است. این تـابع جهت انتخاب سطح ولتاژمیانی و همچنین مقایسه شبکه توزیع مرسوم با شـبکه ولتاژمیـانی و نیـز بدسـت آوردن هزینه فایده بکارمی رود.
١۴
.2-2 تعاریف و ضرایب کاربردی :
تعریف تلفات :
آن بخش از انرژی الکتریکی که به کار مفید تبدیل نشود، تلفات نام دارد.
تلفات انرژی :
مقدار متوسط تلفات توان در دوره مورد مطالعه می باشد. که از رابطه زیر به دست می آید :
 T  PLossmax  FLS( 1 - 2) تلفات انرژی
که :
: PLossmax تلفات توان ماکزیمم ( ( kW
: FLs ضریب تلفات
: T دوره زمانی ( ساعت )
ضریب بار :
ضریب بار شاخص دیگری است که بـرای بررسـی مـصارف مـی توانـد مـورد اسـتفاده قـرار گیـرد. در حقیقت این ضریب تابعی است از انرژی و توان انتقالی ،که مقدار آن درهر مصرف کننده ازرابطـه زیـر به دست می آید: [7]
( 2 - 2 ) انرژی در دوره T  ضریب بار (پیک بار) T  رابطه ( 2 - 2) را می توان بصورت رابطه زیر نوشت : ( 3 - 2 ) Pav  ضریب بار P max ضریب تلفات :
شاخص دیگری که در مطالعات بار مورد اسـتفاده قـرار مـی گیـرد ، ضـریب تلفـات مـی باشـد. کـه در حقیقت از نسبت تلفات انرژی دردوره مورد مطالعه به حداکثر تلفات توان ( یا تلفات در بار ماکزیمم )
به دست می آید .[7] این تعریف را می توان بـه صـورت نـسبت تلفـات تـوان متوسـط بـه تلفـات تـوان ماکزیمم بصورت زیر نشان داد :
( 4 - 2 ) av ( P Loss ضریب تلفات max P Loss رابطه ضریب بار و ضریب تلفات :
در حالت کلی همواره برای ضریب تلفات و توان رابطه زیرصدق می کند.[7]
F 2Ld  FLs  FLd( 5 - 2 )
١۵
که :
: FLd ضریب بار
: FLs ضریب تلفات
بر اساس برخی مطالعات تجربی رابطه زیر برای این دو ضریب ارائه شده است .[7]
FLs 0 .3 FLd 0.7F 2Ld( 6 - 2 )
.3-2 اجزاء تلفات و رابطه آنها با سطح ولتاژ :
در این بخش تلفات تجهیزاتی از سیستم توزیع بررسی می شود که نقش عمـده ای را در تلفـات دارنـد.
همچنین رابطه تلفات این تجهیزات با افت ولتاژ مورد بررسی قرار می گیرد.
.1-3-2 تلفات ترانس
تلفات درترانس توزیع شامل دو مؤلفه است :
الف) تلفات مسی :
تلفات مسی یا تلفات ژول که در سیم پیچیهای ترانسفورماتورها ایجاد میگردد ، یکـی از عوامـل اصـلی تلفات در ترانسفورماتورها می باشد. و عملاً درصد عمده ای را به خود اختصاص می دهد. بـا توجـه بـه اینکه این بخش ازتلفات مستقیماً به جریان عبوری از ترانس بستگی دارد. در بی باری مقـدار آن تقریبـاً معادل صفر و در حالتیکه توان عبوری ازآن برابر توان اسمی باشـد مقـدار تلفـات بـارداری نیـز بـه حـد اسمی خود می رسد. در حالت کلی تلفات بارداری در بار دلخـواه S را مـی تـوان بـه صـورت تـابعی از مقادیر اسمی و مطابق رابطه زیر نشان داد.[5]
LL  LL n ( SS ) 2( 7 – 2 )

n
که :
: Sn قدرت اسمی ترانس ( ( kVA
: LL تلفات بارداری ترانس در بار دلخواه ( ( kW
S: بار انتقالی از ترانس ( ( kVA
: LLn تلفات بارداری ترانس در بار نامی ( ( kW
ب) تلفات بی باری :
تلفات بی باری ترانس ناشی از دو مولفه می باشدکه عبارتند از :
جریان مربوط به تلفات هسته
جریان مغناطیس کننده
برآیند این دو جریان, تلفاتی را در ترانس ایجاد می کند که به تلفات بی باری موسوم است. لازم به
١۶
ذکر است که جریان مغناطیس کننده فقط باعث تلفات مسی می شودکه از آن صرفنظر می شود.
تلفات توان درآهن از رابطه زیر به دست می آید: [1]
PFe  K e B 2m f 2  K h Bm 2 fW Kg( 8 - 2 )
که :
: Bm چگالی شار هسته ترانس ( Wb ) m 2 f : فرکانس شبکه ( ( Hz : K e ضریب تلفات فوکو : K h ضریب تلفات هیسترزیس عبارت اول سمت راست رابطه ( ( 8 - 2 مربوط به تلفـات فوکـو و عبـارت دوم آن مربـوط بـه تلفـات هیسترزیس است. این تلفات برای هرترانس چه در طول بی باری و بارداری تـرانس مقـدارثابتی بـوده و در هنگام محاسبه با ضریب تلفات FLS = 1 لحاظ خواهند شد.
ج) مجموع تلفات انرژی در ترانس :
کل تلفات انرژی در ترانس ها در اثر دو عامل تلفات بارداری و بی باری به وجود می آید ، کـه مقـدار آنرا درحالت کلی به صورت زیر می توان نشان داد :
( 9 - 2 ) W Loss  T [ PNL  PFL . K 2 . F Ls ] 2 ) ( 10 - S K  Sn که : : FLs ضریب تلفات
: PFL تلفات مسی ترانس در بار نامی ( ( kW
T: تعداد ساعات مؤثر سالیانه که ترانس تحت اعمال ولتاژ است ( ساعت )
: PNL تلفات بی باری ترانس ( ( kW
: K نسبت بار کشیده شده از ترانس به ظرفیت نامی آن
.2-3-2 رابطه تلفات ترانس با سطح ولتاژ کاری
دراین بخش رابطه تلفات ترانس برای قدرت ثابت با سطح ولتاژ آن بررسی مـی شـود. نتیجـه ای کـه از این بخش حاصل می شود. درانتخاب سطح ولتاژ میانی مورد استفاده قرارمی گیرد.
.1-2-3-2 رابطه تلفات مسی ترانس با سطح ولتاژ
تعداد دورسیم پیچی های اولیه و یـا ثانویـه تـرانس از رابطـه زیرکـه نـسبت ولتاژفـاز بـه ولتـاژ روی هـر حلقه است محاسبه می شود.[1]
( 11 - 2 ) VS TS  Et ١٧
که :
: VS ولتاژ فاز ( ( kV
: Et ولت بر دور هر فاز ( ( kV
: TS تعداد دور فاز
ولت دور یا Et از رابطه ( ( 12 - 2 به دست می آید.[1]
Q( 12 - 2 ) Et  K

که :
: Q قدرت ظاهری ترانس( ( kVA
: K ضریب ثابت
بــا جایگــذاری رابطــه ( ( 12 – 2 در رابطــه ( ( 11 - 2 و همچنــین جــایگزینی ولتــاژ VS فــاز بــا ولتــاژ خط Vm رابطه زیر بدست می آید :
( 13 - 2 ) Vm TS  K 3 Q جریان هر فاز ترانس با رابطه ( ( 14 - 2 معادل است : IS  Q ( 14 - 2 ) 3
3Vm

که :
: Q قدرت ظاهری سه فاز ترانس( ( kVA : Vm ولتاژ خط میانی( ( kV
سطح مقطع سیم پیچی از رابطه نسبت جریان فاز به چگالی جریان سیم بدست می آید.
( 15 - 2 ) IS aS  δ : a S سطح مقطع سیم پیچی(( mm2 : δ چگالی جریان هادی ( A ) mm 2 با جایگذاری رابطه ( ( 14 - 2 در رابطه ( ( 15 - 2 رابطه زیر بدست می آید : ( 16 - 2 ) Q a S  3Vm δ
مقاومت اسمی سیم پیچی ازرابطه زیربدست می آید :
( 17 - 2 ) T S L mts ρ R S a S که : : ρ مقاومت ویژه سیم ( ( Ω mm 2 m ١٨
: TS تعداد دور سیم پیچی
: a S سطح مقطع سیم پیچی ( mm2) : Lmts طول حلقه سیم پیچی ( m)
تلفات مسی سیم پیچی از رابطه ( ( 18 - 2 به دست می آید :
PLoss  3 RS I 2S( 18 -2 )
بــا جایگــذاری روابــط ( ( 17 - 2 و ( ( 14 - 2 در رابطــه ( ( 18 - 2 و پــس از ســاده ســازی رابطــه زیــر بدست می آید :
( 19 - 2 ) Q δLmts PLoss  ρ K همانطوری که از رابطه ( ( 19 - 2 مشاهده می شود تلفات مسی مستقل از سطح ولتاژ خط بوده و تـابعی از ظرفیت آن است.
.2-2-3-2 رابطه تلفات آهن با سطح ولتاژ
تلفات توان آهن ترانس از رابطه زیر به دست می آید :
PFe  Kh fB2m  Ke f 2 B 2mW Kg( 20 - 2 )

رابطه ( ( 20 - 2 تلفات توان درآهن ترانس را نشان می دهد که تابعی از چگالی شـار، فرکـانس و وزن آهن می باشد. از طرفی ولت بر دور هر فاز نیز رابطه ای با فرکانس , چگالی شـار و سـطح مقطـع هـسته داردکه با ثابت فرض کردن E t ولتاژ روی هردور فاز, رابطه زیر برای E t بصورت زیرمی باشد.[1]
( 21 - 2) Et  4.44 fBm A با جایگذاری E t با رابطه ( ( 12 - 2 برای سطح مقطع آهن رابطه زیر بدست می آید : ( 22 - 2 ) K Q A  4.44* f * Bm با بررسی رابطه ( ( 20 - 2 استنباط می شود که تلفات آهن تابعی از فرکانس شـبکه وچگـالی شـار آن است. با فرض فرکانس ثابت شبکه واینکه چگالی شار تابعی از ظرفیت ترانس است سطح مقطـع هـسته نیز تابعی ازظرفیت آن بوده و هیچ وابستگی به سـطح ولتـاژ آن نـدارد. بنـابراین تلفـات آهـن تـرانس بـا ظرفیت ثابت هیچ رابطه ای با سطح ولتاژکـاری آن نـدارد. بـا توجـه بـه مباحـث صـورت گرفتـه معلـوم می شودکه تلفات ترانس فقط تابعی از ظرفیت آن بوده وهیچ رابطه ای با سطح ولتاژ آن ندارد.
.3-3-2 مقایسه تلفات ترانس سه فاز با ترانس تکفاز با قدرت مساوی
با توجه به دو مؤلفه تلفات مسی و آهنی ترانس دراین بخـش نیـز هـر دو مـورد بـرای هـر دو تـرانس بـا ظرفیت مساوی مقایسه و نتیجه گیری خواهد شد.
١٩
.1-3-3-2 مقایسه تلفات مسی برای ترانس سه فاز و تکفاز با قدرت مساوی
تلفات مسی کل سیم پیچ ترانس سه فاز از رابطه زیر به دست می آید :
( 23 - 2 ) 2 2 n1 RS )I P ( 3(RP  ( PCu3ϕ  n2 که : IP : جریان فاز بر حسب ( ( A : RS مقاومت اهمی سیم پیچی ثانویه( ( Ω : RP مقاومت اهمی سیم پیچی اولیه ( ( Ω n1 : نسبت تبدیل ترانس n 2 جریان فاز اولیه ترانس از رابطه زیر بدست می آید ( اتصال ترانس ستاره - ستاره می باشد ) : ( 24 - 2 ) ( Q I P  ( 3Vm : Q قدرت ظاهری ترانس ( ( kVA : Vm ولتاژ خط ( ( kV IP : جریان فاز ترانس ( ( A سطح مقطع سیم پیچی اولیه از رابطه زیر بدست می آید : ( 25 – 2 ) I P aP  δ که : ( A mm 2 : δ چگالی جریان سیم پیچی ( : I P جریان فاز اولیه بر حسب ( ( A مقاومت سیم پیچی فاز از رابطه زیربدست می آید.[1] ρL T ( 26 - 2 ) Pmtp RP  aP بـا جایگــذاری روابــط ( ( 25 - 2 و ( ( 24 - 2 ورابطــه ( ( 11 - 2 در رابطــه( ( 26 - 2 و پــس از ســاده سازی رابطه زیر بدست خواهد آمد :
( 27 - 2 ) V m 3ϕ L mtp ρδ  R P Q 3 K 3ϕ I P : RP مقاومت اهمی سیم پیچی فاز اولیه ( ( Ω ρ : مقاومت ویژه هادی سیم پیچی ( ( Ω mm 2 A m 3ϕ : δ چگالی جریان ( ) mm 2
٢٠
: IP جریان اولیه فاز ( ( A
Q: قدرت سه فاز ( ( kVA
: Lmtp طول حلقه متوسط فاز اولیه ( m) : Vm ولتاژ خط ( kV )
: K3 φ ضریب ثابت ترانس سه فاز
از رابطه ( ( 27 - 2 برای سیم پیچی ثانویه رابطه زیر بدست می آید : ( 28 - 2 )

VLV 3ϕ Lmts ρδ RS Q 3K 3ϕ I S
با جایگذاری روابط ( ( 28 - 2 و ( ( 27 - 2 و ( ( 24 - 2 در رابطـه ( ( 23 - 2 و پـس از سـاده سـازی رابطه زیر بدست می آید :
( 29 - 2 ) ) Q Lmtp3φ L mts3φ ρδ3ϕ( PCu3ϕ K 3ϕ : PCu3 ϕ تلفات مسی ترانس ( ( kW
اگر محاسبات مشابه برای ترانس تکفاز نیز انجام شود تلفات کل مس برای ترانس تکفاز برابر است با :
( 30 - 2 ) ) Q 1φ Lmts 1φ Lmtp ρδ PCu 1ϕ  1ϕ ( K 1ϕ اگر نسبت رابطه( ( 29 - 2 به ( 30 - 2 )محاسبه شود با فرض قدرت یکـسان بـرای هردوتـرانس رابطـه زیر بدست می آید :
( 31 - 2 ) ( 3 ϕ L mts  3 ϕ L mtp )  3 ϕ δ  1 ϕ K  3 ϕ PCu 1 ϕ L mts  1 ϕ L mtp 1 ϕ δ 3 ϕ K 1 ϕ PCu با دقت در رابطه ( ( 31 - 2 با مساوی در نظر گرفتن چگالی جریان سیم پیچـی هـای سـه فـاز و تکفـاز رابطه ( ( 31 - 2 تابعی از نسبت ضریب ثابت ترانس تکفاز به ترانس سه فاز کـه بـستگی بـه سـتونی یـا زرهی بودن ترانس ها داشته و ایـن نـسبت بـرای تـرانس زرهـی کوچکترازیـک وبـرای تـرانس سـتونی بزرگتر یا مساوی یک می باشد. با توجه به اینکه اکثر ترانسفورماتورهای توزیع از نوع ستونی می باشـند بنابراین نسبت ضریب ثابت ترانس تکفاز به ترانس سه فازبزرگتر یا مساوی یک خواهـد بـود. در مـورد نسبت طول متوسط حلقه ها نیز بستگی به نوع سیم پیچی های آن دارد. اما در مجموع حاصلـضرب ایـن دو مقادیرنزدیک عدد 1 بوده و نشان دهنده تساوی تلفات مسی ترانس سه فاز و تکفاز است. با مراجعـه به جداول اطلاعات مربـوط بـه مشخـصات ترانـسهای تکفـاز و سـه فازسـاخت شـرکت ایـران ترانـسفو,
مشاهده می شودکه این تلفات برای هر دو ترانس برای اکثر ظرفیتها با سطح ولتـاژ برابـر، مـساوی بـوده وفقط برای برخی از ظرفیتها تلفات مسی ترانس سه فازبزرگتر از تلفات مسی ترانس تکفاز می باشد.
بنابراین می توان نتیجه گرفت که :
PLoss cu 3 φ ≥ PLoss cu 1φ( 32 - 2 )
٢١
رابطه ( ( 32 - 2 نشان می دهدکه تلفات مس ترانس سه فاز بزرگتر یا مساوی تلفات مس ترانس تکفاز
با ظرفیت مساوی با آن است.
.2-3-3-2 مقایسه تلفات آهن ترانس سه فاز با تلفات آهن ترانس تکفـاز بـا
قدرت مساوی
با مراجعه به رابطه ( ( 20 - 2 این فصل تلفات آهن در تـرانس بـا فرکـانس، چگـالی شـار و وزن هـسته متناسب است. اگر فرکانس برای هر دو ترانس یکسان در نظرگرفته شود و چگـالی شـارنیز متناسـب بـا ظرفیت ترانس انتخاب شود تنها متغیرها سطح مقطع هسته و طول آهـن تـرانس مـی باشـند. بـا توجـه بـه رابطه ( ( 22 - 2 اگر نسبت سطح مقطع هسته ترانس سه فاز به ترانس تکفاز نوشته شود :
( 33 -2 ) 3ϕ K  A 3 ϕ K 1ϕ A 1ϕ با دقت در رابطه ( ( 33 - 2 نسبت ضریب ثابت ترانس سه فاز به ترانس تکفاز بـا توجـه بـه نـوع تـرانس تعیین می شود. این نسبت برای ترانس ستونی, کوچکتر یا مساوی عدد 1 و برای ترانس زرهـی بزرگتـر ازعدد 1است. با توجه به اینکه اکثرترانسفورماتورهای توزیـع ازنـوع سـتونی مـی باشـند بنـابراین سـطح مقطع ترانس سه فاز بایدکوچکتر یا مساوی ترانس تکفاز باشـد. درحالیکـه ایـن نـسبت, بـسته بـه طـراح ترانس دارد و با توجه به بازه موجود برای انتخاب این ضـریب بـرای تـرانس تکفـاز, هـر دو ضـریب را می توان مساوی در نظر گرفته و بیان کرد که سطح مقطع هسته برای ترانس سه فـاز وتکفـاز بـا ظرفیـت مساوی معادل هم اند. با در نظرگرفتن حجم آهن, با توجه به طول آهن بزرگترترانس سـه فازنـسبت بـه تکفاز, حجم آهن در ترانس سه فاز بزرگتر بوده و تلفات آهن ترانس سه فاز بزرگتـر از تـرانس تکفـاز خواهد بود. بنابراین تلفات آهن ترانس سه فاز بزرگتر یا مساوی ترانس تکفاز است.
PLoss Fe 3 φ ≥ PLoss Fe 1φ( 34 - 2 )
با مراجعه به جدول مربوط به مشخصات ترانس سه فـاز و تکفـاز سـاخت شـرکت ایـران ترانـسفو بـرای سطوح ولتاژ مساوی, تلفات آهن برای ظرفیتهای 100 kVA و 10kVAبرای ترانس سـه فـاز بزرگتـر از ترانس تکفاز است. بنابراین تلفات ترانس تکفاز کوچکتر و یا مساوی ترانس سه فـاز هـم قـدرت بـا آن است. اما اختلاف تلفات ترانس سه فاز و تکفاز تقریباً کم بوده و می شـود تلفـات آن دو را یکـسان در نظر گرفت.
.4-3-2 مقایسه تلفات ترانس سه فاز با n ترانس با مجموع ظرفیت معادل آن
بهترین روش برای انجام این مقایسه, از روی جدول مربوط به تلفات ترانس است. با مراجعه بـه جـدول مشخصات ترانس سه فاز وتکفاز ساخت شرکت ایران ترانسفو مشاهده می شودکه تلفات ترانس سه فاز کمتر از تلفات n ترانس تکفاز با مجموع ظرفیت معادل با ظرفیت ترانس سه فازاست.
٢٢
.5-3-2 مقایسه تلفات خط ناشی از بکارگیری ترانس سه فاز و ترانس تکفاز
تلفات درکابل وخط عکس مجذورولتاژخط است. یعنی باافزایش ولتاژ خط به اندازه دوبرابر برای یک
قدرت وطول فیدر ثابت, تلفات آن 1 حالت قبلی خواهد شد. درانشعاب ترانس سه فاز از خط با فـرض
4
متعادل بودن بارهای انشعابی درفازهای ترانس, تلفات خطی با توجه به شکل( 1 - 2 )بدست میآید.

R
S
T
∆/Y

T
Load 3phas
شکل ( : ( 1 - 2 انشعاب ترانس سه فاز از خط
اگر مقاومت هر فازخط معادل و برابر با r باشد، جریان خط با توجه به بار سه فاز برابر با :
( 35 - 2 ) S3φ I L  3Vm که: : S3φ قدرت مصرفی بار سه فاز ( ( kVA : Vm اندازه ولتاژ خط ( ( kV : IL اندازه جریان خط ( ( A
رابطه تلفات برای خط سه فاز برابر است با : ( 36 - 2 )
با جایگذاری رابطه ( ( 35 - 2 در ( ( 36 - 2 رابطه زیر بدست میآید :

2
L

PLoss 3 φ  3 rI
( 37 - 2 ) 2 ( S 3 φ r ( PLoss 3 φ  V m در انشعاب ترانس تکفاز از خط بین فاز و نول تلفات خط با توجه به شکل ( ( 2 - 2 بدست می آید.
٢٣

R

S
T
N
∆/Y

T
Load 1phas
شکل ( : ( 2 - 2 انشعاب ترانس تکفاز از خط
اگر مقاومت سیم نول معادل باسیم فاز وبرابر r باشد. جریان خط با توجه به بارتکفاز, درسـیم فـاز برابـر خواهد بود با :
I L  S( 38 - 2 )
VP
رابطه ( ( 38 - 2 معادل با جریان خط در سیم فاز است که :
: S قدرت مصرفی بار ( ( kVA
: VP ولتاژ فازسمت اولیه ترانس ( ( kV
: IL جریان خط بر حسب ( ( A
جریان سیم نول معادل با مجموع جریان عبوری سایر فازها ازاین سیم است.
( 39 - 2 ) S * ( n ... * V P : Si قدرت مصرفی بار تکفاز ( ( kVA n : VPi ولتاژ فازاولیه ترانس ( ( kV
* S * S I n 2  1 ( * V * V P P 2 1 تلفات در خط شامل تلفات سیم فاز ونول است که بـا اسـتفاده ازروابـط ( ( 38 - 2 و ( ( 39 - 2 رابطـه زیر بدست میآید :
2 n S *K 2 S ( 40 - 2 ) ( K ∑1  PLoss1φ  r( VK* VP رابطه ( ( 40 - 2 تلفات در خط ناشی از انشعاب ترانس تکفاز را نشان می دهد.
: r مقاومت اهمی سیم فاز و نول ( ( Ω
: S قدرت ظاهری هر ترانس ( ( kVA
: VP ولتاژ فازسر ترانس بر حسب ( kV )
: Vk ولتاژ فاز سراولیه ترانس های منشعب ازخط ( kV )
٢۴
با بدست آوردن نسبت رابطه ( ( 37 - 2 به ( ( 40 - 2 رابطه زیر بدست می آید :
2 ( S r ( PLoss 3φ ( 41 - 2 ) Vm  2 * n 2 S PLoss 1φ ( S K ∑  r ( * VP VK K 1 با فرض اینکه VP ولتاژ فاز با فرض عدم تعادل خط باز با V m برابر خط معـادل باشـد. بـا سـاده سـازی رابطه ( ( 41 - 2 رابطه زیر بدست می آید : 3 2 * S k n 3S ∑ r ) 2 r ( PLoss 1φ * ( 42 - 2 ) k V k 1  Vm  2 S r 2 S r PLoss 3φ Vm Vm 2 * S n k k ∑1 PLoss 1φ ( 43 - 2 ) * k V 3 2 S PLoss 3φ Vm
با دقت در رابطه ( ( 43 - 2 مشاهده می شود که تلفات در خط بـا انـشعاب تـرانس تکفـاز, حـداقل سـه
برابرآن در استفاده از ترانس سه فاز است. در صورتیکه ترانس تکفاز بین دو فازخط قرارگیرد با توجـه
به رابطه ( ( 42 - 2 تلفات خط در این حالت برای استفاده از ترانس تکفاز معادل یـا بزرگتـر از تلفـات خط در حالت استفاده از ترانس سه فاز خواهد بود.
P Loss Line 1 φ ≥ PLoss Line 3 φ( 44 - 2 )
.6-3-2 سایر اجزاء تلفات
همانطوریکه دربخشهای قبلی بحث شد اجزائی که بیشترین تلفات رابه خوداختصاص می دهنـداز قبیـل ترانس وخط مورد بررسی قرارگرفتند. دراین بخش سایراجزاء تلفات نیزموردبررسی قرار می گیرند.
- 1 کلیدها :
این نوع تجهیزات جهت قطع و وصل و حفاظت در سیستم توزیع مورد استفاده قرارمی گیرنـد. باتوجـه به اینکه کنتاکت کلیدها ازموادی ساخته می شوندکه قابلیت هدایت بالایی داشته باشـند، بنـابراین افـت ولتاژ و تلفات ناچیزی داشته و می توان ازآنها صرفنظر کرد.
- 2 فیوز :
این المان جهت حفاظت دربرابراتصال کوتاه مورداسـتفاده قرارمـی گیردوباتوجـه بـه تعدادانـدک آنهـا درسیستم توزیع می توان ازتلفات آنهاصرفنظرکرد. تلفات این وسیله برای قدرتهای بـسیاربالازیر100W
می باشد.[3]
٢۵
- 3 ترانسفورماتورهای اندازه گیری :
این تجهیزات در داخل پستهای اصلی و زمینی جهت اندازه گیری بکـار مـی رونـد. بـا توجـه بـه تعـداد اندک آن و همچنین ظرفیت نامی آنهـا کـه در حـدود 60VA اسـت، مـی تـوان از تلفـات آن کـه زیـر
100W می باشد صرفنظر نمود.[3]
- 4 مقره ها و برقگیر :
این تجهیزات جهت نگه داشتن هادیهای خطوط و ایزولاسیون آنهـا از یکـدیگر و یـا حفاظـت خـط در برابر صاعقه به کار می روند. با توجه بـه اینکـه تلفـات در ایـن نـوع تجهیـزات از نـوع خزشـی و نـشتی می باشد، می توان از تلفات مقره و برقگیرها صرفنظر نمود.
- 5 کات اوت :
این وسیله جهت قطع و وصل اولیه ترانس در پستهای هـوایی مـورد اسـتفاده قرارمـی گیـرد. باتوجـه بـه خاصیت هدایت خوب کنتاکتهای آن می توان ازتلفات این وسیله نیزصرفنظر نمود.
.4-2 اجزاء موثر درافت ولتاژ و رابطه آنها با ولتاژ کاری :
.1-4-2 ترانس و رابطه افت ولتاژ آن با ولتاژ کاری
در شبکه های ولتاژ میانی که در فصول آینده مورد بررسی قرار می گیرند، نقش این وسیله درافت ولتاژ قابل توجه است و بخش عمـده ای از افـت ولتـاژ رابـه خوداختـصاص مـی دهـد. درشـبکه بااسـتفاده از ولتاژمیانی, دوترانس، یکی جهـت تبـدیل سـطح ولتـاژ فـشارمتوسط بـه فـشارمیانی و دیگـری درسـمت مشترکین جهت تبدیل ولتاژ میانی به فشار ضعیف بکارمی روند. افت ولتاژ شامل دو مؤلفه است :
افت ولتاژ روی مقاومت سیم پیچی
افت ولتاژ روی راکتانس سیم پیچی
با توجه به اینکه هر کدام از این دو مؤلفه در سـیم پیچـی اولیـه و ثانویـه آن وجـود دارد. بنـابراین بـرای هرسیم پیچی بایدروابط افت ولتاژناشی ازهردومولفه محاسبه شود.
- 1 افت ولتاژ روی مقاومت سیم پیچی :
VR افت ولتاژکل روی مقاومت سیم پیچیهای اولیه و ثانویه ترانس می باشد :
VR  VR p  VRs( 45 - 2 )
: VR P افت ولتاژ روی مقاومت سیم پیچی اولیه ( V )
: VR S افت و لتاژ روی مقاومت سیم پیچی ثانویه ( V )
اگر مقاومت اولیه rP و مقاومت ثانویه آن rS باشد و مقاومت ثانویه با نسبت تبدیل ترانس به اولیه منتقل
شود رابطه ( ( 46 - 2 را می توان نوشت.
٢۶
( 46 - 2 )
که :
: r P مقاومت اولیه ترانس ( ( Ω
: rS مقاومت ثانویه ترانس ( ( Ω
: RP مقاومت کل از دید اولیه ترانس ( ( Ω
: T P نسبت تبدیل ترانس
TS
افت ولتاژ روی مقاومت ترانس برابر با رابطه زیر است : ( 47 - 2 )
مقادیر rP و rS سیم پیچها برابرند با :
( 48 - 2 )
( 49 - 2 )
که :
: δ چگالی جریان هادی سیم پیچی ( A )
2mm

2 p T * rs rp R P Ts VR  RP IP
T P L mtp ρδ  rP I P ρδ T S L mts  rS I S : ρ مقاومت ویژه هادی سیم پیچی ( ( Ωmm2
m
: I P جریان فاز ( A )
: TP تعداد دور اولیه ترانس
: Lmtp طول حلقه متوسط سیم پیچی ( ( m
با جایگذاری روابط ( 48 - 2 )، ( ( 49 - 2 و ( ( 46 - 2 در ( ( 47 - 2 رابطه زیر بدست می آید :
( 50 - 2 ) ( ρδ T P L mtp 2 P T L S ρδ T I P   mtS  V R I p I S T S باساده سازی رابطه ( 50 - 2 ) و جایگذاری مقدار IS با IP و با در نظر گرفتن ضریب تبدیل ( TP ) : T ( 51 - 2 ) Lmts T P L mtp S ρδ V R که مقدار TP یا تعداد دور برابر با رابطه زیر می باشد : V ( 52 - 2 ) p T P  Q K با جایگذاری رابطه ( 52 - 2 ) در ( ( 51 - 2 رابطه زیر بدست می آید : ( 53 - 2 ) ( ( Lmtp ρδ  L mts V R  V P  Q k
٢٧
با دقت در رابطه ( 53 - 2 )استنباط می شود که افت ولتاژ روی مقاومت اهمی ترانس تـابعی از عکـس ظرفیت ترانس است. یعنی با افزایش ظرفیت, افت ولتاژ اهمی کاهش می یابد و تابعی از سطح ولتاژ نیـز می باشد. به این دلیل که با افزایش سطح ولتاژ برای یک قدرت ثابت تعداد دور سـیم پیچـی افـزایش و سطح مقطع آن به خاطر کاهش جریان کاهش می یابد، بنابراین مقاومت افزایش خواهد یافت. افـزایش مقاومت باعث افت ولتاژ بیشتر می شود. تغییرات افت ولتاژ بستگی به پارامترهای اجرایی از جمله طـول متوسط حلقه سیم پیچیهای اولیه و ثانویه نیز دارد.
-2 افت ولتاژ روی راکتانس سیم پیچی :
افت ولتاژ در راکتانس نیز از دو مؤلفه تشکیل شده که عبارتند از :
افت ولتاژ روی راکتانس سیم پیچی اولیه VX P
افت ولتاژ روی راکتانس سیم پیچی ثانویه VXS
VX افت ولتاژ روی راکتانس کل ترانس می باشد :
VX  V x p  Vx s( 54 - 2 )
راکتانس اولیه و ثانویه ترانس از دو رابطه زیر به دست می آید: [1]
p b 55 - 2 ) ) 3 s b 56 - 2 ) ) 3
a L mt  * 2 L c a mt L  2 * L c
* 2 2πfμ  X P 0 T p * 2 2 πfμ  X s 0 T s راکتانس ترانس از دید اولیه آن معادل است با :
p b b L 2 T s a  * * T 2 2πfμ x x X ( 57 - 2 ) mt P 3 L T 0 p s p P c s افت ولتاژ نسبی روی راکتانس کل ترانس برابر با : ( 58 - 2 ) VX  IP X P از طرفی تعداد دور TP سیم پیچی اولیه ترانس برابر است با : VP ( 59 - 2 ) TP  Q K با جایگذاری روابط ( ( 57 - 2 و ( ( 59 - 2 در ( ( 58 - 2 رابطه زیر به دست می آید : b s  b p mt L 2 V p ( 60 - 2 ) a  * * 2πfμ 0 p I V x  3 L Q k c
٢٨
با جایگذاری جریان فاز در رابطه ( ( 60 - 2 رابطه زیر به دست می آید :
bs  b p mt L 2 V p Q ( 61 - 2 ) a  * * 2πfμ  V 3 3V c L 0 k Q p x با ساده سازی رابطه ( ( 61 - 2 رابطه نهایی زیر به دست می آید :
bs  bp mt L 2 ( 62 - 2 ) πfμ0 * Vx  2 *V p 3 a  * Lc 3k با دقت در رابطه ( ( 62 - 2 استنباط می شود که افت ولتاژ روی راکتانس سیم پیچـی تـرانس وابـسته بـه سطح ولتاژ و پارامترهای طراحی ترانس بوده و مستقل از ظرفیت ترانس می باشد.
.2-4-2 خط و رابطه افت ولتاژآن با سطح ولتاژ شبکه
در خطوط سه فاز با بارهای متعادل افت ولتاژ شامل دو مؤلفه است :
افت ولتاژ روی مقاومت اهمی خط
افت ولتاژ روی راکتانس خط

PROJE

فصل دوم : نظریه جریان ترافیک و اصول زمانبندی چراغهای تقاطع 11
(1-2مقدمه 12
(2-2روابط تحلیلی پدیده ترافیک 12
(3-2معرفی پارامترهای ترافیکی 13
(4-2مدلهای احتمالاتی 15
(5-2کنترل چراغ راهنمایی 18
(6-2تحلیل عملکرد تقاطع 19
(7-2چراغهای هوشمند سازگار با ترافیک 22
(8-2کنترل هماهنگ چراغها در شبکه 25
(9-2فازبندی 26
(10-2زمانبندی چراغ 28
(11-2چراغهای پیش زمانبندی شده 30

و
فهرست مطالب
عنوان مطالب شماره صفحه
فصل سوم : کنترل کنندههای فازی – عصبی 32
(1-3مقدمه 33
(2-3سیستم های فازی 33
(3-3شبکه های عصبی RBF 38
(4-3الگوریتم های آموزشی در شبکه عصبی RBF 40
(5-3سیستم های نرو-فازی 44
(6-3شبکه عصبی RBF و کنترل کننده فازی 46
فصل چهارم : الگوریتم آموزشی FHLA 48
(1-4مقدمه 49
(2-4طراحی ساختار شبکه RBF و مقداردهی اولیه به آن 49
(3-4مشخص نمودن تعداد نرونهای لایه RBF 54
(4-4تنظیم پارامترهای شبکه RBF 55
(5-4پروسه تنظیم پارامترهای شبکه 58
(6-4حساسیت الگوریتم FHLA نسبت به الگوهای آموزشی 59
فصل پنجم : اصول پردازش تصویر 61
(1-5مقدمه 62
(2-5مفاهیم اولیه در پردازش تصویر 62
(3-5روشهای استخراج پارامترهای ترافیکی 63
(4-5نظارت مبتنی بر ناحیه ثابت 64

ز
فهرست مطالب
عنوان مطالب شماره صفحه
(5-5 نظارت مبتنی بر ردگیری 66
فصل ششم : شبیهسازی کنترل کننده هوشمند ترافیک 73
(1-6مقدمه 74
(2-6طراحی سیستم کنترلرفازی 77
(3-6پیادهسازی نرم افزاری الگوریتم آموزشی FHLA 79
(4-6مدل سازی تقاطع ایزوله 82
(5-6کنترل کننده پیش زمانبندی شده 83
(6-6پردازش تصویر 84
(7-6نتایج شبیه سازی 88
فصل هفتم : نتیجهگیری و پیشنهادات 101
نتیجهگیری 102
پیشنهادات 103
منابع و ماخذ 104
فهرست منابع فارسی 105
فهرست منابع لاتین 106
چکیده انگلیسی 109

ح
فهرست جدول ها
عنوان شماره صفحه
: 1-2 معرفی پارامترهای حاکم بر پدیده ترافیک 13
: 1-4 اندیسهای اعتباری خوشهای 56
: 1-6 پایگاه دانش قوانین فازی 79
: 2-6 میانگین ورود وسایل نقلیه در طی 3 روز متوالی 80
: 3-6 مقادیر تابع هزینه با تغییر تعداد نرونهای لایه میانی 81
: 4-6 خطای نهایی آموزش و تست شبکه عصبی 82
5-6 : نرخ جریان اشباع در هر یک از ورودیهای تقاطع 83
: 6-6 نتایج حاصل از زمان بندی چراغ تقاطع به روش کنترل کلاسیک 84
7-6 : متوسط سطح اشباع در هر یک از ورودیهای تقاطع 89
8-6 : متوسط تاخیر تقاطع با دو روش کنترل چراغ تقاطع 90

ط
فهرست نمودارها
عنوان شماره صفحه
: 1-6 نرخ ورود وسایل نقلیه به تقاطع در24 ساعت 77
: 2-6 منحنی تغییرات تابع هزینه 81
: 3-6 روند آموزش شبکه عصبی 82
: 4-6 مقایسه آمار شمارش دستی و شمارش هوشمند در 15 دقیقه 88
: 5-6 نرخ ورود وسایل نقلیه به تقاطع در 100 مرحله تکرار الگوریتم 91
: 6-6 روند تغییرات چرخه 92
: 7-6 روند تغییرات طول زمان سبز چراغ در هریک از فازها 92
: 8-6 متوسط تاخیر تقاطع در هر مرحله اجرای الگوریتم با دو روش کنترل 93
: 9-6 روند تغییرات تاخیر تقاطع با در نظرگرفتن تغییرات متوسط شار ورودی 94
: 10-6 تغییرات شار ورودی شمالی (کنترلر هوشمند) 95
: 11-6 تغییرات شار ورودی شمالی (کنترلر کلاسیک) 95
: 12-6 تغییرات شار ورودی جنوبی (کنترلر هوشمند) 96
: 13-6 تغییرات شار ورودی جنوبی (کنترلر کلاسیک) 96
: 14-6 تغییرات شار ورودی شرقی (کنترلر هوشمند) 97
: 15-6 تغییرات شار ورودی شرقی (کنترلر کلاسیک) 97
: 16-6 تغییرات درجه اشباع در ورودی شمالی (کنترلر هوشمند) 98
: 17-6 تغییرات درجه اشباع در ورودی شمالی (کنترلر کلاسیک) 98
: 18-6 تغییرات درجه اشباع در ورودی جنوبی (کنترلر هوشمند) 99

دانلود پایان نامه ارشد- مقاله تحقیق

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : homatez.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

: 19-6 تغییرات درجه اشباع در ورودی جنوبی (کنترلر کلاسیک) 99
: 20-6 تغییرات درجه اشباع در ورودی شرقی (کنترلر هوشمند) 100
: 21-6 تغییرات درجه اشباع در ورودی شرقی (کنترلر کلاسیک) 100

ی
فهرست شکلها
عنوان شماره صفحه
: 1-2 منحنی حجم-ترافیک به صورت تابعی از تراکم 15
: 2-2 بررسی مدل احتمالی ترافیک 16
: 3-2 فرآیند تحلیل تقاطعهای چراغدار 19
: 4-2 ساختار روش کنترل سازگار با ترافیک 23
: 5-2 نحوه عملکرد کنترل کننده سازگار با ترافیک 24
: 6-2 طرح چراغ دوفازه 27
: 7-2 طرح چراغ سه فازه 27
: 8-2 طرح چراغ چهار فازه 28
: 9-2 نمودار تخلیه تقاطع در طول یک فاز چراغ راهنمایی 29
: 1-3 ساختار سیستم کنترل کننده فازی 34
: 2-3 دی فازی ساز مرکز ثقل 36
: 3-3 بلوک دیاگرام کنترل کننده فازی ترافیک 37
: 4-3 ساختار شبکه عصبی RBF 38
: 5-3 ساختار نوع خاصی از شبکه نرو- فازی 45
: 1-4 فلوچارت طراحی مقادیر اولیه شبکه عصبی RBF 51
: 1-5 چرخه به روز رسانی در تخمین بردار حالت 71
: 1-6 تقاطع ایزوله دوفازه 76
: 2-6 انتخاب تصویر زمینه و پنجره ثابت 87
: 3-6 عبور وسیله نقلیه از پنجره ثابت در یک فریم 87

ک
فهرست شکلها
عنوان شماره صفحه
4-6 : اختلاف پنجره ثابت در تصویر زمینه و فریم خوانده شده وتبدیل به باینری 87
5-6 : حذف عناصر اضافی از تصویر 87
: 6-6 به هم چسباندن اجزای گسسته شده 87
7-6 : شمارش اشیاء برچسب گذاری شده 87

ل
چکیده:
دراین پایان نامه یک تکنیک موثر بر مبنای سیستمهای عصبی- فازی برای کنترل چراغهای راهنمایی و بر اساس پردازش هوشمند تصاویر ترافیکی دریافتی از دوربینهای نصب شده در یک تقـاطع ایزولـه، ارائـه شـده است. هدف از کنترل ترافیک در خیابانهای منتهی به یک تقـاطع ایزولـه آن اسـت کـه در یـک بـازه زمـانی مشخص، از ایجاد اشباع در هریک از بازوها جلوگیری کرده و همچنـین بتـوان زمـان انتظـار وسـایل نقلیـه در پشت چراغ قرمز را به حداقل رساند تا نهایتا ترافیکی روان و مطلوب، همراه بـا ایمنـی در سـطح تقـاطع ایجـاد گردد. به این منظور قوانین فازی مدل کننده تقاطع ایزوله که ساختار کنترلر فازی را تشکیل دادهاند، بر مبنـای درجه اشباع که نشان دهنده میزان تقاضا به ظرفیت هریـک از ورودیهـای تقـاطع میباشـد، طراحـی شـدهانـد.
اساس کار، بر استفاده از شبکه عصبی RBF١، به همراه یک روش پیشنهادی آموزش مبتنـی بـر فـازی خواهـد بود. در الگوریتم یادگیری 2FHLA، علاوه بر تعیین وزنهای ارتباطی بین لایه مخفـی و خروجـی، پارامترهـای لایه RBF شامل تعداد نرون، مرکز نرون و عرض آن نیز در طول فرایند آموزش تعیین میگردند. مقادیر اولیه پارامترها با استفاده از منطق فازی و روشهای خوشه یابی فازی و به کمک تکنیک 3FCM به دست مـی آینـد.
همچنین از میزان تعلق هر الگوی ورودی به خوشهها و فاصله الگو تا مرکـز هـر خوشـه جهـت محاسـبه میـزان عدم شباهت استفاده شده وسپس این فاصله مینیمم میگـردد. بـرای تعیـین مقـادیر نهـایی پارامترهـا و وزنهـای ارتباطی، از ترکیب روشهای 4LLS و گرادیان5 به عنوان روش بهینهسازی استفاده میشود. نتایج شبیهسازی بر روی بانک اطلاعاتی موجود و مقایسه نتایج کاربرد این الگوریتم با سـایر روشـهای کلاسـیک کـه در کنتـرل تقاطعهای ایزوله معمول هستند، نشان دهنده میزان قابلیت این تکنیک می باشد.
کلمات کلیدی: پردازش تصویر، تقاطع ایزوله، شبکه عصبی، کنترل ترافیک، کنترل فازی

1−Radial Basis Function 2−Fuzzy Hybrid Learning Algoritm 3−Fuzzy-C-Mean 4−Linear Least Squared 5−G--ient
1
مقدمه:
امروزه با افزایش سریع کلان شهرها و افزایش تعداد خودروها، اهمیت داشتن مدیریت ترافیک موثر و کارآمد بر کسی پوشیده نیست. تـاکنون روشـهای کنتـرل ترافیـک بیـشتر مبتنـی بـر روشـهای کنترلـی کلاسیک بوده است که با مسائلی همچون سطح پایین هوشمندی در مواجه با شرایط پیچیـده ترافیکـی و عدم مدلسازی مناسب، مواجه میباشند. در این پایان نامه سعی برآن است کـه بـا بـه کـارگیری تکنیـک آموزشی FHLA که بر مبنای شبکههای عصبی RBF و روش خوشه یابی فـازی عمـل مـینمایـد، نـوعی کنترل هوشمند برای تنظیم پارامترهای یک تقاطع ایزوله ارائه شود، به طوری کـه در نهایـت بـه کـاهش تاخیر وسایل نقلیه در عبور از تقاطع و جلوگیری از ایجاد اشباع در هر یک از ورودیهـای تقـاطع منتهـی گردد. به این منظور برای جمع آوری اطلاعات آماری از سطح تقاطع، برای ارزیابی وضعیت ترافیکی در هر لحظه، از روشهای پردازش تصاویر حاصل از دوربینهای نصب شده در تقاطع ایزوله، استفاده شده است. در این پایان نامه و در فصل اول کلیاتی راجع به روشهای مختلف کنترل ترافیک، و تحقیقات صـورت گرفتـه در این زمینه ارئه شده است. در فصل دوم به معرفی نظریه جریان کنترل ترافیـک و روابـط حـاکم بـر آن پرداخته شده است. فصل سوم به معرفی مختصری از اصول کنتـرل فـازی و برخـی از روشـهای آموزشـی شبکههای عصبی و معرفی کنترل کنندههای نرو- فازی اختصاص دارد. در فـصل چهـارم، ارائـه الگـوریتم پیشنهادی FHLA و روش پیادهسازی آن صورت میپذیرد و در فصل پنجم به بررسی روشهای اسـتخراج اطلاعات آماری ترافیک از تصاویر ویدئویی پرداخته میشود. در فصل ششم کنترلر نـرو- فـازی طراحـی و پس از شبیه سازیهای لازم در محیط برنامـه نویـسی MATLAB، تـاثیر بـه کـارگیری کنتـرل کننـده هوشمند با استفاده ازتکنیک FHLA و به کارگیری نوعی کنترل کلاسیک پیش زمانبندی شده، بر میزان سطح تاخیر و سطح اشباع ورودیهای تقاطع بررسی و مقایسه شده است.فصل هفتم نیز بـه ارائـه نتیجـه گیری وچند پیشنهاد اختصاص دارد.
2
فصل اول
کلیـات
3
فصل اول: کلیات
(1-1 هدف
امروزه با افزایش سریع کلان شهرها، افزایش تعداد خودروهـا، افـزایش بهـای سـوخت، مـساله محـیط زیست، استفاده مفید از ظرفیت جادههای موجود و...، اهمیت داشتن مدیریت ترافیک موثر و کارآمد بر کـسی پوشیده نیست.
در گذشته طراحان ترافیک تنها به نحوه حرکت وسایل نقلیه، به طـوری کـه در تقاطعهـا تـصادفی رخ ندهد، به عنوان مساله اصلی در مدیریت ترافیک توجه داشتند. امروزه مسائل عمده دیگـری نیـز مـورد توجـه میباشد که از جمله میتوان به کاهش تاخیر، کاهش توقفات، کاهش مصرف سـوخت، کـاهش طـول صـفهای پشت چراغ قرمز، حذف اثرات نویز، افزایش توجه به مسائل عابران پیاده وحرکت وسایل نقلیه سـنگین، اشـاره نمود. تاکنون روشهای کنترل ترافیک بیشتر مبتنی بر روشهای کنترلی کلاسیک بوده است. در این روشـها بـا استفاده از روشهای آماری و منحنیهای به دست آمده تجربی و نهایتا با تخمین برخی از متغیرهای مـوثر بـر ترافیک سعی بر آن است که پارامترهای مورد نظر درآن سطح خـاص کنترلـی، بـه گونـهای مطلـوب تنظـیم شود.[4]
تاکنون در جهت رفع این نیاز سیستمهای کنترل ترافیک متعددی توسط مراکز حمل ونقل کشورهای مختلف توسعه یافتهاند که تا حدی پاسخگوی نیازهای موجود بوده است. البته این حد پاسخگویی سیستمهای کلاسیک در ازای پیچیدگیهای بالای ساختار (شامل بخشهای کنترل، مخابرات و کامپیوتر) و هچنین حجـم بالای هزینههای پیاده سازی، (به علت تجهیزات به کار رفته) و نگهداری به دست آمدهاند. از دیدگاه کنترلـی، سیستمهای کلاسیک موجود از الگوریتمهای مختلف برنامه ریزی ریاضی (از جمله الگوریتمهای برنامـه ریـزی خطی صحیح و الگوریتمهای برنامه ریزی دینامیکی) استفاده میکنند که خود معمولا مشکلات متعددی مانند حجم بالای محاسباتی و مشکل پیادهسازی را به دنبال دارند. همچنین از جمله نواقص مطرح شده در کنتـرل سنتی ترافیک میتوان به مسائلی همچون برخورداری از سطح پایین هوشمندی در مواجه بـا شـرایط پیچیـده ترافیکی، عدم مدلسازی مناسب و واقع بینانه از ابهامات موجود در بحث کنتـرل ترافیـک (تعیـین پارامترهـا و مدلسازی رفتار رانندگان و عابران پیاده)، عدم وجود ویژگی خود سازماندهی، در طراحی استراتژیهای ترافیک، غیر قابل پیش بینی بودن شرایط ترافیکی حتی برای چند لحظه آینده و عدم دسترسی به جزئیات ایجاد شده مانند تعیین نوع خودرو و یا تغییرات سرعت آنها، اشاره نمود.
سیستمهای مورد بررسی در کنترل ترافیک میتوانند شامل موارد زیر باشد :[5]
-1 کنترل تقاطع ایزوله: کنترل جریان ترافیک تقاطع مجهز به چراغ بـدون در نظـر گـرفتن تـاثیر جریانهـای ترافیکی تقاطهای مجاور. .(isolated intersection control)
-2 کنترل تقاطعهای شریانی با شبکه باز: کنترل تعدادی تقاطع مجهز به چراغ وابسته به یکدیگر در طول یک شریان اصلی که وضعیت ترافیکی هریک بر تقاطع مجاور تاثیر دارد. (arterial intersection control)
-3 کنترل گسسته: کنترل روی تمام تقاطعهای مجهز به چراغ درکل شبکه شهری و یا بخشی از آن.
(areawide sys-- control)
4
-4 کنترل ترافیک بزرگراه: کنترل روی جریان مسیرهای ورودی و مسیرهای خروجی با هدف کنترل ترافیـک روان در مسیر اصلی. (expressway control)
-5 کنترل عابران پیاده: کنترل عبور پیاده از خیابان با هدف تامین امنیت و کاهش زمان انتظـار.( pedestrian (control
اصولا سه نوع روش کنترلی برای تقاطعها مورد استفاده میباشد:
-1 کنترل زمان ثابت (fixed-time) :در این روش کنترلی، زمان تغییر چراغها از پیش تعیین شده و هیچگونه انعطافی در برابر شرایط ایجاد شده مانند وقوع تصادفات، ایجاد شـرایط خـاص مثـل تعطیلـی مـدارس، عبـور آمبولانس و... ندارد.
-2 کنترل از پیش زمانبندی شده : (pre-time control) در این نوع کنترل بر اساس الگوهای متعددی که از وضعیت یک خیابان به دست آمده است، زمانبندی چراغها صورت میپذیرد. مثلا در هر ساعت خاصی از شبانه روز مانند ساعات تعطیلی مدارس یا ساعات پیک تردد، مدت زمان سبز وقرمز بودن چراغها به گونهای متناسب تنظیم میشود، اما باز هم در برابر شرایط اضطراری غیر قابل انعطاف هستند.
-3 کنترل هوشمند : (intelligent control) در این نوع کنترل تغییر وضعیت چراغها کاملا به شرایط موجود و میزان درخواست بار ترافیکی بستگی دارد.
با مطرح شدن کنترل هوشمند در مهندسی کنترل و موفقیت این روشها در سیستمهای عملی، کاربرد روشهای کنترل هوشمند درمبحث ترافیک نیز مطرح گردیده است.
به دلیل ویژگیهای خاص سیستم کنترل ترافیک شهری و از آنجا که رفتارهای پیچیده انسان از عوامـل موثر بر شرایط ترافیکی ایجاد شونده در این سیستم میباشد، کاربرد روشهای هوشمند کنترل به جای روشهای سنتی ضروری به نظر میرسد. به طور عمده مسائل اصلی در کنترل چراغ راهنمایی در یک تقاطع ایزوله توجه به کاهش تاخیر وسایل نقلیه و کاهش میزان توقفات و همچنین افزایش ظرفیت خیابانها میباشـد. در میـان ابزارهای مختلفی که برای برقراری ایمنی راه و حفظ نظام در جریان ترافیک موجود میباشد، ماننـد تابلوهـای راهنمایی، خط کشی ها، و سایر ابزار و وسایل نصب شده در خیابانهـا، موجـود میباشـد، زمانبنـدی چراغهـای راهنمایی برای کمینه کردن تاخیر و افزایش ظرفیت تقاطعها در منطق کنتـرل کـاربرد فراوانـی دارد. دریـک تقاطع ایزوله دو حالته که در این طرح مورد بررسی میباشد، تنها با دو فاز عملیاتی کار میشود، وقتی که چراغ در دو خیابان روبرو به هم سبز باشند، در دو خیابان مجاور قرمز میشود و برعکس. در یک کنترل هوشمند، بر اساس میزان درخواست ترافیکی در خیابان مورد کنترل، تغییرات چراغ و رفتن به فاز دیگر، صورت میگیـرد و مدت زمان مناسب برای سبز بودن یک چراغ تعیین میشود.
با توجه به قابلیتهای متنوع روشهای هوشمند (شامل هوش مصنوعی , منطق فازی و شبکه عصبی)، به ویژه در پوشش دهی و پاسخگویی مناسب به موارد فوق، پیشنهاد استفاده از روشهای هوشمند، جهت پوشش دهی مشکلات فعلی، به عنوان یک راه حل جدید مطلوب خواهد بود. با توجه بـه قابلیتهـای متنـوع روشـهای هوشمند انتظار میرود که روشهای فوق در حوزههای مختلف کنترل ترافیک شامل بـرآورد وتعبیـر و پـردازش اطلاعات مختلف جمع آوری شده، برخورد و مدلسازی مناسب پارامترها و شـرایط مـبهم موجـود در پروسـه کنترل، پیشگویی آینده، افزایش قدرت یادگیری سیستم و بالاخره افزایش هوشمندی سیستم، بسیار پر کاربرد بوده و نتایج قابل قبولی را به دنبال خواهد داشت.
5
در این پروژه پس از شناخت و تحلیل روابط حاکم بر متغیرهای ترافیکی، درجه اشباع هـر ورودی کـه نشان دهنده نسبت میزان درخواست بار ترافیکی به میزان ظرفیت آن ورودی میباشد، به عنوان پارامتر ورودی کنترل کننده در نظر گرفته شده و با روشهای مبتنی بر بینایی ماشین اندازه گیری میشود. کنتـرل کننـده در هر مرحله نمونه برداری و در پایان زمان سیکل جاری، وضعیت همه ورودی را ارزیابی کرده و طـول چرخـه و طول زمان سبز اختصاص داده شده به هریک از خیابانها را در مرحله بعدی تعیین میکند تـا درجـه اشـباع در همه ورودی نسبتا یکسان و در سطح مناسبی قرار بگیرد. پس از طراحی ساختار قوانین کنترل کننده براساس پارامترهای فازی، الگوریتم آموزش مربوط به شبکه عصبی اجرا میگردد.
(2-1 پیشینه تحقیق
به طو کلی نظریه کنترل ترافیک شهری از سال 1950 ارائه گردید. بخش عمدهای از روشهایی کـه تـا کنون ارائه شدهاند براساس روشهای کلاسیک