ترجمه تخصصی هوش مصنوعی

امروزه افزايش نمايي حجم داده‌هاي خط ‏سير باعث چالش‌هایی نظیر ذخيره‌سازي، انجام محاسبات بسيار پرهزينه برای پاسخ به پرس‌وجوها و زمان‌بر و پرهزينه شدن ارسال اطلاعات از طريق شبکه‌هاي موبايلي و ماهواره‌اي، شده است. حل این مشکلات نیازمند راه‌کارهایی مقیاس‌پذیر و کارآمد است که بسط دادن افقي و استفاده از مدل‌هاي توزيع شده براي ذخيره و بازيابي اطلاعات مکانی-زماني یکی از این راه‌کارها مي‌باشد. در این مقاله روشي توزيع شده با نام DIM براي شاخصگذاري، دخیره‌سازی و پاسخ به پرس‌وجوهای داده‌هاي خط سیر اشیاء متحرک ارائه شده است. در این روش با در نظر گرفتن پرس‌وجوها و همچنين استفاده از داده ساختار درخت بازه، علاوه بر اینکه عامل زمان را نیز به شاخص‌گذاری داده‌ها اضافه کرده، ذخيره داده‌هاي مکانی-زماني مربوط به خط‌سير اشياي متحرک در شبکه‌ي جاده‌اي را به صورت توزيع‌شده انجام می‌دهد. در انتها تاثیر روش DIM بر ساخت شاخص و همچنین پاسخ به پرسوجوی‌های Time Interval، Spatial Range، Spatial/Temporal Range و kNN در آزمایش‌ها موردبررسی قرار داده است. نتایج و مقایسه‌‌های انجام شده در آزمایش‌های تجربی، نشان از کارایی بالای این ساختار شاخص‌گذاری دارد. با فراگير شدن دستگاه‌هاي مکان‌يابي دقيق نظير GPS، AIS، گوشي‌هاي هوشمند، برچسب‌هايRFID و سامانه‌هاي ناوبري وسايل نقليه و همچنین هزينه‌ي کم به‌کارگيري آن‌ها، در کنار پيشرفت فناوري‌هاي ارتباطي بي‌سيم، منجر به توسعه روزافزون خدمات اطلاعاتي مبتني بر مکان شده است. در نتیجه نياز به پيگيري اشياء متحرک روزبه‌روز در حال افزايش بوده و طيف وسیعی از کاربردها، نياز به ذخيره‌سازي و پردازش اطلاعات مکاني داشته تا بتوانند الگوهاي مفيدی را از اين داده‌ها استخراج کرده و به پرس‌وجوهاي مکاني زماني پاسخ دهند. از جمله این کاربردها می‌توان به سامانه‌هاي مديريت ترافيک، حمل‌ونقل هوشمند، گردشگري و شبکه‌هاي اجتماعي مبتني‌بر مکان و حتي بازي‌ها اشاره داشت. در نتيجهي اين فرايند حجم عظيمي از داده‌ها توليد شده است. ذخيره‌سازي و پردازش اين حجم داده زمان و منابع زيادي طلب ميکند که نياز به داشتن روشهاي مقياس پذير و کارا براي ذخيرهسازي و پاسخ به پرس‌وجوها را بيش از پيش نمايان ميکند. راهحل مناسبي که در چندسال اخير توجه زيادي را در زمينههاي مختلف به خود جلب کرده است، بسط دادن افقي و استفاده از مدلهاي توزيع شده براي ذخيره و بازيابي اطلاعات مکانی-زماني مي‌باشد.

The exponential growth of trajectory data volume has created challenges like storage, costly query computations, and increase in the costs and time of transferring information via mobile and satellite networks. Dealing with such issues needs scalable and effective solutions and one of them is horizontal expansion and utilization of distributed models to store and retrieve spatial-temporal information. The present paper proposes a distributed method known as distributed indexing method (DIM) for indexing, storing, and responding to queries about the trajectory data of moving objects. Taking into account queries and using the data structure of interval trees, not only the factor of time is added to data indexing by DIM, but also the storage process of spatial-temporal data of moving objects trajectory on road network is performed in a distributed manner. The effects of DIM method on creating index and responding to time interval, spatial range, spatial/temporal range, and kNN queries were examined. The results of comparisons performed on the empirical tests indicated high performance of the indexing structure. An ever-increasing development of location-based services has been witnessed along with expansion of accurate positioning devices like GPS, AIS, smart phones, RFID tags, navigation systems, and vehicles and given the decrease of prices accelerated by wireless communication technology. Consequently, the necessity of tracking moving objects is growing on daily bases. A wide range of applications needs storing and processing spatial information for extracting useful models from the data and respond to spatial-temporal queries. Among these applications, traffic management systems, smart transportation, tourism, location based social networks, and even computer games are notable. This trend has led to generation of an immense volume of data and storing and processing it needs considerable time and resources. This demand highlights the necessity of scalable and efficient methods for storing and responding to queries. A proper solution that has drawn a great deal of attention over the last few years is horizontal expansion and distributed models for storing and retrieving spatial-temporal information.

امروزه افزايش نمايي حجم داده‌هاي خط‏سير باعث چالش‌هایی نظیر ذخيره‌سازي، انجام محاسبات بسيار پرهزينه برای پاسخ به پرس‌وجوها و زمان‌بر و پرهزينه شدن ارسال اطلاعات از طريق شبکه‌هاي موبايلي و ماهواره‌اي، شده است. حل این مشکلات نیازمند راه‌کارهایی مقیاس‌پذیر و کارآمد است که بسط دادن افقي و استفاده از مدل‌هاي توزيع شده براي ذخيره و بازيابي اطلاعات مکانی-زماني یکی از این راه‌کارها مي‌باشد. در این مقاله روشي توزيع شده با نام DIM براي شاخصگذاري، دخیره‌سازی و پاسخ به پرس‌وجوهای داده‌هاي خط سیر اشیاء متحرک ارائه شده است. در این روش با در نظر گرفتن پرس‌وجوها و همچنين استفاده از داده ساختار درخت بازه، علاوه بر اینکه عامل زمان را نیز به شاخص‌گذاری داده‌ها اضافه کرده، ذخيره داده‌هاي مکانی-زماني مربوط به خط‌سير اشياي متحرک در شبکه‌ي جاده‌اي را به صورت توزيع‌شده انجام می‌دهد. در انتها تاثیر روش DIM بر ساخت شاخص و همچنین پاسخ به پرسوجوی‌های Time Interval، Spatial Range، Spatial/Temporal Range و kNN در آزمایش‌ها موردبررسی قرار داده است. نتایج و مقایسه‌‌های انجام شده در آزمایش‌های تجربی، نشان از کارایی بالای این ساختار شاخص‌گذاری دارد. با فراگير شدن دستگاه‌هاي مکان‌يابي دقيق نظير GPS، AIS، گوشي‌هاي هوشمند، برچسب‌هايRFID و سامانه‌هاي ناوبري وسايل نقليه و همچنین هزينه‌ي کم به‌کارگيري آن‌ها، در کنار پيشرفت فناوري‌هاي ارتباطي بي‌سيم، منجر به توسعه روزافزون خدمات اطلاعاتي مبتني بر مکان شده است. در نتیجه نياز به پيگيري اشياء متحرک روزبه‌روز در حال افزايش بوده و طيف وسیعی از کاربردها، نياز به ذخيره‌سازي و پردازش اطلاعات مکاني داشته تا بتوانند الگوهاي مفيدی را از اين داده‌ها استخراج کرده و به پرس‌وجوهاي مکاني زماني پاسخ دهند. از جمله این کاربردها می‌توان به سامانه‌هاي مديريت ترافيک، حمل‌ونقل هوشمند، گردشگري و شبکه‌هاي اجتماعي مبتني‌بر مکان و حتي بازي‌ها اشاره داشت. در نتيجهي اين فرايند حجم عظيمي از داده‌ها توليد شده است. ذخيره‌سازي و پردازش اين حجم داده زمان و منابع زيادي طلب ميکند که نياز به داشتن روشهاي مقياس پذير و کارا براي ذخيرهسازي و پاسخ به پرس‌وجوها را بيش از پيش نمايان ميکند. راهحل مناسبي که در چندسال اخير توجه زيادي را در زمينههاي مختلف به خود جلب کرده است، بسط دادن افقي و استفاده از مدلهاي توزيع شده براي ذخيره و بازيابي اطلاعات مکانی-زماني مي‌باشد.

The exponential growth of trajectory data volume has created challenges like storage, costly query computations, and increase in the costs and time of transferring information via mobile and satellite networks. Dealing with such issues needs scalable and effective solutions and one of them is horizontal expansion and utilization of distributed models to store and retrieve spatial-temporal information. The present paper proposes a distributed method known as distributed indexing method (DIM) for indexing, storing, and responding to queries about the trajectory data of moving objects. Taking into account queries and using the data structure of interval trees, not only the factor of time is added to data indexing by DIM, but also the storage process of spatial-temporal data of moving objects trajectory on road network is performed in a distributed manner. The effects of DIM method on creating index and responding to time interval, spatial range, spatial/temporal range, and kNN queries were examined. The results of comparisons performed on the empirical tests indicated high performance of the indexing structure. An ever-increasing development of location-based services has been witnessed along with expansion of accurate positioning devices like GPS, AIS, smart phones, RFID tags, navigation systems, and vehicles and given the decrease of prices accelerated by wireless communication technology. Consequently, the necessity of tracking moving objects is growing on daily bases. A wide range of applications needs storing and processing spatial information for extracting useful models from the data and respond to spatial-temporal queries. Among these applications, traffic management systems, smart transportation, tourism, location base social networks, and even computer games are notable. This trend has led to generation of an immense volume of data and storing and processing it needs considerable time and resources. This demand highlights the necessity of scalable and efficient methods for storing and responding to queries. A proper solution that has drawn a great deal of attention over the last few years is horizontal expansion and distributed models for storing and retrieving spatial-temporal information.

در این مطالعه یکی از روش های هوش مصنوعی بنام adaptive network based fuzzy inference system(ANFIS) مورد استفاده قرار گرفت و نتایج خروجی CFD مورد مطالعه قرار گرفت و نتایج خروجی از CFD به عنوان inputs data و output data برای ANFIS method در نظر گرفته شده اند. مختصات در جهت X ، مختصات در جهت Y ، و سرعت سیال در جهت Y به عنوان 3 input ها و و دمای سیال به عنوان output برای استفاده درپروسه های آموزش ANFIS method در نظر گرفته شده اند. برای پروسه training مربوط به ANFIS method در جهت بررسی افزایش هوش fuzzy inference system(FIS) در سه مرحله تعداد inputs از 1 به 3 افزایش و تاثیر این افزایش نورد بررسی قرار گرفت. در پروسه های training و testing این مطالعه ماکزیمم iteration برابر با 900 و P که نشان دهنده درصدی از کل data است که در پروسه training در نظر گرفته شده اند برابر با 60% در نظر گرفته شد. Grashof number(Gr) به عنوان یکی از اعداد بی بعد در fluid dynamic برابر با 71000 در نظر گرفته شد و Ø =0.15 که Ø نشاندهنده درصد nanoparticles سیال است. همچنین برای clustering ، data ها از FCM clustering استفاده شد و تنظیمات مربوط به آن در table1 آمده است. در مرحله اول مختصات در جهت X به عنوان input و دمای سیال به عنوان output در نظر گرفته شد و برای number of clusters=2 پروسه learning متشکل از پروسه های trainingو testing انجام شد. در پروسه training مقدار standard deviation(StD) برابر با 0.21957 وبرای پروسه testing این مقدار 0.22005 بوده است. افزایش مقدار number of clusters به 4،6،8،10،12،14 پروسه های learning بطور مجذا برای هر کدام از مقادیر number of clusters انجام شد. همانطور که در fig 2 مشاهده میشود مقدار StD برای پروسه های training و testing روندی کاهشی را نشان میدهد که بیان کننده افزایش کمی در هوش FIS است.

The ANFIS method was employed and CFD outputs were used as input and output data for ANFIS method. The three inputs were Y and X axes and fluid velocity (Y) and the fluid temperature was used as the output for ANFIS training. To examine FIS progress, the number of inputs increased from one to three for three times in the training process of ANFIS method. In the training and testing processes, the maximum iteration number was equal to 900, and P (percentage of the whole data in the training process) was equal to 60%. Grashof number (Gr), a dimensionless number in fluid dynamic was equal to 71000 and Ø (nanoparticle ratio in the fluid) was equal to 0.15. In addition, data clustering was done using FCM clustering. The setting variables are listed in Table 1. At the first stage, X coordination and fluid temperature were adopted as input and output respectively. For the number of clusters of two, the learning process consisted of training and testing processes. Standard deviation (StD) in the training and testing processes was equal to 0.21957 and 0.22005 respectively. The learning processes were implemented separately for other number of clusters (4, 6, 8, 10, 12, and 14). As illustrated in Fig.2, the value of StD for training and testing processes follows a descending process, which indicates a quantitative increase in FIS intelligence.

آلودگی محیط زیست یکی از مشکلاتی است که در فرآیند نفت(از استخراج تا مصرف) رخ می دهد و این پدیده با صنعتی شدن و نوگرایی جهان شدت بیشتری یافته است(ماریانسکو و همکاران ، 2011). منظور از آلودگی محیط زیست، ایجاد تغییرات نامطلوب در مشخصات فیزیکوشیمیایی و بیولوژیکی منابع اصلی حیات یعنی آب، هوا و خاک به مقداری که بقا و سلامت انسان و دیگر موجودات را به خطر انداخته و یا فعالیت آنها را محدود می سازد(متکف و ادی،2014). محصولات نفتی در زمره آلاینده های خطرناک و مقاوم هستند و شامل ترکیباتی بوده که به صورت زیستی در زنجیره غذایی تجمع پیدا می کنند. (اوروم، 2003. جعفرزاده حقیقی فرد و همکاران، 2014). آلودگی های نفتی یا همان محصولاتی که برگرفته از نفت خام هستند، شامل چربی، روغن های روان کننده، بنزین، هیدروکربن های آروماتیک و هیدروکربن های هالوژنه نفتی می باشند( فینگاس ، 2010). همچنین این آلودگی های نفتی دارای گروهی از فلزات سنگین از جمله (Pb, Ni, Hg, Cd, Ba ,As Se) هستند که تاثیرات مخربی بر محیط زیست دارند. این ترکیبات عامل اصلی تغییر باروری و حاصلخیزی خاک هستند(سیدعلیخانی و همکاران، 2012، ایوانف و همکاران،1994). از طرف دیگر با نفوذ مواد نفتی به درون خاک احتمال آلوده شدن آبهای زیرزمینی نیز وجود دارد. میزان و گسترش این نفوذ به خاصیت و ویژگی خاک (تخلخل ، نفوذپذیری و مقدار رطوبت) و همینطور به ماهیت و کمیت مواد آلاینده بستگی دارد. بعد از اینکه هیدروکربن های نفتی وارد خاک می شوند با آب و هوا برای جایگزینی در حفره ها رقابت می کنند(کارلوس و کولین 1994). روش هایی برای مدیریت آلاینده های نفتی خاک ارائه شده است که در سه دسته فیزیکی، شیمیایی و بیولوژیکی یا تلفیقی از آنها جای می گیرند(پورنصر و همکاران، 2012). تصمیم گیری در خصوص انتخاب روش های ایده آل برای کنترل و حذف آلودگی از خاک فرآیند پیچیده ای است که نیازمند بررسی های گسترده در خصوص شرایط منطقه و شناخت روش های رایج کنترل آلودگی می باشد. در واقع برای انتخاب تکنیک کنترل یا حذف آلودگی از خاک باید به سوالات زیر پاسخ داده شود: - هدف از جداسازی یا کنترل آلودگی خاک چیست؟ - آیا با توجه به حساسیت های زیستی منطقه(پوشش گیاهی و جانوری،پتانسیل پراکندگی آلودگی، آب های سطحی و زیرزمینی، کاربری زمین و ...) حذف آلودگی ضرورت دارد؟(نیاز به ارزیابی ریسک آلودگی) - آیا اثرات جانبی تکنیک مورد نظر تعیین شده است؟ - آیا هزینه های لازم برای اجرای عملی فرآیند تعیین شده است؟ - آیا امکان اجرایی بودن متد در شرایط غیرآزمایشگاهی، با توجه به عواملی همچون مساحت و عمق آلودگی بررسی شده است؟ - آیا برنامه ای برای مدیریت آلاینده ها پس از حذف از خاک تعیین شده است؟ - آیا پس از جداسازی آلاینده از خاک، کاربری سابق امکان پذیر خواهد شد؟ - در صورت عدم امکان دستیابی به کاربری سابق، آیا می توان کاربری جدیدی برای محل تعیین کرد؟ یکی از روش های دستیابی به متد ایده آل برای مدیریت زیست محیطی، استفاده از روش های ریاضی است. این روش ها در قالب مدل های تصمیم گیری چندمعیاره و هوش مصنوعی هستند.

Environment pollution is one of the problems in oil processing (from extraction to consumption) and it has been intensified by industrialization and technological advances (Marianesko et al., 2011). By environment pollution, we refer to unwanted changes in physicochemical and biological properties of the main life resources like water, air, and soil so that the survival of man and other living creatures is threatened or their activity is limited (Motkaf and Eddy, 2014). Oil products are hazardous and resistive contaminators and include combinations that are biologically accumulated in food chain (Oroum 2003; Jafarzade Haghighifard et al., 2014). Oil spills or the products of crude oil include fat, lubricating oils, gasoline, and aromatic and halogenated carbohydrates (Fingas, 2010). In addition, oil spills contain groups of heavy metals (e.g. Pb, Ni, Se, As, Ba, Cd, and Hg) with destructive effects on environment. These compounds are the main causes of changes in soil fertility (Seyedalikhani et al., 2012; Ivanove et al., 1994). On the other hand, penetration of oil products into soil creates the risk of contamination of the ground waters. The extent of this risk depends on soil properties (porosity, penetrability, and moisture) as well as the nature and quantity of contaminators. After entering soil, hydrocarbons compete with water and air to fill the pores in soil (Karlos and Kolin, 1994). The available methods to dealt with oil spills are categorized into three categories of physical, chemical, and biological or a combination of them (Pournasr et al., 2012). Decision-making about the ideal method to control the contamination and remove the soil pollution is a complicated process that needs extensive survey of the condition of region and finding the common ways of pollution control. In fact, selecting the right technique to control or remove soil pollution depends on answers to the following questions: - What is the objective of removing or controlling soil pollution? - Given the biological sensitivities of the regions (plant coverage, animals, pollution dissemination potential, running waters, ground waters, land usage, etc.) is it necessary to remove the pollution? (pollution risk assessment) - Are the side-effects of the chosen technique determined? - Are the costs of implementing the technique determined? - Is the method feasible outside the lab given the factors like the breadth and depth of the operation? - Is there a plan to manage the pollutant after removing them from the soil? - Is there a plan to separate pollutant from soil or reinitiate the previous land usage? Among the methods to find the optimum way for environment management, mathematical methods are notable. These methods are implemented as multi-criteria decision-making (MCDM) or artificial intelligence (AI) models.

در این مقاله یک الگوریتم جستجوی پراکنده به¬منظور حل مساله زمانبندی استخراج بلوک¬های یک معدن فرضی در حالت دو بعدی ارائه شد؛ به¬منظور نشان دادن کارایی الگوریتم پیشنهادی، جواب¬های بدست آمده با روش حل دقیق نیز مقایسه شد که حکایت از موفقیت الگوریتم پیشنهادی دارد. این الگوریتم توانایی تولید جواب نزدیک به بهینه از یک جمعیت کاملاً تصادفی و در زمان محاسباتی کوتاه را داراست. مقدار ارزش فعلی خالص برنامه-ریزی حاصل از حل دقیق و الگوریتم جستجوی پراکنده در اجراهای مختلف الگوریتم پیشنهادی، از تفاوتی زیر پنج درصد برخوردار است، در حالی¬که تفاوت زمانی اجرای دو الگوریتم به¬منظور تولید جواب بسیار محسوس بوده و حکایت از برتری مطلق الگوریتم پیشنهادی نسبت به حل دقیق ریاضی دارد.

A scattered search algorithm was proposed to find production schedule for open pit blocks in 2D mode. To demonstrate the efficiency of the proposed algorithm, the obtained answers were compared with those obtained through exact solution method and the answers were confirmed. The algorithm is capable of generating near-optimum answers out of a completely random population in a short computation time. The difference between the current net value of the schedule by the exact solution and scattered search algorithm in different runs was less than 50%. On the other hand, the runtimes of the two algorithms were highly different so that the proposed algorithm outperformed the exact solution method.