شبکه های بین خودرویی زیرمجموعهای از شبکه های سیار موردی می باشد که در آن خودروها به عنوان گره های شبکه محسوب می شوند. تفاوت اصلی آن با شبکه های سیار موردی در تحرک سریع گره ها است که باعث تغییر سریع توپولوژی در این شبکه
می شود. تغییرات سریع توپولوژی شبکه یک چالش بزر أکثر
شبکه های بین خودرویی زیرمجموعهای از شبکه های سیار موردی می باشد که در آن خودروها به عنوان گره های شبکه محسوب می شوند. تفاوت اصلی آن با شبکه های سیار موردی در تحرک سریع گره ها است که باعث تغییر سریع توپولوژی در این شبکه
می شود. تغییرات سریع توپولوژی شبکه یک چالش بزرگ برای مسیریابی محسوب می شود که برای مسیریابی در این شبکه ها، پروتکل های مسیریابی باید قوی و قابلاعتماد باشد. یکی از پروتکل های مسیریابی شناخته شده در شبکههای بین خودرویی، پروتکل مسیریابیAODV است. اعمال این پروتکل مسیریابی بر روی شبکه های بین خودرویی نیز دارای مشکلاتی میباشد که با افزایش مقیاس شبکه و تعداد گره ها، تعداد پیام های کنترلی در شبکه افزایش می یابد. یکی از روشهای کاهش سربار در پروتکل AODV، خوشه بندی کردن گره های شبکه است. در این مقاله برای خوشه بندی کردن گره ها از الگوریتم تغییریافته K-Means و برای انتخاب سر خوشه از الگوریتم ازدحام ذرات استفاده شده است. نتایج بدست آمده از روش پیشنهادی باعث بهبود بار مسیریابی نرمال شده و افزایش نرخ تحویل بسته در مقایسه با پروتکل مسیریابی AODV شده است.
تفاصيل المقالة
تراوایی از جمله مهمترین پارامترهای پتروفیزیکی است که نقشی اساسی را در بحث های تولید و توسعه میادین هیدروکربونی دارند. در این پژوهش ابتدا نمودار تشدید مغناطیسی هسته ای در مخزن آسماری مورد ارزیابی قرار گرفت و تراوایی با استفاده از دو روش مرسوم مدل سیال آزاد(Coates) و مد أکثر
تراوایی از جمله مهمترین پارامترهای پتروفیزیکی است که نقشی اساسی را در بحث های تولید و توسعه میادین هیدروکربونی دارند. در این پژوهش ابتدا نمودار تشدید مغناطیسی هسته ای در مخزن آسماری مورد ارزیابی قرار گرفت و تراوایی با استفاده از دو روش مرسوم مدل سیال آزاد(Coates) و مدل شلمبرژه یا میانگین T2 (SDR) محاسبه شد. سپس با ساخت مدل ساده شبکه عصبی مصنوعی و همچنین ترکیب آن با الگوریتم های بهینه سازی رقابت استعماری (ANN-ICA) و ازدحام ذرات (ANN-PSO) تراوایی تخمین زده شد. در نهایت نتایج حاصل با مقایسه تراوایی COATES و تراوایی SDR تخمین زده شده نسبت به مقدار واقعی، مورد بررسی قرار گرفتند و دقت تخمین از نظر مجموع مربع خطا و ضریب همبستگی مقایسه شد. نتایج حاصل از این مطالعه، بیانگر افزایش دقت تخمین تراوایی با استفاده از ترکیب الگوریتم های بهینه سازی با شبکه عصبی مصنوعی بود. نتایج حاصل از این روش می تواند به عنوان روشی قدرتمند جهت بدست آوردن سایر پارامترهای پتروفیزیکی استفاده شود.
تفاصيل المقالة
رایمگ
يقوم نظام رایمگ بتنفيذ جميع عمليات الاستلام والتقييم والحكم والتحرير وتخطيط الصفحة والنشر الإلكتروني للمجلات العلمية.