مجید غنی ئی زارچ

اخیرا رویکرد بهینه سازی کلاسیک برای یافتن ساختار بهینه ژیروسکوپ ممز در کاربردهای خودرویی ارائه شده است که در برخی موارد منجر به پاسخ بهینه ای نمیگردد. لذا تاکنون طراحی ساختار و بهینه سازی توپولوژی پارامتری ژیروسکوپ ارتعاشی ممز در کاربردهای خودرویی آنطور که باید مورد بررسی قرار نگرفته است. یکی از راهکارهای بهینه سازی پیشرفته تر، روشهای بهینه سازی فراتکاملی می باشد. در این پایان نامه، بهینه سازی توپولوژی پارامتری یک ژیروسکوپ ارتعاشی کوریولیس دو جرمی با استفاده از روش بهینه سازی الگوریتم ژنتیک ارائه می شود. تحریک ژیروسکوپ به صورت الکترواستاتیکی بوده و از طریق الکترودهای شانه های مستقر در دو طرف ساختار با ولتاژ DC 5 ولت و ولتاژ AC 5 ولت انجام میشود. تابع هدف ژیروسکوپ متشکل از هشت مشخصه عملکردی فاکتور مقیاس، معیار خطی بودن، کران بالا، برد دینامیکی، خطای بایاس، رزولوشن و خطای دینامیکی دامنه و فاز است، که این مشخصه ها نیز تابعی از شش ویژگی های نوسانی فرکانس، جرم و دمپینگ مدهای تحریک و تشخیص ژیروسکوپ می باشند. ابعاد هندسی ساختار بهینه را مستقیما نمی توان با استفاده مقادیر مشخصه های عملکردی بدست آورد. لذا ایده پیشنهادی، بهینه سازی پیوسته ویژگیهای نوسانی ژیروسکوپ می باشد. اعتبار سنجی روش بهینه سازی، با محاسبه خطای نرخ انحراف در شبیه سازی مدل کوپلینگ ژیروسکوپ و دوچرخه دو درجه آزادی تحت مانور تغییر مسیر دوبل انجام میشود. نتایج نشان میدهد خطای نرخ انحراف از مقدار 2/1% به 1/0% کاهش داشته و به میزان 1% بهبود یافته است. بازسازی ساختار ژیروسکوپ به ازای مقادیر بهینه ی ویژگی های نوسانی، از دیگر تحقیقات این پایان نامه می باشد تا ابعاد هندسی بهینه نیز برای ساخت مدل ژیروسکوپ بدست آید. برای اعتبارسنجی روش بازسازی ساختار ارائه شده، پس از رسم هندسه ی ساختار، تعیین ماده، فیزیک و مش بندی در نرم افزار کامسول، آنالیز شکل مد و پاسخ فرکانسی انجام می شود.
خلاصه پایان نامه

زمینه: با بیش از یک میلیون و چهارصد هزار مورد ابتلای جدید سالانه و بیش از هفتصد هزار مورد منجر به فوت، سرطان روده بزرگ (کولورکتال- CRC) در رده سوم سرطان های شایع قرار می گیرد. سرطان کولورکتال شامل سرطان کولون و راست روده، به علت رشد غیر طبیعی سلول های سرطانی با قدرت تهاجم و تکثیر در سایر بافت های بدن در موضع کولون یا راست روده پدیدار می شود. با توجه به مرحله، درجه و محل این سرطان استراتژی های درمانی مختلفی به کار بسته می شود. حدود 10 تا 20 درصد موارد ابتلا به سرطان کولورکتال را بیماران مبتلا به سرطان راست روده پیشرفته موضعی (LARC) تشکیل می دهند. روش درمان استاندارد در این سرطان شیمی-پرتو درمانی قبل از عمل جراحی (PCRT) است. این استراتژی درمانی برخی اثرات جانبی در دراز مدت به همراه دارد؛ ضمن آن که قسمت قابل توجهی از بیماران نیز (حدود 60 درصد) به این درمان پاسخ نمی دهند. لذا، بررسی بیومارکرهایی که در پیش بینی پاسخ بیماران این سرطان به این درمان به کار آیند، اهمیت به سزایی دارد. طی سالیان اخیر توانایی بیومارکرهای مختلف ژنتیکی در شناسایی و پیش آگهی در انواع مختلفی از سرطان از جمله سرطان کولورکتال بررسی و اثبات شده است. معمولا مدل های ساخته شده با استفاده از این بیومارکرها مدل های بسیار ساده ای هستند. یکی از چالش های موجود در این زمینه محدودیت عملکرد این مدل ها در پیش بینی پاسخ به درمان بیماران مبتلا به این سرطان است؛ معمولا سطح زیر نمودار ROC زیر 0.8 برای آن ها گزارش می شود. علاوه بر آن، در اکثر قریب به اتفاق پژوهش ها برای انتخاب بیومارکرهای بیان ژن مناسب، به صرف استفاده از معیار بیان متمایز ژنی اکتفا می شود. هدف و روش ها: با پیشرفت روزافزون توان محاسباتی سخت افزار های موجود، تمرکز پژوهشگران از علوم مختلفی نظیر آمار، مهندسی کنترل، مهندسی مخابرات، مهندسی نرم افزار، علوم کامپیوتر، بیوانفورماتیک و غیره به سوی علوم داده سوق داده شده-است. لذا، به استفاده از روش های هوش محاسباتی و باصطلاح یادگیری ماشینی در بسیاری از علوم از جمله علوم پزشکی اقبال گسترده ای شده است. از این روش ها عموما برای طبقه بندی، خوشه بندی، تحلیل سری های زمانی، رگرسیون و کاربرد های دیگر در علوم پزشکی استفاده می شود. در این مطالعه با استفاده از داده های بیان ژن بیماران مبتلا به سرطان راست روده پیشرفته موضعی،
خلاصه پایان نامه