نمودار ۴-۱۰- خط سیر رشد بدست آمده از RW1 (پیکره­ی ۹ لندمارکی) از روز صفر تا ۸۰ بعد از تفریخ (خط‌چین بیانگر نقطه­ی عطف RW1 در روز ۴۱ بعد از تفریخ (طول کل ۲۲/۲±۷۶/۲۰ میلی­متر) می­باشد).
نمودار ۴-۱۱- خط سیر رشد بدست آمده از RW2 (پیکره­ی ۹ لندمارکی) از روز صفر تا ۸۰ بعد از تفریخ (خط‌چین بیانگر نقطه­ی عطف RW2 در روز ۳۰ بعد از تفریخ (طول کل ۵۶/۰±۰۶/۱۶ میلی­متر) می­باشد).
نمودار ۴-۱۲- روند تغییرات شکل ماهی کلمه (Rutilus rutilus caspicus) به طول کل در طی مراحل اولیه رشد از لحظه تفریخ تا ۸۰ روز پس از تفریخ
روند تغییرات RW1 به RW2 و PC1 به PC2 سه گروه شکلی را نشان می‌دهد که تغییرات گروه یک همانطور که در نمودار(۴-۱۳) مشخص است در طول مولفه RW1 است. ولی تغییرات گروه دوم به طور مشابه تحت تاثیر هر دو مولفه RW1 و RW2 است. و تغییرات گروه سوم مشابه گروه اول بیشتر در طول مولفه RW1 است اما در جهت عکس گروه شکلی یک. این روند به صورت مشابه در نمودار روند تغییرات PC1 و PC2 نیز مشاهده می‌شود. به صورتی که تغییرات شکلی گروه یک حت تاثیر مولفه PC1 و گروه دو تحت تاثیر هر دو مولفه و گروه سوم مجددا بیشتر تحت تاثیر مولفه PC1 است که اثری عکس گروه یک را در پیش گرفته است (نمودارهای ۴-۱۴ و ۴-۱۵).
نمودار ۴-۱۳- روند تغییرات RW1 ( 72 درصد واریانس) و RW2 (21 درصد واریانس)
نمودار ۴-۱۴- روند تغییرات PC1 (72 درصد واریانس) و PC2 (21 درصد واریانس) در اشکال میانگین
نمودار ۴-۱۵- روند تغییرات PC1 (72 درصد واریانس) و PC2 (21 درصد واریانس) در کل نمونه‌ها
بر اساس آزمون CVA سه گروه شکلی در طی زندگی اولیه ماهی کلمه از روز اول پس از تفریخ تا هشتاد روز پس از آن مشخص گردید (p<0.001 و wilksʼ lambda=0.0000455) که جدایی شکلی این سه گروه به صورت پیوسته و تدریجی رخ می‌دهد که بیان‌گر تغییر شکل ماهی کلمه در طول رشد است و صفات موثر در این روند تغییر مربوط به لندمارک‌های y8, y6 و y9 بر روی محور یک وx1, x6,x7, x8 بر روی محور دو است که عامل جدایی و تغییرات شکلی روز اول تا روز هشتاد پس از تفریخ بر اساس شکل میانگین می‌باشد. سهم محور اول از واریانس کل ۶۵% و سهم محور دوم از واریانس کل ۲۲% که در مجموع ۸۷% از واریانس کل را شامل می‌شود. لندمارک ۷ مربوط به ناحیه دمی و لندمارک ۶ و ۸ مربوط به ناحیه تنه و لندمارک ۹ مربوط به ناحیه سر است که بیان کننـده افزایش ارتـفاع بدن و تغـییر شکل بدن دوکـی به پهن می‌باشـد و افزایـش طول پـوزه برای تحتانی شدن دهان و پیدا کردن شکل کارآمد برای کف‌زی‌خواری است (نمودار ۴-۱۶) و (نمودار ۴-۱۲).
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

نمودار ۴-۱۶- آنالیز CVAبر حسب مولفه کانونی اول و دوم شکل میانگین
تغییرات شکلی استخراجی از TPS Splineحاکی از آن است که تغییرات لندمارک‌های پیکره نه لندمارکی به طور پیوسته طی تکوین رخ می‌دهد. به طوری که از روز صفر تا روز هشتاد پس از تفریخ ما تغییراتی را به وضوح در ناحیه سر، پوزه، دم و ارتفاع بدن شاهد هستیم. تغییرات در روز اول حاکی از افزایش طول و رشد به سمت جلو در ناحیه سر و کاهش ارتفاع بدن در ناحیه تنه دارد. تغییرات شکلی روز سوم از روند تغییرات روز اول پیروی می‌کند. در شکل حاصل از لندمارک‌های روز سی‌ام ما شاهد افزایش در طول پوزه و ارتفاع تنه هستیم که این روند افزایشی در ناحیه تنه و ارتفاع بدن تا روز هشتاد ادامه دارد که در نهایت ما تغییر شکل و روند تبدیل شدن از یک ماهی با شکل کشیده به یک ماهی با ارتفاع بدن بالا را به راحتی می‌بینیم (شکل ۴-۵) و (تصویر ۴-۶).

شکل ۴-۵- طـرح‌های استخراجی از TPS Spline با تـوجه به Consensus مختصات پیکـره‌ی نه لندمـارکی(شکل خطی مربوط به اولین شکل میانگین کل و شکل شبکه‌ی ماتریسی بیانگر شکل میانگین مربوطبه روز۱،۳،۳۰،۴۱ و۸۰ می‌باشد، فلش‌ها فاصله‌ی شکل برآیند از شکل مربوط به هر روز را نشان می‌دهند).

۵/۶۳

مرحله دوم

۲۱۵

۷/۰

۳

مرحله اول

۱۹۰

۷/۰

۳

۱/۵۰

۸/۷۰

مرحله دوم

۲۱۵

۴/۰

۳

بازد ه ها به عنوان درصدی از حالت تئوری نشان داده شده اند.

تارگت و شاگردانش(تارگت و سایرین، ۲۰۰۰) گزارش دادند که هر راکتوری که به کار گرفته می شود بازده گلوکز از این فرایند معمولاً فراتر از ۶۵-۷۰% نمیرود به این معنی که فرایند از لحاظ اقتصادی غیر عملی است چندین مولف توضیح های متفاوتی بر روی علل بازدهء پایین به دست آمده با این فن آوری شرح داده اند. این کاهش می توانند بعلت تجزیه قندهای تخمیری یا شکل گیری الیگومرهای سلولز مقاوم به مخمر صورت پذیرد. تحقیقات اخیر توسط انجمن ملی تحقیق بر روی بیواتانول^[۴]۲نشان می دهد که این بازده توسط تغییر ترکیب راکتور می توانند تا ۸۵% بالا برود(ترگت و سایرین، ۲۰۰۰). هیدرولیزات حاوی ۴/۱ تا ۵ گرم بر لیتر از فورفورال و۴/۲ تا ۵/۶ گرم بر لیتر از HMF(5-هیدروکسی متیل فورفورال)می باشد. اخیرا ًپیشرفت مهمی از فن آوری هیدرولیز با اسید بطور آزمایشی اثبات شده که بازدهی بیشتر از ۹۵% از همی سلولز و ۸۵% از سلولز قابل حصول در سیستم راکتور صافی دار مضاعف که شبیه به فرایند ناهمسوست امکان دارد(ترگت و همکاران، ۱۹۹۷). در بین شیوه های هیدرولیز شیمیایی، هیدرولیز اسید رقیق، بیشترین کاربرد را دارد و می توانند به عنوان آزمایش قبل از هیدرولیز آنزیمی برای هیدرولیز لیگنو سلولز به قندها به کار گرفت.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

اولین فرایند هیدرولیز اسید رقیق استفاده شده احتمالاً فرایند شولر(فیث۱۹۴۵)است. که مواد چوبی را در اسید سولفوریک ۵/۰% در۱۱-۱۲بار برای ۴۵ دقیقه در فرایند ناپیوسته مورد استفاده قرار می دهد. این روزها، بیشتر فرایند هیدرولیز اسید رقیق در راکتور ناپیوسته با زمان نگهداری چند دقیقه صورت می گیرد(کریمی و دیگران، ۲۰۰۶). راکتور ناپیوسته، بیشترین راکتور مورد استفاده در مطالعات سنتیک هیدرولیز و برای آزمایشگاه و مطالعات آزمایشی تولید اتانول از لیگنو سلولز است( سامن ۱۹۴۵، میلاتی و سایرین ۲۰۰۵، براندبرگ و سایرین ۲۰۰۵). بخش عمده همی سلولز(بیش از۸۰%)، را میتوان با هیدرولیز در دمای کمتر از۲۰۰ درجه سانتیگراد هیدرولیز کرد، اما حداکثر محصول کل گلوکز در دمای هیدرولیز بالاتر از ۲۲۰ درجه سانتیگراد رخ می دهد. این امر به علت مقاومت زیاد سلولز به هیدرولیز است. نقص اصلی هیدرولیز اسید رقیق، بویژه در مرحله اول، تجزیه قندها و تشکیل چندین محصول فرعی که از تشکیل اتانول در طی تخمیر ممانعت می کند می باشد. ممانعت گران احتمالی که می توانند در طی هیدرولیز اسید رقیق تشکیل شوند و اجزاء اصلی شان در شکل۳-۲ نشان داده شده است. ممانعت گران بالقوه، فورفورال، ۵-هیدروکسی متیل فورفورال (HMF)، اسید لولینیک، اسید استیک، اسید فورمیک،اسیداورونیک، اسید۴-هیدروکسی بنزوئیک، اسیدوانیلیک، وانیلین، فنول، فورمالدئید می باشد که گر چه برخی مما نعت گران مانند، ترکیبات ترپن، اساساً در چوب هستند اما ظاهراً بیشتر ممانعت گران در طی هیدرولیز تشکیل می شوند.
در حالی که بهبود فرایند آنزیمی، یعنی بهبود سرعت فرایند و سهولت تولید آنزیم به لحاظ اقتصادی قابل پیش بینی است، توسعه و گسترش هیدرولیز اسید رقیق همچنان ادامه دارد(لی و سایرین، ۱۹۹۹). بررسی ها و تحقیقات گوناگونی در انواع مختلف راکتور از جمله راکتورهای پلاگ، راکتورهای تراوشی، راکتورهای جریان معکوس و جریان هم جهت صورت گرفته است، کلیه این تحقیقات علاوه بر پیشرفتهای اخیر در بررسی سینیتکی بود که در پی ارزیابی دامنه گسترده تری از شرایط واکنش بر حسب دما و غلظت اسید صورت گرفت. علاوه بر این، بررسی ها و تحقیقات دقیق و گسترده ای نیز جهت غلبه بر مشکلات فنی نظیر تحقیق در زمینه سم زدایی ماده سمی حاصل شده در طول هیدرولیز اسیدرقیق صورت گرفته است.
فرایند هیدرولیز اسید رقیق به جهت وجود تفاوت های بین همی سلولز و سلولز در دو مرحله صورت می گیرد (آگیولار و سایرین۲۰۰۲، لارسون و سایرین۱۹۹۹و سائمان۱۹۴۵). اولین مرحله در شرایط معتدل تری صورت گرفته که بازده بالاتری در تولید محصولات هیدرولیز همی سلولز همچون مونومرهای مانوز و زایلوز را نتیجه می دهد. مرحله دوم جهت هیدرولیز جزء مقاوم ترسلولز و به منظور تولید مونومرهای گلوکز بهینه سازی می شود. هیدرولیزاتهای مایع از هر مرحله بازیابی شده و بعد از جدا شدن از ماده جامد ولیگنین قبل کشت خنثی سازی و سم زدایی می شوند. سلولز ولیگنین باقیمانده به صورت جامد در راکتورهای هیدرولیز بجا مانده و به عنوان سوخت دیگ بخار برای تولید الکتریسیته (برق) یا بخار به کار می روند.
فرایند اسیدرقیق دو مرحله ای معمولاً به دلایل زیر بر هیدرولیز اسیدرقیق یک مرحله ای ترجیح داده می شود:
۱) مراحل جداگانه هیدرولیز همی سلولز و سلولز، به محصول قند بالاتری منجر می شود. بعلاوه در فرایند دو مرحله ای هیدرولیز محصولی با محتوی قند هگزوز بالا بدست می آید که می تواند به راحتی به اتانول تخمیر گردد. اما ترکیب پنتوز و هگزوز معمولاًبرای تخمیر مشکل ساز است زیرا پنتوز به سختی تخمیر می گردد.
۲) مصرف انرژی حداقل میگردد زیرا مایع قبل از هیدرولیز مرحله دوم حذف می شود.
۳) محلول قند حاصل شده غلیظ تر می باشد.
۴) تجزیه کمتر مواد هیدرولیز شده در مرحله اول به بازدهی بالاتر قند منتهی می شود.
۵) تعداد ممانعت گرکمتر در طی هیدرولیز دو مرحله ای تشکیل می شود.
۲-۷-۲-۱ محصولات جانبی هیدرولیز اسید رقیق
هیدرولیز اسید رقیق یک فرایند سریع و ارزان جهت دستیابی به قند از مواد لیگنوسلولزی می باشد. با وجود این تولید چندین محصول جانبی در طول فرایند از جمله معایب اصلی هیدرولیز اسیدرقیق به شمار می آید(سائمن۱۹۴۵). برخی از این محصولات برای فرایند تخمیر میکروارگانیسم ها از جمله مخمر سمی می باشند(پالمکوسیت و هان هاجردال، ۲۰۰۰). بازداری ایجاد شده توسط این ترکیبات بازده و قابلیت تولید را کاهش می دهد. همچنین رشد سلول را مختل می سازد. تحقیقات و بررسی های زیادی به جلوگیری از این مشکل بازداری اختصاص یافته اند. برای مثال، تبدیل مواد سمی به ترکیب دیگری که برای مخمر غیرسمی بوده یا سمیت کمتری داشته و همچنین افزایش مقاومت مخمر در برابر این مواد سمی از این جمله است.

شکل۲-۴محصولات جانبی در فرایند هیدرولیز رقیق
سلولز همی سلولز ولیگنین در طول فرایند هیدرولیزاسید به ترتیب به گلوکز، مانوزیا زایلوز و ترکیبات فنولیک می شکنند. به محض تشکیل مونومرها، تجزیه های بیشتری در طول این فرایند رخداده و ترکیبات پیش بینی نشده دیگری همچون هیدروکسی متیل فورفورال(HMF) از هگزوزها و فورفورال از پنتوزها را نتیجه می دهند. هیدروکسی متیل فورفورال و فورفورال نیز عمدتاً به اسیدلویولینیک و اسید فرمیک تجزیه می شوند. علاوه بر این، الیفاتیک اسیدها عمدتاً استیک اسید، از گروهای استیل موجود در همی سلولزها آزاد می شوند، در حالی که لیگنین تجزیه شده و ترکیبات فنولیک آزاد می کند(شکل۲-۲).
۲-۷-۲-۱-۱ اسید های آلی
تعداد زیادی از آلیفاتیکها اسیدها در هیدرولیزاتهای اسیدرقیق وجود داشته که ازعصاره های چوب، تجزیه لیگنین و تجزیه قند بدست می آید. اسید استیک اصلی ترین جزو اسیدی در هیدرولیزاتها بوده و عمدتاً از تجزیه گروه استیل در پلی ساکاریدها تولید می شود در حالی که اسیدلویولینیک و اسیدفرمیک محصولات تجزیه قندی می باشند. اسیدهای ناگسسته برای سلول ها مضر بوده و مانع از رشد سلولی می شوند. آنها محلول در چربی بوده و بنابراین می توانند به صورت سیتوسول در سرتاسر غشاء پلاسما پخش و منتشر شوند و ممکن است به صورت درون سلولی تفکیک شوند(طاهرزاده و سایرین،۱۹۹۷).
۲-۷-۲-۱-۲ترکیبات فنولیک
تعدادی ترکیب فنولیک وجود داشته که در هیدرولیزاتهای لیگنو سلولزی یافت می شوند، از جمله انها۳-متوکسی-۴-هیدروکسی بنزالدئید، ۴-هیدروکسی استوفنون، وانیلین، سیرینگ آلدئید، استروانیلون، فرولیک اسید، وانیلیک اسید و۴ -هیدروکسی بنزوئیک اسید را میتوان برشمرد. این ترکیبات عمدتاً از تجزیه لیگنین و همچنین عصاره های آروماتیک چوب آزاد می شوند. فنل آلدئیدها و فنل کتونها به عنوان بدترین بازدارنده ها یافت می شوند. علاوه بر این، بررسی نشان داد که ترکیبات فنولیک با وزن مولکولی پائین سمی تر می باشند (پالمکویست و هان هاگردال، ۲۰۰۰). ترکیبات فنولیک به دلیل اثر بازدارندگی شان در تخمیر هیدرولیزاتهای لینگوسلولزیک، بازدارنده های مهمی به شمار می ایند.
۲-۷-۲-۱-۳ ترکیبات فورال

۳-۷-۲- مدل مضربی CCR ورودی محور

به طور کلی مدل های تحلیل پوششی داده ها به دو گروه ، ورودی محور و خروجی محور تقسیم می شود . قبلأ مدل نسبت CCR در ادبیات مربوط به فصل دوم به تفضیل بحث شده است . جهت تبدیل این مدل به یک مدل برنامه ریزی خطی به روشی که توسط چارنز و کوپر به کار گرفته می شود توجه کنید . در این روش استدلال بر آن است که برای حداکثر کردن مقدار یک عبارت کسری کافی است که مخرج کسر معادل یک عدد ثابت در نظر گرفته شده و صورت کسر حداکثر گردد . بر این اساس ، مخرج کسر را معادل یک قرار داده و مدل جدیدی به صورت زیر به دست می آید . این مدل را فرم مضزبی می نامند .

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

مدل های ورودی محور مدل هایی هستند که با ثابت نگه داشتن خروجی ها ، ورودی ها را کاهش می دهد .
آن چنان که گفته شد در این رویکرد هر مدل دارای چهار متغیر ورودی ، و چهار متغیر خروجی و هفت محدودیت می باشد که برای رسیدن به جواب باید به ازای هر پالایشگاه گاز یک مدل حل شود . ( مجموعأ ۶ مدل )

۳-۷-۳- روش اندرسون – پیترسون بر ای رتبه بندی واحدهای کارا

همانطور که در ادبیات مربوط به فصل دوم بحث شد ، جهت رتبه بندی واحدهای کارا می توان از تکنیک اندرسون – پیترسون استفاده کرد . لذا با توجه به مراحل گفته شده در این روش مدل CCR ورودی محور مربوط به پالایشگاه B در اردیبهشت ماه ۹۳ را که از واحد های کارا است در زیر آورده شده است .
Max Z₁ =۹۳٫۳۳*u1+90.50*u2+100*u3+28.57*u4
۱۰٫۹۷*v1+100*v2+4.91*v3+83.53*v4=1
۹۳٫۳۳*u1+90.5*u2+100*u3+28.57*u4-10.91*v1-100*v2-4.91*v3-83.53*v4<=0
۱۰۰*u1+100*u2+84.54*u3+85.71*u4-64.6*v1-25.39*v2-64.76*v3-100*v4<=0
(۴); ۱۰۰*u1+1.54*u2+25.86*u3+100*u4-21.19*v1-62.60*v2-14.97*v3-85.14*v4<=0
۹۵*u1+19.55*u2+14.34*u3+100*u4-68.41*v1-100*v2-61.09*v3-100*v4<=0
۸۱*u1+10.18*u2+2.91*u3+71.42*u4-30.58*v1-23.82*v2-53.43*v3-95.83*v4<=0
u1 ,u2 , u3 , u4 , v1 , v2 , v3 , v4 > 0
که همه ی مدل ها و کارا یا ناکارا بودن آن ها به تفضیل در فصل چهار شرح داده می شود .

۳-۸- دلایل استفاده از مدل مضربی CCR ورودی محور در مقایسه با مدل BCC

همانطور که در ادبیات تحقیق مربوط به فصل دو بحث شده یک رابطه تجربی در ارتباط با تعداد واحد های مورد ارزیابی و تعداد ورودی ها و خروجی ها به صورت زیر برقرار است :
( تعداد خروجی ها + تعداد ورودی ها ) ۳ < تعداد واحدهای مورد ارزیابی
عدم بکارگیری رابطه فوق در عمل موجب می شود که تعداد زیادی از واحد ها بر روی مرز کارا قرار گرفته و به عبارت دیگر دارای امتیاز کارایی یک گردند . لذا قدرت تفکیک مدل به این ترتیب کاهش می یابد . بنابراین :
استفاده از مدل BCC در این پژوهش نه تنها مشکل کمی تعداد DMU ها را حل نمی کند ، بلکه در واقع مدل BCC تعداد واحدهای کارای بیشتری در مقایسه با مدل CCR معرفی می کند . بنابراین مشکل موجود شدیدتر نیز می شود .
بازده به مقیاس بیانگر ارتباط بین تغییرات ورودی ها و خروجی های یک سیستم تولیدی ، خدماتی یا یک بنگاه است . اگر بازگشت نسبت به مقیاس ثابت CRS باشد ، یعنی با افزایش یک واحد ورودی ، یک واحد خروجی افزایش می یابد و کارایی با تغییر حجم تولید تغییر نمی کند . اگر یک تکنولوژی تولید دارای بازگشت نسبت به مقیاس متغیر VRS باشد ، بر امکان تأثیر حجم تولید بر کارایی دلالت می کند و می توان نتیجه گرفت که برخی ناکارایی های موجود ، ناشی از بهینه نبودن حجم تولید است . در حالت بازگشت به مقیاس ثابت از مدل CCR و در بازگشت به مقیاس متغیر از مدل BCC استفاده می کنیم . ]۷[
در پژوهش حاضر با مطالعه بر روی میزان ورودی ها و خروجی های پالایشگاه ها ، این نتیجه حاصل شد که نسبت تغییر خروجی ها به ورودی ها تقریبأ از مقدار ثابتی پیروی می کند . بنابراین از مدل BCC استفاده نشده است . برای استدلال تبعیت نسبت تغییرات خروجی ها به ورودی ها از مقدار تقریباٌ ثابت پیروی می کند . می توان گفت که با توجه به این که مجموع داده های نرمال مربوط به تمامی شاخص های ورودی در سال ۹۲ برابر با ۷۸/۱۳۷۴ و در سال ۹۳ برابر با ۵۷/۱۴۷۶ بوده و همچنین مجموع داده های نرمال تمامی شاخص های خروجی در سال ۹۲ برابر با ۶/۱۸۳۴ و در سال ۹۳ برابر با ۸۳/۱۸۸۱ می باشد ، لذا داریم :
= درصد تغییرات ورودی ها در سال۹۳ به ۹۲
= درصد تغییرات خروجی ها در سال۹۳ به ۹۲
همانگونه که از استدلال فوق مشخص می شود تغییرات در نسبت مجموع ورودی ها به خروجی ها در اردیبهشت ماه سال های ۹۲ و ۹۳ ، تقریباٌ از مقدار ثابتی تبعیت می کند .

۳-۹- روش تحقیق مورد استفاده در تحلیل کارایی با مدل های ترکیبی Neuro/DEA

۳-۹-۱- مدل مورد استفاده در تحقیق

در این تحقیق از ترکیب شبکه های عصبی و تحلیل پوششی داده ها برای ارزیابی عملکرد پالایشگاه های گاز استفاده می شود . توان بالقوه شبکه های عصبی در شناسایی الگو ، تخمین تابع ، پیش بینی و خوشه بندی این امکان را می دهد تا با ترکیب DEA برای ارزیابی کارایی واحد ها از آن استفاده نمود . مدل های ترکیبی شبکه های عصبی و DEA مورد استفاده در این تحقیق شامل دو رویکرد می باشد که در ادامه هر یک از رویکرد ها به تفضیل بحث خواهد شد .
همانطور که بیان شد هر یک از پالایشگاه های گاز در هر سال به عنوان یک واحد تصمیم گیرنده مد نظر قرار می گیرد . با توجه به موجود بودن اطلاعات مربوط به اردیبهشت ماه سال های ۹۲ و ۹۳ ، واحد های تصمیم گیرنده را به صورت زیر تعریف می کنیم :
DMU _{ij =} واحد تصمیم گیرنده _i ام در سال j ام
i= 1,2,..,6 j= 92 , 93
شبکه های مورد استفاده در این پژوهش ، شبکه های پیش خور چند لایه و شبکه های خود سازمان ده هستند که در ادبیات موضوع مربوطه در فصل دوم به تفضیل راجع به آن ها بحث شده است .
در رویکرد اول از مدل های ترکیبی ۱Neuro/DEA از یک شبکه پرسپترون چند لایه برای پیش بینی عملکرد واحدهای تصمیم گیرنده استفاده شده و به عنوان یک شبیه ساز می تواند عملکرد واحد ها را در سال های آتی شبیه سازی کند و با کمک آن به تحلیل حساسیت واحد ها پرداخت . در این مرحله اطلاعات واحد های تصمیم گیرنده در اردیبهشت ماه سال ۹۲ به همراه کارایی محاسبه شده با DEA ( مدل مضربی CCR ورودی محور ) به شبکه آموزش داده می شود . شبکه الگوی کارایی واحد ها را براساس توپولوژی شبکه و الگوریتم های یادگیری SCG و LM یاد گرفته و یک نگاشت غیر خطی بین ورودی ها و خروجی ها برقرار می کند . خروجی محاسبه شده در واقع همان کارایی داده ها در سال جدید یعنی اردیبهشت ماه سال ۹۳ است . بنابراین شبکه اول را شبکه پیش بینی کننده عملکرد می نامیم .
در رویکرد دوم از مدل های ترکیبی ۲Neuro/DEA نیز از یک شبکه پرسپترون چند لایه استفاده می شود . در این مرحله شبکه عصبی مذکور به عنوان محاسبه کننده کارایی واحدها عمل می کند . بدین ترتیب که داده های موجود واحدها در سال ۹۲ و ۹۳ به دو بخش داده های یادگیری و داده های تست تقسیم می شود . به طوری که داده های تست از میان داده های واحد ها به طور تصادفی انتخاب شده و به همراه کارایی آن ها که به وسیله DEA ( مدل CCR ورودی محور ) محاسبه شده به شبکه داده می شود . شبکه الگوی کارایی بین ورودی ها و خروجی ها را فرا میگیرد و سپس کارایی داده های جدید را به عنوان داده های آزمایش نگه داشته شده اند محاسبه می کند . این شبکه را شبکه محاسبه کننده کارایی می نامیم .

۳-۹-۲- روش به کار گرفته شده در مدل های ترکیبی Neuro/DEA1 و Neuro/DEA2 جهت ارزیابی واحد ها

در این تحقیق برای نشان دادن نحوه ی محاسبه کارایی با ANNs از یک مطالعه ی موردی استفاده شده است . در این پژوهش برای ارزیابی عملکرد پالایشگاه های گاز استانی (DMUs ) ورودی ها و خروجی هایی را مشخص کرده و کارایی را با بهره گرفتن از DEA ( مدل CCR ورودی محور ) اندازه می گیریم . برای اندازه گیری کارایی از داده های مربوط به ورودی ها و خروجی های پالایشگاه های گاز کشور در اردیبهشت ماه سال های ۹۲ و ۹۳ استفاده شده است . تعداد پالایشگاه ها ۶ واحد ، و ورودی و خروجی ها به شکل زیر است :
خروجی ها
( درصد رضایتمندی مشتری ، تولید محصولات جانبی ، برداشت واقعی گاز ، تعداد سیستم های مدیریتی اخذ شده )
پالایشگاه گاز
j
ورودی ها
( نیروی انسانی ، آموزش کارکنان ، سوخت مصرفی ، ساعت کارکرد )
شکل ۳-۱- ورودی و خروجی های پالایشگاه ها
در اندازه گیری کارایی فنی هر پالایشگاه گاز ، از چهار ورودی شامل تعداد نیروی انسانی ، آموزش نیروی انسانی ، سوخت مصرفی ، ساعت کارکرد و از چهار خروجی شامل درصد رضایتمندی مشتری ، آمار تولید محصولات جانبی ، برداشت واقعی گاز و تعداد سیستم های مدیریتی اخذ شده می باشد . در عین حال متغیرهای متعددی هستند که در ارزیابی کارایی فنی هر پالایشگاه گاز مورد ملاحظه قرار می گیرند و می توان اظهار داشت که کارایی هر پالایشگاه گاز تابعی از متغیرهای فوق است که تغییرات هر کدام بر عملکرد شرکت تأثیر می گذارد . در این حالت می توان فرض خطی بودن رابطه بین متغیرها را نادیده گرفت و هم چنین براساس قانون بازده نزولی و با در نظر گرفتن اثرات متقابل بین متغیرها ، تابع کارایی واحد i ام یعنی f_i=(x_1,x₂,x₃,x₄,y₁,y₂,y₃,y₄) می تواند یک تابع غیر خطی باشد .
هدف مدل Neuro/DEA ، حداقل کردن ورودی ها نسبت به دستیابی به سطح خروجی مطلوب است . برای اندازه گیری کارایی شرکت ها با Neuro/DEA ابتدا یک مدل شبکه ی عصبی مناسب را شبیه سازی می کنیم ، سپس با بهره گرفتن از داده هایی برای پردازش اولیه ، داده های پیش پردازشی ، شبکه را با بهره گرفتن از خروجی مطلوب ، که با DEA محاسبه شده است ، آموزش می دهیم تا جایی که شبکه بتواند الگوی مرجع را یاد بگیرد و بر مبنای آن کارایی واحد ها را محاسبه کند . سپس نتایج مشاهده شده با مدل DEA/CCR و Neuro/DEA را مورد بررسی قرار می دهیم . ]۳[

فصل چهارم

پاکسازی داده ها : از بین بردن نویز و ناسازگاری داده ها
یکپارچه سازی داده ها : ترکیب چندین منبع داده
انتخاب داده ها : بازیابی داده های مرتبط با آنالیز از پایگاه داده
تبدیل کردن داده ها : تبدیل داده ها به فرمی که مناسب برای داده کاوی باشد مثل خلاصه سازی و همسان سازی

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

داده کاوی : فرایند اصلی که روال های هوشمند برای استخراج الگوها از داده ها به کار گرفته می شوند.
ارزیابی الگو : مشخص کردن الگوهای صحیح و مورد نظر توسط معیارهای اندازه گیری
ارائه دانش : نمایش بصری تکنیکهای بازنمایی دانش برای ارائه دانش کشف شده به کاربر
به عبارت دیگر به دلیل آنکه هدف داده کاوی در نهایت یافتن الگویی است که بتوان داده های موجود را در آن بسط داد و از مدل ساخته شده جهت تصمیم گیری برای داده های آینده بهره جست، بنابراین همان گونه که گفته شد تمامی این فرایند در راستای طرح یک فرضیه بر مبنای الگوی کشف شده از داده های خام چیده شده است.
با بکارگیری مدلهای مورد نظر، داده کاوی در توصیف داده ها به شرح ذیل کمک می نماید :
خلاصه سازی و به تصویر درآوردن داده ها
خوشه بندی
تحلیل لینک
خوشبختانه در سالهای اخیر بکارگیری تکنیک داده کاوی و برنامه ریزی در جهت کاربردی تر و به تبع آن مکانیزه و سیستمی تر نمودن آنها توانسته است به سازمان های مالی کمک های فراوانی در جهت مدیریت بر بحران ها و ریسک ها نماید. همچنین از عوامل دیگری که سبب گردید داده کاوی در کانون توجه این تحقیق قرار گیرد، مسئله در دسترس بودن حجم وسیعی از داده ها و انبار داده در بانک ها می باشد که این امر، نیاز شدید به استخراج دانش سودمند از این داده ها را ملموس تر نموده است. این موضوع با پیدایش مفهوم داده کاوی نیز هماهنگ می باشد.
شاید بتوان لوول^[۵۶] (۱۳۸۳) را جزء اولین کسانی دانست که گزارشی در مورد داده کاوی ارائه نموده است. بطور جدی پژوهش در این زمینه از اوایل دهه ۹۰ آغاز گردیده است. در این رابطه پیاتتسکی و شاپیرو^[۵۷] (۱۹۹۱) و هافمن و نش^[۵۸] (۱۹۹۵) مقالاتی ارائه و بالاخص کاربرد آن را در مسائل اقتصادی و بانک های آمریکا مطرح نمودند.
۲-۵-۲: کاربردهای داده کاوی
داده کاوی بطور همزمان از چندین رشته علمی بهره می برد نظیر : تکنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه های عصبی، آمار، بازیابی اطلاعات، محاسبات با سرعت بالا.
داده کاوی در حوزه های مختلفی کاربرد داشته که محمدی پور میزان نفوذ داده کاوی در صنایع مختلف را به صورت جدول یک اعلام نموده است.
جدول ۲-۱ : میزان نفوذ داده کاوی در صنایع مختلف

مدیریت ارتباط با مشتری

۱/۲۶%

بانکداری

۹/۲۳%

بازاریابی مستقیم

۳/۲۰%

شناسایی جرم

۸/۱۸%

وب کاری

۱/۱۰%

خرده فروشی

۱/۱۰%

بیمه

۷/۸%

نیاز
منابع
انگیزه
شکل ۴-۳٫ طرح تکمیل شده تحقیق
کمیت مبادله
کیفیت مبادله
با توجه به معیارهای فوق، مدل سنجش متغیرهای پنهان این تحقیق از نوع انعکاسی است. برای مثال برای موفقیت فن‌بازار با توجه به اهدافی که فن‌بازار دنبال می‌کند از دو متغیر کمیت (تعداد مبادلات و حجم ریالی مبادلات) و کیفیت (رضایت طرف عرضه و رضایت طرف تقاضا) استفاده ‌گردید.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

چنانکه ملاحظه می‌شود مدل سنجش از نوع انعکاسی است زیرا مسیر علّی از سازه (موفقیت فن‌بازار) به سمت شاخص‌ها می‌باشد. به همین ترتیب برای سایر متغیرهای پنهان نیز متغیرهای آشکار و مدل سنجش انعکاسی در نظر گرفته ‌شد.
کمیت مبادله
کیفیت مبادله
تعداد مبادلات
حجم ریالی مبادلات
رضایت طرف عرضه
رضایت طرف تقاضا
شکل ۵-۳٫ متغیرهای کمیت و کیفیت موفقیت فن‏بازار
چنانکه اشاره شد، در این گام از توسعه چهارچوب نظری، به عملیاتی کردن (قابل اندازه‌گیری کردن) مفاهیم پرداخته شد. نتایج این کار که با بهره گرفتن از شاخص‌های مطرح در ادبیات انجام گردید، در ستون چهارم جدول (۲-۳) مشخص شده است. برای اطمینان از مناسب بودن شاخص‌های حاصل از مرور ادبیات برای سنجش متغیرهای فن‌بازار دفاعی، ابتدا نظر ۵ نفر از خبرگان علمی پرسیده شد و شاخص‌های به موارد مستخرج از ادبیات اضافه گردید. سپس نظر یک گروه ۱۵ نفره از خبرگان بخش دفاع با بهره گرفتن از “پرسش‌نامه بررسی شاخص‏ها” پرسیده شد. جدول (۳-۳) نتایج این پرسش‌نامه و مناسب بودن شاخص‌ها را نشان می‌‌‌دهد. ستون اول جدول، متغیر مورد نظر، ستون دوم، شاخص‌های مربوط به هر متغیر و ستون سوم، میانگین مناسب بودن هر شاخص را از نظر خبرگان علمی بخش دفاع و بر مبنای مقیاس لیکرت یک تا پنج (۱= کاملاً مخالف و ۵= کاملاً موافق) نشان می‌‌‌دهد. در ادامۀ کار، شاخص‌های این جدول مبنای طراحی و تدوین پرسش‌نامه قرار گرفت.
جدول (۲-۳). عملیاتی کردن مفاهیم

ردیف

مفهوم/ متغیر
سنجه
تعریف عملیاتی
ادبیات مرتبط

۱

موفقیت فن‌بازار

کمیت مبادله

تعداد فناوری‌های مبادله شده
حجم ریالی فناوری‌های مبادله شده

Munkongsujarit & Srivannaboon (2011)
موحدی و طباطبایی (۱۳۸۹)

کیفیت مبادله

رضایت طرفین از مبادلات فناوری
رضایت طرفین از سازوکارها

۲

طرف عرضه

انگیزه

نمرۀ شدت تلاش برای فروش فناوری بر اساس مقیاس لیکرت

Edler &Georghiou (2007)
Mowery (1992)
Klerk & Leeuwis (2009)
حسینی و سهرابی (۱۳۸۲)

عملکرد