تجهیزات مدیریت مصرف پیشران ، سازه هایی تمام فلزی در داخل مخازن پیشران فضا پیما هستند که با استفاده از قابلیت کشش سطحی عامل انتقال مایع به خروجی مخزن با کمک گاز پرفشار بی اثر میباشند. آنها را میتوان بهطور کامل از تیتانیوم ساخت تا بتوان از آنها در بیشتر پیشرانهای خو چکیده کامل
تجهیزات مدیریت مصرف پیشران ، سازه هایی تمام فلزی در داخل مخازن پیشران فضا پیما هستند که با استفاده از قابلیت کشش سطحی عامل انتقال مایع به خروجی مخزن با کمک گاز پرفشار بی اثر میباشند. آنها را میتوان بهطور کامل از تیتانیوم ساخت تا بتوان از آنها در بیشتر پیشرانهای خورنده استفاده نمود. قطعات بدون حرکت و یا تغییر شکل، قابل اعتماد هستند. نیازمندیهای مأموریت ، طراحی مفهومی دستگاه مدیریت پیشران (تجهیزات مدیریت مصرف پیشران) هدایت میکند. پیامدیهای ساده اغلب برای مأموریت های ساده و بالعکس استفاده میشوند. برای ساخت تجهیزات مدیریت مصرف پیشران، مناسب باید مشتری مشخصات مورد نیاز آن را کامل نماید. بالا گرفتن مشخصات نیازهای پیامدی بهراحتی میتواند در نهایت باعث پیچیده، سنگین، گران و از همه مهمتر، قابل اعتماد پایینتر پیامدیبینجامد. برای به دست آوردن سادهترین، سبک ترین، کمهزینه و قابل اطمینانترین تجهیزات مدیریت مصرف پیشران، برای مأموریت باید در تعیین دقیق مشخصات مورد نیاز تجهیزات مدیریت مصرف پیشران، دقت لازم را نمود.
پرونده مقاله
سرعت عملیات حفاری اثر مستقیمی بر روی هزینههای حفاری دارد و پارامترهای مختلفی ازجمله خواص سیال حفاری و هیدرولیک مته بر روی آن مؤثر است. بنابراین استفاده از مدلهایی با در نظر گرفتن پارامترهای مختلف که دقت بالا داشته باشند اهمیت فراوانی دارد. ازآنجاییکه ارتباط این پارامت چکیده کامل
سرعت عملیات حفاری اثر مستقیمی بر روی هزینههای حفاری دارد و پارامترهای مختلفی ازجمله خواص سیال حفاری و هیدرولیک مته بر روی آن مؤثر است. بنابراین استفاده از مدلهایی با در نظر گرفتن پارامترهای مختلف که دقت بالا داشته باشند اهمیت فراوانی دارد. ازآنجاییکه ارتباط این پارامترها با یکدیگر پیچیده است نیاز به یک روش محاسباتی قابل اجرا دارد. شبکه عصبی مصنوعی یک روش محاسباتی نوین برای یادگیری است که برای پیش بینی پاسخهای خروجی سیستمهای پیچیده استفاده میگردد. در این مقاله شبکه عصبی به منظور پیش بینی نرخ نفوذ مته با در نظرگیری پارامترهای سیال حفاری مورد استفاده قرار میگیرد و از مدلهای هوش مصنوعی چندلایه و پایه شعاعی برای تشخیص و پیشبینی سرعت حفاری به عنوان پارامتر خروجی استفاده شده است.
پرونده مقاله