پایان نامه درباره قانون کار

دانلود پایان نامه

100-150
نیمه سخت
150-200
سخت
200-300
بسیار سخت
300

1 – 15 -2 کیفیت آب برای مصارف مختلف
آب مصرفی برای آشامیدن باید از لحاظ فیزیکی، شیمیایی و بیولوژیک مناسب باشد. میزان متوسط مصرف آب برای آشامیدن هر فرد 1 تا 2 لیتر در روز است که باید مطبوع و عاری از هر گونه آلودگی باشد. در جدول (1-4) استانداردهای آب آشامیدنی آمده است [43 و88 و 121 و 122].

جدول 1 – 4 استانداردهای آب آشامیدنی [43 و69 و 88 و 121 و 122 و175]
نوع ترکیب
حداکثر مجاز بر حسب میلی‌گرم بر لیتر

سازمان بهداشت جهانی
(1987، WHO)
سازمان حفاظت محیط زیست امریکا
(2002، USEPA)
استاندارد اروپایی

(1980، EU)
استاندارد سازمان مدیریت و برنامه ریزی ایران
(استاندارد 1053)
کل جامدات محلول
1500
1500
1500
1500
سختی (برحسب میلی‌گرم بر لیتر کربنات کلسیم)
500
500
500
500
نیترات
45
45
50
50
سولفات
400
250
250
400
فسفات
7
5
5
5
کلر
250
250
600
400
سدیم
200
200
150
200
پتاسیم
12
12
12
12
کلسیم
200
200
200
250
منیزیم
150
150
50
50
آهن
0.3
0.3
0.2
0.3
منگنز
0.1
0.05
0.05
0.5
مس
1
1.3
3
1
روی
5
5
5
3
PH
6.5-8.5
6.5-8.5
6.5-9.5
6.5-9.0

ب- کیفیت آب آبیاری
به طور معمول آب آبیاری برای راهنمایی مصرف کنندگان، حل مشکلات مربوط به بهره برداری و بالا بردن پتانسیل تولید محصولات به گروه‌های متفاوتی طبقه بندی شده است. طبقه بندی کیفیت آب آبیاری تنها برای راهنمایی ارائه شده و برای شرایط موجود در مزرعه باید تنظیم شود. مناسب بودن آب آبیاری بستگی به آب و هوا، خصوصیات فیزیکی و شیمیایی خاک، نوع محصول و مدیریت اجرایی مزرعه دارد. در جدول (1-5) راهنمای سازمان خوار و بار جهانی (فائو)52، (1985) برای کیفیت آب آبیاری آمده است (کمیته ملی آبیاری و زهکشی ایران، 1380).

جدول 1 – 5 راهنمای کیفیت آب آبیاری
معیارهای کیفی آب
واحدها
درجه بهره برداری برای آبیاری

خوب
متوسط
نامناسب
الف – شوری
ds/m
0.7
0.7-3.0
3.0
TDS
mg/l
450
450-2000
2000
ب- نفوذپذیری

درحالتی که 3 – 0 =SAR ومقدارECw
ds/m
0.7
0.2-0.7
0.2
درحالتی که 6 – 3 =SAR ومقدارECw
ds/m
1.2
0.3-1.2
0.3
درحالتی که 12 -6 =SAR ومقدارECw
ds/m
1.9
0.5-1.9
0.5
درحالتی که 20 -12 =SAR ومقدارECw
ds/m
2.9
1.3-2.9
1.3
درحالتی که 40 -20 =SAR ومقدارECw
ds/m
5.0
2.9-5.0
2.9
ج – سمیت یون‌های ویژه

سدیم (Na)

آبیاری سطحی
SAR
3
3-9
9
آبیاری بارانی
me/l
3
3

کلرید (CL)

آبیاری سطحی
me/l
4
4-10
10
آبیاری بارانی
me/l
3
3

بر(B)
me/l
0.7
0.7-3.0
3.0
د – اثرات متفرقه

نیتروژن نیتراتی
me/l
5
5-30
30
بیکربنات
me/l
1.5
1.5-8.5
8.5
PH

محدوده نرمال بین 4/8 – 5/6

ج – کیفیت آب آشامیدنی برای حیوانات
بسیاری از آبها که به علت دارا بودن املاح زیاد برای انسان قابل آشامیدن نیستند برای حیوانات قابل آشامیدن می‌باشند. البته استاندارد کیفیت آب در مورد حیوانات مختلف و حتی فصول مختلف، متفاوت می‌باشد. معمولاً چون در تابستان مقدار مصرف آب حیوانات بیشتر است، حدود مجاز کمتر است. جدول (1-6) طبقه‌بندی آبهای قابل آشامیدن برای حیوانات را نشان می‌دهد (کاشانیان, 1372).

د – کیفیت آب برای استفاده صنعتی
کیفیت آب مورد استفاده در صنعت، بسته به نوع صنعت، متفاوت است. مثلاً آبی که برای دیگ‌های بخار تحت فشار به کار می‌رود باید کیفیت بالایی داشته باشد، در صورتی که آب مورد استفاده برای سرد کردن دستگاه‌های تقطیر ممکن است به بدی آب دریا نیز باشد. حتی در یک صنعت ویژه هم تعیین معیارهای مشخص امکان پذیر نیست و فقط حدود تغییرات را می‌توان معین کرد (رزاقی, 1353). به همین خاطر، جداول زیادی از طرف سازمان‌ها و صنایع مختلف برای کیفیت آب تنظیم شده است. در جدول (1-7) یک طبقه‌بندی عمومی آب از نظر مصارف صنعتی آمده است (کاشانیان, 1372).

مطلب مشابه :  منابع پایان نامه درموردسهم بازار، سازمان جهانی تجارت، افزایش سرمایه، جریان نقدی

جدول 1 – 6 طبقه‌بندی آبهای قابل آشامیدن برای حیوانات
کیفیت آب آشامیدنی برای حیوانات
مقدار ترکیب بر حسب میلی‌گرم بر لیتر

TDS
Na
Ca
Mg
Cl
SO4
خوب
3000
800
350
150
900
1000
رضایت بخش
5000
1500
700
350
2000
2500
قابل قبول برای نیاز تابستانی
10000
2500
900
600
4000
4000
قابل قبول برای نیاز زمستانی
15000
4000
1000
700
6000
6000

جدول 1 – 7 طبقه‌بندی آب از نظر مصارف صنعتی
نوع آب
سختی (میلی‌گرم درلیتر)
قلیائیت(میلی‌گرم بر لیتر)
کل جامدات محلول(میلی‌گرم بر لیتر)
درجه یک
50
400
1500
درجه دو
150
400
3000-5000
درجه سه
250
1000
8000-1000

1-16 تعریف شبکه‌های عصبی مصنوعی
در تعریفی کلاسیک، یک شبکه عصبی مصنوعی عبارت است از مجموعه‌ای عظیم از پردازشگرهای موازی که استعداد ذاتی برای ذخیره اطلاعات تجربی و بکارگیری آن را دارند و این شبکه دست کم از دو جهت شبیه م
غز است:
?- مرحله ای موسوم به یادگیری دارد
?- وزن‌هایی که به جهت ذخیره اطلاعات به کار برده‌شدند.

شبکه‌های عصبی مصنوعی در واقع مثلثی هستند که ? ضلع مفهومی دارند:
?- سیستم تجزیه و تحلیل داده‌ها
?- نورون یا سلول عصبی
?- شبکه یا قانون کار گروهی نورونها.

اولین اقدامات در زمینه شبکه‌های عصبی مصنوعی در اوایل دهه ???0 صورت پذیرفت. در سال ???? پیتز و مک کالو مقالهای در زمینه شبکههای عصبی مصنوعی ارائه کردند و نشان دادند که به کمک شبکه‌های عصبی میتوان هر تابع منطقی یا ریاضی را مدل کرد. در آن دوره چندین نوع شبکه عصبی ابداع شد و به نتایجی هم رسیدند. با این حال آن شبکهها از نقاط ضعفی برخوردار بودند که باعث شد تا در اواخر دهه ???0 توجه محققین به سمت هوش مصنوعی معطوف نشود و شبکههای عصبی تا حدی اعتبار خود را از دست دادند.
بین سالهای ???0 تا ???0 تنها چند دانشمند از جمله کوهنن53 و اندرسن54 به تحقیقات در این زمینه ادامه دادند تا اینکه بالاخره‌ هاپفیلد فیزیکدان مشهور، با انتشار مقالات خود دانشمندان زیادی را به تحقیق پیرامون شبکههای عصبی تشویق کرد.
در سال ???? با انتشار کتاب PDP55 توسط رامل هارت و مک کلیلند و ارائه قوانینی جهت یادگیری و تربیت شبکههای عصبی چند لایه تحولی در زمینه تحقیقات عصبی به وقوع پیوست که همچنان با سرعت چشمگیری ادامه دارد. در دهه ???0 شبکههای عصبی کاربردهای فراوانی در زمینههای مهندسی یافتند.
امروزه شبکههای عصبی در کنار ابزارهای دیگری همچون هوشمصنوعی و منطق فازی به عنوان نوعی سیستم هوشمند شناخته شده است و گاه ترکیبی از ابزارهای فوق در تحلیل یک مسئله مورد استفاده قرار گرفته شده است.
ساختار کلی شبکههای عصبی مصنوعی از شبکه بیولوژیکی مغز انسان الهام گرفته شده است و تحقیقات پیرامون شبکههای عصبی با شناخت و بررسی ساختار و کار یادگیری مغز انسان همراه است. شبکههای عصبی مصنوعی سیستمهایی هستند که قادر به انجام عملیاتی همانند سیستمهای عصبی طبیعی بوده‌اند یا به عبارت دیگر توانسته‌اند بعضی ویژگیهای شبیه مغز انسان را به نمایش درآورند. هنگامی که شناخت و توصیفی صریح و دقیق از یک مسئله وجود داشته باشد، بکارگیری قوانین و روابط شناخته شده در رابطه با مسئله به حل آن کمک کرده و مناسبترین راه بوده است، ولی در شرایطی که مجموعه قوانین لازم برای حل مسئله وجود نداشته باشد و یا شناخت پدیده بسیار پیچیده باشد، کاربرد این روش ممکن است چندان سودمند نباشد. از این رو دانشمندان به فکر کاربرد یک سیستم هوش مصنوعی که قابلیتهای یادگیری، خلاقیت و انعطاف پذیری (مانند سیستم بیولوژیکی) انسان را دارا باشد افتاده و در این راستا روش‌های محاسباتی عصبی56 را ارائه دادند. در این روش محاسباتی احتیاجی به مجموعه قوانین خاصی جهت حل مسئله وجود ندارد و تکیه اساسی بر تربیت تدریجی سیستم بوده است.
شبکههای عصبی مصنوعی با پردازش روی دادههای تجربی، دانش یا قانون نهفته در ورای دادهها را به ساختار شبکه منتقل کرده‌اند. به همین خاطر به این سیستمها هوشمند گفته شده است چرا که براساس محاسبات روی دادههای عددی یا مثالها، قوانین کلی را فرا گرفته‌اند. در ساختار این سیستمها پارامترهایی وجود دارند که قابل تنظیم بوده‌اند. تنظیم این پارامترها برای آنست که سیستم رفتار مطلوبی را در برابر تحریکات و اطلاعات خارجی از خود نشان دهد که به اصطلاح به این عمل آموزش57 آن سیستم گفته شده است. در واقع این سیستمها قادرند یاد بگیرند و از راه یادگیری دانش لازم برای برخورد مناسب با یک پدیده را جمعآوری نمایند و از آن دانش به هنگام نیاز بهره ببرند. فرایند یادگیری این سیستمها میتواند به روش‌های گوناگونی صورت پذیرد که مبحث عمده پژوهش در تولید شبکههای عصبی مصنوعی را تشکیل داده است. مدلهای شبکه عصبی مصنوعی پیوسته در حال توسعه و بهبودند و کاربرد آنها نیز همراه با پیشبرد پایههای تئوری مدلها بیشتر شده است (نوح زانگ, 2006).

مطلب مشابه :  منابع پایان نامه ارشد درمورددرصد تجمعی، بازار هدف، سهم بازار، دارایی ها

1-17 سیستمهای عصبی بیولوژیکی58
دستگاه عصبی انسان بسیار پیچیده و شامل میلیونها یاخته عصبی است که نرون نامیده شده‌اند و هر نرون با هزاران نرون دیگر در ارتباط است، بدین معنی که از آنها سیگنالهایی دریافت کرده و سیگنالهایی را به آنها ارسال کرده است. در شکل (1-1) یک نرون زیستی و اجزای آن نمایش داده شده است.

شکل (1-1) ساختار یک نرون و اجزای آن

هر یاخته عصبی یا نرون از بدنه سلول که شامل هسته و ضمائم دیگر است، یک آکسون59 برای ارسال سیگنال به نرون دیگر و دندریتها60 که تودهای نخ مانند هستند و سیگنالها را از نرونهای دیگر دریافت میکنند، تشکیل شده است. انتهای آکسون شاخهشاخه است و پایانههای عصبی را بوجود آورده‌اند، همچنین پایانههای عصبی با دندریتهای عصبی سلولهای دیگر تلاقی پیدا کرده و پیوندگاه یا سیناپس61 را بوجود آورده‌اند. پیامهای عصبی به صورت یکطرفه و از دندریتها به بدنهی سلول و از بدنه سلول به سمت آکسون حرکت کرده‌اند.

1-18 ویژگی کلی نرونهای مصنوعی
بدنه اصلی هر شبکه عصبی مصنوعی از تعدادی گره و پارهخطهای جهت داری که گرهها را به هم وصل کرده‌اند، تشکیل شده است. در شکل (1-2) مدل یک نرون مصنوعی نشان داده شده است.

شکل (1-2) مدل یک نرون مصنوعی

مدل مصنوعی نرونهای بیولوژیکی انسان توسط مک کالو و پیتز ارائه گردید. این نرون در واقع س
نگ بنای هر شبکهی عصبی را تشکیل داده است. شبکههای عصبی امروزی این نرون پایه را با معماریهایی مختلف ترکیب کرده‌اند تا قابلیتهای محاسباتی متنوعی را بدست آورند.
همانطور که در شکل (1-2) ملاحظه شده است، هر نرون بوسیله یک مجموع خطی وزن دار n و یک تابع که میتواند خطی یا غیرخطی باشد، نشان داده شده است. تابع که مقدار خروجی را بر اساس ورودیها مشخص ساخته، تابع فعالیت62 یا تابع انتقال نامیده شده است.
اگر سیگنال ورودی iام از نرون jام را با و وزن آن را با (وزن سیگنال iام به نرونjام ) نشان داده ‌شود، در نهایت مجموع سیگنالهای وزن دار شده به صورت رابطه (1-4) محاسبه گردیده است:
(1-4)
البته گاهی اوقات مقدار ثابتی در هر نرون به رابطه (1-4) به نام وزن بایاس63

Author: mitra7--javid

دیدگاهتان را بنویسید