۹۱
۱-۲-۲-۲نگاهی بر ریاضیات فازی۰۲۲-۲-۲-۲مدلسازی سیستمهای فازی از روی داده های ورودی-خروجی۳۲۲-۲-۲-۳-کنترل پیش بین غیرخطی مبتنی بر مدلهای فازی۵۲۲-۲-۲-۴-مدلسازی سیستم غیرخطی توسط منطق فازی۵۲۲-۲-۳مدلسازی سیستم غیر خطی توسط شبکه های فازی-عصبی۱۳۲-۲-۳-۱سیستم فازی-عصبی شبه ARMAX۳۳۲-۲-۳-۲سیستم فازی-عصبی تطبیقی۳۳۲-۳-بهینه سازی۵۳
عنوان مطالب | شماره | |
صفحه | ||
۲-۳-۱بهینه سازی به روش گرادیان کاهشی | ۵۳ | |
۲-۳-۱-۱-روش گرادیان کاهشی با باقیمانده | ۶۳ | |
۲-۳-۱-۲-روش گرادیان نزولی بدون باقیمانده | ۸۳ | |
۲-۳-۲تأثیر η بر سرعت همگرایی وناپایداری سیستم | ۸۳ | |
۲-۳-۳-عیب روش گرادیان کاهشی | ۹۳ | |
۲-۳-۴-راه حلهای پیشنهادی برای خروج از مینیمم های محلی | ۹۳ | |
۲-۳-۵-حل مسأله بهینه سازی توسط شبکه های عصبی | ۳۴ | |
فصل سوم:شبیه سازی کنترل پیش بین مبتنی بر مدل فازی-عصبی بر روی یک فرآیند سه | ||
تانکه تنظیم ارتفاع مایع | ||
۳-۱-مقدمه | ۶۴ | |
۳-۲-توصیف فرآیند | ۶۴ | |
۳-۳تعیین مدلی برای سیستم تحت کنترل،جهت کنترل پیش بین خروجیهای آینده سیستم و استفاده | ۷۴ | |
از آنها در کمینه سازی تابعی | ||
۳-۳-۱-مدلسازی سیستم با استفاده از شبکه عصبی | ۷۴ | |
۳-۳-۱-۱-ایجاد داده های آموزش،داده های درستی وداده های امتحان | ۹۴ | |
۳-۳-۲-مدلسازی سیستم با استفاده از شبکه فازی-عصبی | ۴۵ | |
۳-۴-طراحی کنترل پیش بین مبتنی بر مدل عصبی-فازی برای فرآیند تنظیم ارتفاع مایع در سه تانک | ۴۵ | |
۳-۴-۱-بررسی اثر افقهای پیش بین و کنترل در عملکرد ردیابی مسیرمرجع NMPC | ۹۵ | |
۳-۴-۲-بررسی اثر ضرایب وزنی در عملکرد ردیابی مسیرمرجع NMPC | ۰۶ | |
۳-۵- طراحی کنترل پیش بین مبتنی بر مدل عصبی-فازی برروی فرآیند دوم | ۵۶ | |
فصل چهارم:نتیجه گیری و ارائه پیشنهادات | ||
۴-۱-جمع بندی و نتیجه گیری | ۲۷ | |
۴-۲-پیشنهادات برای کارهای آینده | ۳۷ | |
منابع و مآخذ | ۵۷ | |
فهرست منابع فارسی | ||
فهرست منابع لاتین | ۶۷ | |
چکیده انگلیسی | ۸۷ |
فهرست شکلها
عنوان | شماره صفحه |
شکل ۱-۱:اصل کنترل پیش بین مبتنی بر مدل-تعیین ورودی مناسب با توجه به ورودی ها و | ۸ |
خروجیهای قبلی و خروجیهای پیش بینی شده سیستم به منظور حفظ خروجیها در محدوده | |
مسیرمرجع | |
شکل۱-۲-نمودار بلوکی ساختارMPC | ۰۱ |
شکل۲-۱- ساختار کنترل کننده پیش بین عصبی | ۷۱ |
شکل ۲-۲-مدل NARMAX عصبی | ۷۱ |
شکل ۲-۳-ساختار شبکه عصبی تأخیرزمان | ۷۱ |
شکل ۲-۴-روشهای شناسایی سری-موازی و موازی | ۸۱ |
شکل۲-۵-شبکه عصبی پیش خورد FNN | ۹۱ |
شکل ۲-۶-شبکه عصبی بازگشتی RNN | ۹۱ |
شکل۲-۷-ساختار یک کنترل کننده فازی | ۰۲ |
شکل۲-۸-دی فازی ساز میانگین مراکز | ۳۲ |
شکل ۲-۹-نمایش تبدیل دانش خبره به سیستمهای فازی | ۳۲ |
شکل۲-۰۱-نمایش مدلسازی فازی به روش تاکاگی-سوگنو | ۶۲ |
شکل۲-۱۱-رفتار یک سیستم غیر خطی و تفکیک آن به چند زیر سیستم | ۰۳ |
شکل ۲-۲۱- ساختار مدل ANFIS | ۴۳ |
شکل ۲-۳۱- نمایش نحوه عملکرد روش گرادیان کاهشی | ۶۳ |
شکل ۲-۴۱-نمایش اثرات ضریب یادگیری η در رسیدن به نقطه مینیمم کلی | ۹۳ |
شکل۲-۵۱- تابع هزینه برحسب ورودیهای v1,v2ونمایش مینیمم های محلی و کلی | ۰۴ |
شکل۲-۶۱- نمایش استفاده از مدل وارونه برای تخمین نقطه شروع | ۱۴ |
شکل۲-۷۱- تاثیر روش اندازه حرکت بر عبور از مینیمم های محلی | ۲۴ |
شکل۲-۸۱-تاثیر روش ηخود تنظیم بر عبور از مینیمم های محلی | ۳۴ |
شکل۲-۹۱- بلوک دیاگرام حل مسأله بهینه سازی به وسیله شبکه های عصبی | ۳۴ |
شکل۳-۱- ساختار سیتم سه تانکه | ۷۴ |
شکل۳-۲- توپولوﮊی شبکه المان | ۸۴ |
شکل ۳-۳-:شبکه المان اصلاح شده با اضافه شدن فیدبک با گین a | ۸۴ |
شکل ۳-۴: استفاده از شبکه mlp برای مدل کردن شبکه المان | ۹۴ |
شکل ۳-۵- داده های ورودی v1,v2 برای آموزش | ۰۵ |
شکل ۳-۶-داده های ورودی اول و دوم برای تعیین درستی آموزش | ۱۵ |
شکل۳-۷-داده های ورودی اول و دوم برای امتحان آموزش | ۱۵ |
عنوان | شماره |
صفحه | |
شکل۳-۸-نمودارعملکردشبکه عصبی برای ۰۰۰۰۲نقطه در روی هرورودی به همراه خروجی حالـت | ۲۵ |
قبل و مشتق خروجی ها وورودی حالت قبل تر | |
شکل۳-۹- نمودارورودیها و خروجیهای سیستم((h1,h2 و خروجیهای مدل عصبی سیستم | ۳۵ |
شکل ۳-۰۱-تطبیق خروجی اول (خروجی h1 )و خروجی مدل عصبی | ۳۵ |
شکل۳-۱۱-تطبیق خروجی دوم(خروجی h2 )و خروجی مدل عصبی | ۴۵ |
شکل۳-۲۱- تطبیق خروجی اول(خروجیh1 )و خروجی مدل عصبی-فازی | ۴۵ |
شکل۳-۳۱- تطبیق خروجی دوم(خروجی h2 )و خروجی مدل عصبی-فازی | ۵۵ |
شکل۳-۴۱-نمایش سطح سه بعدی تغییرات v1,v2,h1در مدلسازی عصبی-فازی | ۵۵ |
شکل۳-۵۱-نمایش سطح سه بعدی تغییرات v1,v2,h2 در مدلسازی عصبی-فازی | ۶۵ |
شکل۳-۶۱- سطر اول نمودار ردیابی مسیر مرجع توسط خروجیهای سیستم کنترل شده –سطر | ۷۵ |
دوم تلاش کنترلی ورودی( (η = 0.05 | |
شکل۳-۷۱- سطر اول نموداراثرافزایش ضریب یادگیری( (η = 0.3بر ناپایداری سیستم کنترل شده- | ۸۵ |
سطر دوم ناپایداری تلاش کنترلیu | |
شکل۳-۸۱- سطر اول نمودار ردیابی مسیر مرجع توسط خروجیهای سیستم کنترل شده-سـطر دوم | ۸۵ |
تلاش کنترلی ورودی( (η = 0.1شرط پایان محاسبه ورودی:uالف) ∆u = 0.001 ب)- ∆u = 0.0001 | |
شکل۳-۹۱- عملکرد تعقیب نقطه تنظیم اول(خروجی NMPC (h1 به ازای افق های پیش بین | ۹۵ |
مختلف | |
شکل۳-۰۲- عملکرد تعقیب نقطه تنظیم دوم(خروجی NMPC (h2 به ازای افق های پیش بین | ۰۶ |
مختلف | |
شکل۳-۱۲- عملکرد ردیابی نقطه تنظیم اول(خروجی NMPC (h1 به ازای تغییرات ضرایب وزنی R | ۱۶ |
شکل۳-۲۲- عملکرد ردیابی نقطه تنظیم دوم(خروجی NMPC (h2 به ازای تغییرات ضرایب وزنیR | ۱۶ |
شکل۳-۳۲- سیگنالهای کنترلی ورودیNMPC) v1 )به ازای تغییرات R | ۲۶ |
شکل۳-۴۲- سیگنالهای کنترلی ورودیNMPC) v2 )به ازای تغییرات R | ۲۶ |
شکل۳-۵۲- عملکرد ردیابی نقطه تنظیم اول(خروجی NMPC (h1 به ازای تغییرات ضرایب وزن Q | ۳۶ |
شکل ۳-۶۲-عملکرد ردیابی نقطه تنظیم دوم(خروجی NMPC (h2 به ازای تغییرات ضرایب وزن Q | ۳۶ |
شکل۳-۷۲- سیگنالهای کنترلی ورودیNMPC) v1 )به ازای تغییرات Q | ۴۶ |
عنوان | شماره |
صفحه | |
شکل۳-۸۲- سیگنالهای کنترلی ورودیNMPC) v2 )به ازای تغییرات Q | ۴۶ |
شکل ۳-۹۲-سطر اول نمونه ای از گیر کردن سیستم در مینیمم های محلی(عدم ردیابی خروجی) | ۵۶ |
شکل۳-۰۳- نمودار ورودیها و خروجیها((h1,h2 و خروجیهای مدل عصبی سیستم دوم | ۶۶ |
شکل ۳-۱۳- تطبیق خروجی اول(خروجیh1 )و خروجی مدل عصبی سیستم دوم | ۷۶ |
شکل۳-۲۳- تطبیق خروجی دوم(خروجی h2 )و خروجی مدل عصبی سیستم دوم | ۷۶ |
شکل ۳-۳۳- تطبیق خروجی اول و دوم و خروجی مدل فازی سیستم دوم- مرجع ]۶۳[ | ۸۶ |
شکل۳-۴۳- تطبیق خروجی اول(خروجیh1 )و خروجی مدل فازی-عصبی سیستم دوم | ۸۶ |
شکل۳-۵۳- تطبیق خروجی دوم(خروجی h2 )و خروجی مدل فازی-عصبی سیستم دوم | ۸۶ |
شکل۳-۶۳-ردیابی مسیرمرجع و خروجی اول کنترل پیش بین بر مدل فازی-عصبی وروش گرادیان | ۹۶ |
کاهشی | |
شکل۳-۷۳-ردیابی مسیرمرجع و خروجی دوم کنترل پیش بین بر مدل فازی-عصبی وروش گرادیان | ۹۶ |
کاهشی | |
شکل۳-۸۳-ردیابی مسیرمرجع و خروجی اول کنترل پیش بین مبتنی بر مدل فازی وروش | ۰۷ |
فانکشنال-مرجع ]۶۳[ | |
شکل۳-۹۳-ردیابی مسیرمرجع و خروجی دوم کنترل پیش بین مبتنی بر مدل فازی وروش | ۰۷ |
فانکشنال-مرجع ]۶۳[ |
چکیده:
در این پروﮊه،کنترل پیش بین غیرخطی بر پایه مدل عصبی-فازی جهت کنترل فرآیندهای چند ورودی-
چندخروجی ارائه شده است .بخش عصبی از شبکه المان بازگشتی اصلاح شده و بخش فازی-عصبی از مدل فازی-عصبی تطبیقی ANFIS برای مدلسازی استفاده کرده است.بـرای جمـع آوری داده هـا جهـت شناسـایی مدل،۰۰۰۰۲ داده از دستورrandgen نرم افزار MATLAB به دست آمده است.این روش شـامل خـصوصیات جالب کنترل پیش بین کلاسیک است .به علت اینکه از روش گرادیان کاهشی ،که یـک الگـوریتم روشـن و ساده است؛ برای حل مسأله بهینه سازی استفاده می کند، با همگرایی بیشتری به نقطه بهینه تلاش کنترلـی مـی رســیم.مــشکلات ایــن روش بهینــه ســازی را بــا الگوریتمهــای اثبــات شــده(مــدل وارونه،انــدازه حرکــت و
ηخودتنظیم) به میزان قابل توجهی برطرف نمـوده ایـم. جهـت بررسـی عملکـرد ایـن روش کنترلـی بـرروی فرآیندهای چند ورودی-چند خروجی ازفرآیند تنظیم ارتفاع مایع در سه تانک که به مخزن جمع آوری مایع متصل اند،استفاده شده است.نتایج شبیه سازیها نشان می دهندکه مدل فـازی-عـصبی ارائـه شـده در شناسـایی فرآیندهای غیرخطی بسیار توانا بوده و یک مدل مناسب از فرآیندرا شناسایی می کنـد.همچنـین کنتـرل پـیش بین مبتنی بر این مدل (فازی-عصبی) در میزان فراجهش و زمان نشست،دارای عملکرد بهتری است.
کلیــد واﮊه:کنتــرل پــیش بــین غیرخطــی چندمتغیره،مــدل فــازی-عــصبی،بهینه ســازی بــه روش گرادیــان کاهشی،فرآیند تنظیم ارتفاع مایع در تانک.
مقدمه:
امروزه لزوم کنترل بهینه سیستمهای غیر خطی چند متغیره به منظور رسیدن به پایداری و پاسخ مطلوب بیشتر احساس می شود. با توجه به گـسترش روز افـزون و پیـشرفت تکنولـوﮊی در زمینـه پیـاده سازی محاسبات حجیم و پیچیـده,امکـان اسـتفاده از الگوریتمهـای غیـر خطـی مربـوط بـه سیـستمهای چندورودی/چند خروجی ایجاد شده است.این امر باعث شده است که در سالهای اخیر محققـین بـسیاری در این زمینه تحقیقات زیادی انجام داده و الگوریتمهای مناسب تری ارائه دهند.تکنیکهای طراحی بـسیار کمی وجود دارند که می توانند پایداری پروسه را در حضور مشخصات غیـر خطـی و محـدودیتها تـضمین کنند.کنترل پـیش بـین مبتنـی بـر مـدل١ (MPC) یکـی از ایـن تکنیکهاسـت]۶MPC . [بـه دسـته ای ازالگوریتمهای کامپیوتری اشاره دارد که رفتار آینده پروسه را از طریق استفاده از یـک مـدل صـریح از آن فرآیند کنترل می کند.الگوریتم MPC در هر بازه کنترلی یک دنبالـه حلقـه بـاز از تنظیمـات متغیرهـای دستکاری شونده (MV)2 را جهت بهینه سازی رفتار آینده پروسه محاسبه می کنـد.اولـین ورودی دنبالـه بهینه به پروسه اعمال گردیده و عملیات بهینه سازی در بازه های کنترلی دیگـر تکـرار مـی شـود]۶. [ بـا توجه به خواص بسیار مطلوب کنترل کننده های پیش بین مبتنی بـر مـدل ،ایـن کنتـرل کننـده هـا بـه سرعت در محدوده وسیعی از صنایع مختلف به کار گرفته شدند.طوری که تا سـال ۶۹۹۱ بـیش از ۰۰۲۲ مورد پیاده سازی عملی از این کنترل کننده ها که مدل خطی را به کار برده اند،گزارش شده است.این در حالیست که حدود ۰۸ درصد این پیاده سازی ها در صنایع پتروشیمی مـی باشـد]۷و۸.[ امـروزه ،کـاربرد کنترل کننده های MPC بر اساس مدلهای دینامیک خطی ،محدوده وسیعی از کاربردهـا را پوشـش مـی دهدو MPC خطی به حد کمال رسیده اسـت ]۹[ .بـا ایـن وجـود ،تعـدادی از فرآینـدهای تولیـدی ذاتـاﹰ غیرخطی هستندو حالتهایی وجود دارند که در آنها اثرات غیر خطی اهمیت زیادی می یابد و قابـل چـشم پوشی نیست.اینها حداقل دو دسته وسیع از کاربردها را در بر می گیرند]۶: [
یک مطلب دیگر :
۱-مسائل کنترل تنظیمی که فرایند به شدت غیرخطی بوده و به طور متوالی در معرض اغتشاشات بزرگ قرار دارد(کنترل pHو….).
۲-مسائل کنترل تعقیبی که نقاط کار عملیاتی به تناوب تغییر می کندو محدوده وسـیعی از دینامیکهـای فرایند غیر خطی را پوشش می دهد(صنایع پلیمری،سنتز آمونیاک و…..).
در اینگونه مسائل اغلب مدلهای خطی برای توصیف دینامیکهای فراینـد نامناسـب اسـت و مـدلهای غیـر خطی بایستی مورد استفاده قرار گیرند.کنترل پیش بـین غیرخطـی (NMPC)3 توسـعه خـوبی از کنتـرل پیش بین خطی به جهان غیرخطی است.NMPC از نظر مفهومی شبیه همتای خطی خـود اسـت بـا ایـن تفاوت که برای بهینه سازی و پیش بینی فرایند از مدلهای دینامیک غیر خطی استفاده می گردد]۹.[
مدلسازی سیستمهای غیر خطی از سه راه عمـده قابـل انجـام اسـت.راه اول اسـتفاده از مـدلهای مختلف برای نقطه های گوناگون کار سیستم است.راه دوم استفاده از معادلات پایه ای مانند تبدیلات جرم و انرﮊی است که در اکثر کاربردها به علت پیچیدگی فرآیند این کار مـشکل اسـت.راه سـوم و بهتـرین راه
استفاده از مدلهای جعبه سیاه و تنها براساس داده های ورودی-خروجی یا به عبارتی شناسایی فرایند می باشد.در واقع مدلسازی تجربی پروسه ، تبدیل داده های ورودی وخروجی موجود بـه یـک رابطـه ورودی-
خروجی است که می توان برای پیش بینی رفتار آینده سیستم از آن استفاده کرد]۹.[مدلهای مختلفی بـر اساس مدلسازی تجربی ارائه شده اند.مدلهای ارائه شده را می توان به ۲ دسته کلاسیک و هوشمند تقسیم بندی کرد.از مدلهای کلاسـیک مـی تـوان بـه مـدلهای ولتـرا١ ، چنـد جملـه ای NARMAX ، مـدلهای همرشتاین و وینر٢ اشاره کردو برای مدلهای هوشمند می توان مدلهای عصبی،عصبی-فازی و فازی را نـام برد]۰۱.[
به طور خاص مدلهای عصبی و فازی دارای ساختار ساده ای هستند که کاربردشان را در NMPC
آسان می کند.شبکه های عـصبی مـصنوعی ابزارهـای مناسـبی جهـت سـاختن مـدل فرآینـد غیرخطـی هستند.زیرا نسبت به روشهای کلاسیک،توسعه آسانتری یافته اند،پیچیدگی معادلات دیفرانـسیل معمـولی را ندارنـد،حجم محاسـبات NMPCدر آنهـا کـم و قابلیـت تقریـب پروسـه هـا را بـا هـر دقـت دلخـواهی دارند]۷و۸.[مدل عصبی برای مسائل کنترل به خصوص سیستمهای پیچیده که مدلـسازی آنهـا یـا میـسر نیست و یا به سختی انجام می شود،بسیار مناسب می باشد.
مدلهای فازی را می توان بـه عنـوان یـک سیـستم دینـامیکی غیرخطـی در نظـر گرفـت کـه قادرنـد سیستمهای واقعی را هر چقدر پیچیده ،از روی داده های تجربی و براساس محاسبات عددی با دقت خاص تقریب بزنند. همچنین مدلهای فازی بدلیل سازگاری بـا منطـق بـشری و اسـتفاده از آنهـا در ترکیـب بـا الگوریتم های MPC خطی،جزﺀ روشهای مناسب مدلسازی غیر خطی می باشند]۹و۰۱.[
دومین بخش در کنترل پیش بین غیر خطی ، بخش بهینه سازی و کنترل است.کنترل پیش بین غیر خطی یک استراتژی کنترلی است که کاربرد روشهای بهینه سازی در آن ضروری است.بهینـه سـازی درNMPC نسبت به حالتهای خطی نیازمند محاسبات طولانی و وقت گیرتری اسـت]۹۱.[در حالـت کلـی ودر اغلب حالات ،مسائل کنترل بهینهNMPC به یک مسأله برنامه ریزی غیر خطی٣ (NLP) ابعاد محدود منجر می گردند.این مسأله برنامه ریزی غیر خطی ، با استفاده از برنامه ریزی مربعی ترتیبی٤ (SQP) قابل حل است]۰۲و۱۲.[با توجه به مقالات و منابع موجود، بیشتر مسائل بهینه سازی توسط روشهای کلاسیک مانند روش SQP،QP حل می شوند]۲۲و۳۲.[ همچنین روشهای هوشمند ماننـد الگـوریتم هـای ﮊنتیـک
]۴۲[ و شبکه های عصبی ]۵۲[و منطق فازی وعصبی- فازی]۶۲[ نیز در حل مسأله مـورد اسـتفاده قـرار گرفته اند.
در این پایان نامه،کنترل پیش بـین مبتنـی بـر مـدل عـصبی- فـازی جهـت کنتـرل فراینـدهای چندورودی-چند خروجی ارائه شده است.دربخش مدلسازی از مدلسازی عصبی-فازی استفاده می شودکه بر روی سیستمهای MIMO تعمیم زده شده است.سیستم ابتدا با این روش مدلـسازی و سـپس بـا روش پیش بین جهت رسیدن به خروجیهای مطلوب،ورودی کنترلی تعیین وبدین ترتیب سیـستم کنتـرل مـی شود. ثابت می شودکه مدل فازی به دلیل سـازگاری بـا منطـق انـسان،جزﺀ روشـهای مناسـب مدلـسازی
سیستمهای غیرخطی می باشد.در نرم افزارMATLAB،روش پیش بین عصبی- فازی به منظور مقایـسه و نتیجه گیری بهترنسبت به روش پیش بین عصبی انجام شده است و نتایج حاصـل از هـردو روش بـا هـم مقایسه شده است.پس از این مقدمه،مباحث اصلی پایان نامه با ساختاربندی زیر ارائه خواهدشد.
در فصل اول،کنترل پیش بین مبتنی بر مدل و مفاهیم آن مورد بررسـی قـرار مـی گیـرد.بخـشهای مختلف این کنترل کننده ها،مزایا، معایب و همچنین مفاهیم کنترل پیش بـین غیرخطـی در ایـن فـصل ارائه خواهدشد.در فصل دوم،کنترل پیش بین مبتنی بر مدلهای هوشمند(مدل عصبی،مدل فـازی و مـدل عصبی- فازی)ارائه می گردد]۷۳.[بخشهای مدلسازی سیستمهای غیرخطی توسط شـبکه هـای عـصبی و منطق فازی و مدل عصبی- فازی و نحوه کار هر یک در این فصل خواهد آمـد.در ادامـه ،روشـهای بهینـه سازی در کنترل پیش بین ارائه مـی شـود.در فـصل بعـد شـبیه سـازی حاصـل از اعمـال ایـن روشـهای کنترلی(پیش بین مبتنی بر شبکه های عصبی و پـیش بـین مبتنـی بـر مـدل عـصبی- فـازی و مقایـسه روشهای بهینه سازی گرادیان کاهشی و فانکشنال) بر روی دو سیستم )MIMO۲ ورودی/۲ خروجی)،اولی شامل یک فرایند با ۳ تانک مایع،که هدف رسـیدن ارتفـاع مـایع در ایـن تانکهـا بـه مقـدار مطلـوب مـی باشد]۷۳[،ودومی شامل یک سیستم دو ورودی دو خروجی که معادلات حالت آن موجود مـی باشـد و در مرجع شماره ]۶۳[ معرفی گردیده،انجام شده است و نتایج با یکدیگر مقایـسه شـده انـد.نتیجـه گیـری و پیشنهادات برای کارهای بعدی نیز در قسمت پایانی پایان نامه ارائه خواهدشد.
فصل اول:
[سه شنبه 1399-07-29] [ 04:57:00 ب.ظ ]
|