فایل پی دی اف مقاله به همراه فایل ورد ترجمه
سال چاپ مقاله: 2013
«قسمتی از ترجمه»
عنوان:
ارزیابی عملکرد یک توربین بادی با استفاده از مدل معیار: کنترل‌کننده‌های فازی و LQG تطبیقی گسسته
چکیده:
به‌منظور اینکه توربین‌های بادی در بازار انرژی الکتریکی قابل‌رقابت باشند باید دارای عملکرد و ...
متن کامل ترجمه مقاله ISI در فایل word به فروش می رسد که ترجمه چکیده آن را به عنوان نمونه می توانید ملاحظه فرمایید.
The effect of carbon particle morphology on the electrochemical properties of nanocarbon/polyaniline composites in supercapacitors
Abstract
Nanocarbon/polyaniline (PANI) composites were prepared by in situ polymerization of aniline on carbon blacks (CB), carbon nanotubes (CNTs) and graphene nanosheets (GNSs). The GNS/PANI composite has the highest PANI content with high specific capacitance, low internal resistance as well as improved cycling stability and rate capability. Of the three, the GNS/PANI composite shows better performance than CB/PANI and CNT/PANI. This can be attributed to the following three characteristics of GNSs as the PANI support: (a) the two-dimensional planar structure is beneficial to homogeneous nucleation of a large amount of PANI on their surface, giving more active sites for the redox reaction; (b) the planar contact between GNSs and PANI is good for constructing a conductive network with a high electron transfer rate and a low resistance and (c) the layer-by-layer stacks of crumpled GNSs and PANI layers prevent the peeling of PANI from the graphene surface. As a consequence the material can tolerate severe volume changes, swelling and shrinkage of PANI, during charge/discharge.
اثر مورفولوژی ذرات کربن بر خواص الکتروشیمیایی ترکیبات نانوکربن/پلیآنیلین در ابرخازنها
چکیده
ترکیبات نانوکربن/پلیآنیلین (PANI) توسط پلیمریزاسیون درجا از آنیلین در دودههای کربن (CB)، نانولوله های کربنی (CNTs) و نانوصفحات گرافن (GNSS) تهیه شد. ترکیب GNS/PANI دارای بالاترین محتوای پلیآنیلین با ظرفیت خازنی ویژه بالا، مقاومت داخلی کم و همچنین بهبود پایداری چرخه ای و قابلیت سرعت است. از این سه، ترکیب نانوصفحات گرافن/پلیآنیلین عملکرد بهتری از دوده کربن/پلیآنیلین و نانولولههای کربن/پلیآنیلین نشان میدهد. این را میتوان به سه ویژگی زیر از نانوصفحات گرافن به عنوان پشتیبان پلیآنیلین نسبت داد: (الف) ساختار مسطح دو بعدی برای هسته زایی همگن مقدار زیادی از پلیآنیلین در سطح آنها سودمند است، که سایت های فعال زیادی برای واکنش های اکسیداسیون و کاهش میدهد؛ (ب) تماس مسطح بین نانوصفحات گرافن و پلیآنیلین برای ساخت یک شبکه رسانا با سرعت بالا در انتقال الکترون و مقاومت کم خوب است و (ج) پشتههای لایه به لایه نانوصفحات گرافن مچاله و لایه های پلیآنیلین از لایه برداری از سطح گرافن جلوگیری میکند. در نتیجه این مواد میتواند تغییرات حجم شدید، تورم و انقباض پلیآنیلین را در طول شارژ-دشارژ متحمل شود.
.
رشته:کامپیوتر
12صفحه انگلیسی پی دی اف-32صفحه فارسی وورد
چکیده:
استخراج مجموعه آیتم متناوب یک عمل داده کاوی هسته ای می باشد و به طور گسترده در طول دهه ی اخیر مورد بررسی قرار گرفته است. این مقاله یک روش جدید برای این مسئله ارائه می کند و دو هم بخشی عمده ای را ایجاد می کند. اولا، یک الگوریتم یک مسیره برای استخراج مجموعه آیتم متناوب ارائه می کنیم، که دارای محدوده های مشخص روی صحت می باشد و به هیچ ساختار تجرید خارج از هسته نیاز ندارد. ثانیا، به علت اینکه الگوریتم تک مسیره ی ما هیچ نتیجه ی منفی نادرستی تولید نمی کند، می تواند به راحتی به یک الگوریتم صحیح دو مسیره توسعه یابد. الگوریتم دو مسیره ی ما تاثیر زیادی روی حافظه دارد و به استخراج مجموعه داده ها با تعداد زیادی آیتم مجزا و/یا سطوح پشتیبانی خیلی پایین اجازه می دهد.
ارزیابی آزمایشی ما روی مجموعه داده های ترکیبی و حقیقی به صورت زیر می باشد. اولا، الگوریتم تک مسیره ی ما در عمل خیلی دقیق می باشد. ثانیا، الگوریتم ما به طور عمده به حافظه ی کمتری از الگوریتم تک مسیره ی Manku و Motwani و الگوریتم استقرایی چند مسیره نیاز دارد. الگوریتم دو مسیره ی ما به صورت استقرایی و درخت FP عمل می کند، زمانیکه تعداد آیتم های مجزا زیاد می باشد و/یا سطوح پشتیبانی خیلی پایین می باشند. در موارد دیگر، کاملا با اجرای موارد احتمالی، رقابتی می باشد، جاییکه میانگین طول مجموعه آیتم های متناوب بالا می باشد.
Frequent itemset mining is a core data mining operation and
has been extensively studied over the last decade. This paper
takes a new approach for this problem and makes two major
contributions. First, we present a one pass algorithm for
frequent itemset mining, which has deterministic bounds on
the accuracy, and does not require any out-of-core summary
structure. Second, because our one pass algorithm does not
produce any false negatives, it can be easily extended to a
two pass accurate algorithm. Our two pass algorithm is very
memory efficient, and allows mining of datasets with large
number of distinct items and/or very low support levels.
Our detailed experimental evaluation on synthetic and real
datasets shows the following. First, our one pass algorithm is
very accurate in practice. Second, our algorithm requires significantly
lower memory than Manku and Motwani’s one pass
algorithm and the multi-pass apriori algorithm. Our two pass
algorithm outperforms apriori and FP-tree when the number
of distinct items is large and/or support levels are very low.
In other cases, it is quite competitive, with possible exception
of cases where the average length of frequent itemsets is quite high.
single pass algorithm for frequent itemset mining in a streaming
environment. Our algorithm has provable deterministic
bounds on accuracy. Unlike the only other existing work in
this area that we are familiar with [18], our algorithm does not
require any out-of-core summary structure. We believe that
this is a very desirable property, since stream mining algorithms
may need to be executed in small and mobile devices,
which do not have attached disks for storing an out-of-core summary structure.
since the beginning of the FPGA technology, Xilinx has pushed the boundaries of reconfiguration . In earlier FPGA families, it was only possible to reconfigure the whole FPGA. With the introduction of the Virtex FPGA families, it became possible to partially configure an FPGA. It is also now possible to reconfigure a remote FPGA via the internet using Xilinx internet Reconfigurable Logic (IRL) technology. However, only a few companies a few of all FPGA designs make use of IRL technology, because of the perception it is expensive, complicated, and mostly a proprietary solution
