Update README.md

README.md

@@ -1,753 +1,78 @@
 ---
-tags:
-- sentence-transformers
-- sentence-similarity
-- feature-extraction
-- dense
-- generated_from_trainer
-- dataset_size:914
-- loss:MultipleNegativesRankingLoss
-base_model: safora/persian-science-qa-e5-large
-widget:
-- source_sentence: "(مسئله اصلی: تاثیر افزودن نانوذرات آلومینا، دی اکسید تیتانیم و\
-    \ اکسید مس بر افت فشار روغن توربوکمپرسور) ؟ \n(هدف اصلی: مقایسه اثرات افزودن نانوذرات\
-    \ آلومینا، دی اکسید تیتانیم و اکسید مس بر افت فشار روغن توربوکمپرسور) ؟"
-  sentences:
-  - در این پایان نامه، افزایش انتقال حرارت و افت فشار در اثر افزودن نانولوله‌های کربنی
-    چند لایه‌ای به روغن پایه در لوله U-شکل، به صورت تجربی و عددی مورد بررسی قرار گرفت.
-    آزمایش‌ها برای جریان روغن پایه و نانوسیالات مختلف درون لوله U-شکل، انجام گرفت.
-    بخش آزمایش توسط المنت حرارتی تحت شار حرارتی یکنواخت خارجی قرار داشت. روغن پایه
-    Sn-500 به همراه سه نانوسیال روغن پایه- نانو لوله‌های کربنی چند لایه‌ای با غلظتهای
-    جرمی 23/0، 46/0 و 69/0 درصد به عنوان سیالات کاری در نظر گرفته شدند. خصوصیات ترموفیزیکی
-    این سیالات شامل چگالی، ضریب هدایت حرارتی، ویسکوزیته و گرمای ویژه به صورت آزمایشگاهی
-    اندازه‌گیری شد و بر اساس این داده‌ها روابطی برای محاسبه خصوصیات نانوسیال ارائه
-    گردید. نتایج آزمایش‌ها نشان داد که افزودن نانولوله‌ها باعث افزایش چگالی، ضریب
-    هدایت حرارتی، ویسکوزیته و گرمای ویژه روغن پایه شده است. در بخش انتقال حرارت جابجایی
-    مشاهده شد که برای لولهU-شکل، با افزایش شار حرارتی، ضریب انتقال حرارت افزایش می‌یابد،
-    ضمن اینکه افزایش دبی جریان و در نتیجه عدد رینولدز باعث بیشتر شدن انتقال حرارت
-    می‌گردد. همچنین مشاهده شد که استفاده از جریان نانوسیال به جای سیال پایه به طور
-    قابل توجهی ضریب انتقال حرارت را افزایش می‌دهد. در بخش افت فشار نیز مشاهده شد که
-    برای لوله U-شکل با افزودن نانوذرات به سیال پایه، میزان افت فشار جریان افزایش پیدا
-    می‌کند. در پایان بخش آزمایش نیز با استفاده از ارزیابی عملکرد صورت گرفته مشخص شد
-    که استفاده از عوامل پایدار‌ساز(اسید اولئیک) به سوسپانسیون روغن-نانو لوله‌های کربنی
-    روش بهینه‌تری برای افزایش انتقال حرارت نسبت به روش دیگر یعنی استفاده از نانوسیال
-    به جای سیال پایه می‌باشد. در بخش عددی با استفاده از نرم افزار Fluent لوله‌های
-    U-شکل شبیه سازی شد و با استفاده از معادلات به دست آمده در قسمت خواص ترموفیزیکی،
-    خواص سیال مورد آزمایش به نرم افزار ارائه گردید. شرایط مرزی نیز مانند قسمت آزمایشگاهی
-    به نرم افزار ارائه شد. در پایان خروجی‌های حل عددی با اطلاعات به دست آمده از قسمت
-    آزمایشگاهی مقایسه گردید و تطابق خوبی با نتایج آزمایشگاهی دیده شد.
-  - "در این پایان نامه اثرات افزودن نانوذرات آلومینا، دی اکسید تیتانیم و اکسید مس\
-    \ روی افت فشار روغن توربوکمپرسور مورد بررسی قرار می‌گیرد. آزمایش تحت شار حرارتی\
-    \ ثابت و رژیم جریان آرام با محدوده رینولدز 900-300  انجام می شود. افت فشار نانوسیال\
-    \ با استفاده از فشارسنج دیفرانسیلی مدل9107- pm قرائت می شود.\r\n در این تحقیق\
-    \ تأثیر افزودنی‌های ذکر شده در درصدهای حجمی مختلف بر روی افت فشار روغن توربوکمپرسور\
-    \ بررسی می‌شود و نتایج حاصل با هم مقایسه می‌گردند. هم چنین اثرات تغییر دبی جریان\
-    \ و عدد رینولدز همراه با تغییرات درصد حجمی نانوذرات بررسی می‌شود. نتایج آزمایشگاهی\
-    \ بیانگر افزایش افت فشار نانوسیال با افزایش درصد حجمی نانوذرات و عدد رینولدز می‌باشد.\
-    \ در اعداد رینولدز و درصدهای حجمی پایین رشد افت فشار چندان زیاد نمی‌باشد و رشد\
-    \ زیاد افت فشار در درصدهای حجمی و اعداد رینولدز بالا می‌باشد. شاخص عملکرد نانوسیال\
-    \ با افزایش عدد رینولدز افزایش پیدا می‌کند ولی در اکثر درصدهای حجمی نانوذرات،\
-    \ با افزایش درصد حجمی نانوذرات کاهش می‌یابد.\r\n بیشترین افزایش افت فشار نانوسیال\
-    \ نسبت به روغن خالص را نانوسیال روغن- آلومینا دارا می‌باشد. کم‌ترین افزایش افت\
-    \ فشار نانوسیال نسبت به روغن خالص مربوط به نانوسیال روغن- دی اکسید تیتانیم می‌باشد.\
-    \ در بین سه نمونه نانوسیال، فقط برای نمونه روغن – آلومینا شاخص عملکرد کوچک‌تر\
-    \ از یک مشاهده می‌شود. بالاترین شاخص عملکرد مربوط به نانوسیال روغن – اکسید مس\
-    \ می‌باشد."
-  - نخل پاکوتاه ایرانی از گونه‌های بومی جنوب غربی آسیا است که به طور طبیعی در  بخش-های
-    جنوب شرق ایران نیز رویش دارد و دارای دو واریته است. در این تحقیق ابتدا از چهار
-    منطقه از رویشگاه‌های طبیعی دو واریته این گیاه، نمونه‌برداری از ریشه به عمل آمد
-    و درصد کلنیزاسیون میکوریزی تعیین شد. در مرحله بعد پتانسیل کلنیزاسیون نمونه‌های
-    صحرایی با درصد کلنیزاسیون بیش از 50 درصد، در یک کشت مقدماتی روی دو واریته مورد
-    مطالعه و غربالگری اولیه قرار گرفت. درآزمایش اول فاکتور‌ها شامل دو گونه نخل (داز
-    و پُرک) و چهار تیمار کودی شامل بستر خاکی به عنوان شاهد (T1)، مخلوط خاک با چهار
-    درصدکود حیوانی (T2)، مخلوط خاک با دو درصد اسید هیومیک (T3) و در نهایت مخلوط خاک
-    با یک درصد اسید هیومیک و دو درصدکود حیوانی (T4) بودند. و آزمایش دوم شامل سه سطح
-    تنش خشکی (F.C D0=%80،D1=%50 F.C ،D2=%30 F.C ) و سه سطح میکوریز (شاهد M0=، قارچ
-    میکوریز جدایه اول M1=.، قارچ میکوریز جدایه دومM2=) و در. هر دو آزمایش با چهار
-    تکرار به صورت فاکتوریل و در قالب طرح کاملا تصادفی اجرا شدند. نتایج کشت مقدماتی
-    غربالگری نیز نشان داد که بیشترین فراوانی درصد کلنیزاسیون مربوط به واریته داز بود
-    و به طور متوسط درصد کلنیزاسیون 3/58% نمونه‌ها در بازه 75-50 درصدی قرار داشت. نتایج
-    آزمایش گلخانه‌ای بستر کاشت نیز نشان داد که بیشترین میانگین درصد کلنیزاسیون برابر
-    41/97 درصد و مربوط به T4بود که نسبت به شاهد حدود 2/32% افزایش داشت. نتایج آزمایش
-    دوم نشان داد که مایه‌زنی دو واریته نخل پاکوتاه ایرانی با قارچ میکوریز بر تمامی
-    صفات به جز تعداد برگ در سطح 1 درصد معنی‌دار شد، سطوح تنش خشکی موجب کاهش معنی‌دار
-    تمامی صفات  رویشی از جمله سطح برگ، ارتفاع ساقه و ریشه، وزن تر و خشک ریشه و ساقه،حجم
-    ریشه و درصد کلنیزاسیون میکوریزی ریشه گردید.
-- source_sentence: 'مسئله اصلی این پژوهش:  چه روشی برای کاهش صف و زمان انتظار کشتی‌ها
-    در پایانه کانتینری بندر شهید رجایی ارائه کرده‌اید؟  با توجه به داده‌های موجود
-    در چکیده علمی، چه نتایجی از مدل‌های تئوری صف و فازی تاپسیس به دست آمده است؟'
-  sentences:
-  - صنایع نساجی همیشه به عنوان یکی از صنایع پر مصرف آب شناخته شده و می‌شوند. از جمله
-    مشکل‌سازترین آلاینده‌های موجود در پساب نساجی، رنگ‌های شیمیایی به کار رفته در این
-    صنعت می‌باشند. وجود مقدار ناچیز رنگ در آب، شفافیت و غلظت اکسیژن محلول در آب را
-    کاهش داده و در نتیجه حیات آبی محیط‌های پذیرنده را تهدید می‌کند. هدف این پژوهش
-    ایجاد شرایط آزمایشگاهی برای حذف رنگ‌های آبی راکتیو (Remazol Briliant Blue B.B)
-    و زرد راکتیو (Levafix Yellow CA) از محلول آبی به وسیله جذب آن با خاک‌های معدنی
-    کائولن، بنتونیت، میکا و همچنین مقایسه راندمان آنها با کربن فعال دانه‌ای  بوده
-    است. جذب رنگ به داخل جاذب به ماهیت رنگ، غلظت رنگ، pH، غلظت جاذب و زمان تماس وابسته
-    است. آزمایشات با در نظرگرفتن غلظت رنگ در 5 سطح (5،10،15،20،25 میلی‌گرم درلیتر)،
-    غلظت جاذب در 5 سطح (10،20،40،60،80 گرم درلیتر) و زمان اختلاط 15دقیقه به صورت بستر
-    سیال  انجام شد که برای هر دو رنگ راکتیو آبی و زرد بیشینه راندمان حذف رنگ به ترتیب
-    برای کائولن، میکا و بنتونیت بدست آمد. ایزوترم‌های تعادل به وسیله معادلات لانگمویر
-    و فروندلیچ آنالیز شد که نشان داد در جذب رنگ آبی میکا و بنتونیت با هیچ یک از ایزوترم‌ها
-    تطابق نداشته ولی در رنگ زرد همه جاذب‌ها تطابق مطلوبی با هر دو ایزوترم لانگمویر
-    و فروندلیچ دارند. نتایج این پژوهش نشان داد که خاک‌های معدنی همچون کائولن و حتی
-    میکا، جاذب‌های مناسبی در تصفیه پیشرفته پساب رنگی نساجی بوده و علاوه بر راندمان
-    نزدیک به کربن فعال از لحاظ اقتصادی نیز بسیار مقرون به صرفه تر خواهند بود.
-  - "در این پایان‌نامه، استراتژی کنترل پیش‌بین مبتنی بر مدل(MPC) برای ژنراتور القایی\
-    \ دو سو تغذیه(DFIG)           در یک توربین بادی مورد بررسی قرار گرفته است. در\
-    \ این ژنراتور، استاتور به ‌شکل مستقیم و رتور به کمک یک مبدل دو جهته به شبکه متصل\
-    \ شده‌ است. مبدل متصل شده به رتور، توان اکتیو و راکتیو بین استاتور DFIG و یک شبکه\
-    \ مستقل را کنترل می‌کند. \r\nاین استراتژی بر روی مبدل سمت روتور اعمال شده و مبدل\
-    \ سمت شبکه کماکان وظیفه تنظیم و ثابت نگه داشتن ولتاژ لینک DC را برعهده دارد. هدف\
-    \ از این استراتژی، کنترل توان‌های اکتیو و راکتیو با استفاده از مولفه‌های محور\
-    \ عرضی و طولی جریان روتور است.\r\nدر این روش یک قانون کنترلی با کمینه‌سازی یک\
-    \ تابع هدف که سعی کنترلی و اختلاف بین خروجی‌های پیش‌بینی شده(توان‌های اکتیو و\
-    \ راکتیو) و مراجع را در نظر گرفته، استخراج شده است. پیش‌بینی با کمک یک مدل فضای\
-    \ حالت خطی شده از DFIG محاسبه شده است.\r\nدر این پایان نامه موضوع اصلی پایان نامه\
-    \ در فصل چهارم تشریح شده است؛ اما از آنجایی که استراتژی کنترل پیش‌بین در این فصل\
-    \ بر روی مبدل بکار رفته در سیستم انرژی بادی اجرا شده است، لذا برای درک بیشتر مفهوم\
-    \ پیش‌بین، این مورد لازم دیده شد که به صورت مطالعه موردی، این استراتژی بر روی\
-    \ دو نوع از مبدل-های قدرت یعنی اینورتر و مبدل ماتریسی به منظور کنترل متغیرهایی\
-    \ مثل جریان و بدون اینکه از آنها در کاربرد خاصی استفاده شود، نشان داده شود؛ توجه\
-    \ به این امر قبل از پرداختن به بحث پیاده‌سازی استراتژی کنترل پیش‌بین بر روی یک\
-    \ توربین بادی مبتنی بر ژنراتور القایی دو سو تغذیه، در واقع مفید خواهد بود."
-  - "بنادر به عنوان اصلی‌ترین نقاط مواصلاتی کشور از اهمیت اساسی برخوردار می‌باشند.\
-    \ مشکلات ناشی از صف و یا ترافیک کشتی‌ها در بنادر سبب می‌شود تا بهره‌وری و کارآیی\
-    \ آن بندر کاهش یاب�� و در نتیجه این مشکلات ممکن است تاثیر بسزایی بر سودآوری بنادر\
-    \ داشته باشند. \r\nدر این پژوهش از دو روش فازی تاپسیس و تئوری صف که هر دو روش\
-    \ از روش‌های موثر جهت کاهش صف و همچنین تصمیم‌گیری در مورد بهترین و نزدیک‌ترین\
-    \ گزینه به راه‌حل ایده‌آل که کاهش ترافیک و کاهش زمان انتظار کشتی‌ها در پایانه‌های\
-    \ کانتینری می‌باشد، استفاده شده است.\r\nبندر شهید رجایی به عنوان مورد کاوی این\
-    \ پژوهش مورد استفاده قرار گرفته است و داده‌های لازم جهت بررسی کارآیی مدل صف از\
-    \ بخش تحقیقات سازمان بنادر و دریانوردی در تهران و داده‌های بخش فازی تاپسیس از\
-    \ پایانه کانتینری شهید رجایی جمع آوری گردیده است. داده‌های مربوط به تئوری صف به\
-    \ صورت یک فایل اکسل و تحت عنوان Ship List از ابتدای فروردین 1392 تا 27 اسفند 1392\
-    \ استخراج شده است و داده‌های مورد نیاز دیگر به صورت پرسشنامه و مصاحبه برای این\
-    \ تحقیق مورد بررسی قرار گرفته‌اند. بعد از انجام بررسی‌ها، محاسبات و تحلیل‌ها مشخص\
-    \ گردید که استفاده از مدل‌های کاربردی تئوری صف و فازی تاپسیس، تاثیر مثبت و معناداری\
-    \ در کاهش زمان انتظار کشتی‌ها و معیار‌های ارزیابی عملکرد سیستم‌های صف کشتی‌ها\
-    \ در پایانه کانتینری بندر شهید رجایی دارد. در این تحقیق همچنین مشخص شد که با بهینه‌سازی\
-    \ شیوه‌های ورودی کشتی‌ها و سرویس‌دهی آن‌ها، زمان انتظار کشتی‌ها در پایانه کانتینری\
-    \ بندر شهید رجایی تا حد قابل توجهی کاهش پیدا می‌کند، به گونه‌ای که پاسخ بهینه\
-    \ مدل صف به افزایش نرخ سرویس‌دهی و فازی تاپسیس زیر عامل تجهیزات تخلیه و بارگیری\
-    \ از/ به کشتی را به عنوان بهینه‌ترین عامل انتخاب نموده و مقایسه جواب‌های این دو\
-    \ روش نشان داد که هر دو آن‌ها بر افزایش نرخ سرویس‌دهی جهت کاهش زمان انتظار کشتی‌ها\
-    \ در پایانه کانتینری بندر شهید رجایی تاکید دارند."
-- source_sentence: 'لااقل یک سؤال به این پرسش‌ها پاسخ داده شود:  [NEW_LINE]  (یادید
-    که سؤال نباید اطلاعات اضافی دیگر درباره موضوع داشته باشد)  [NEW_LINE] آیا مدل
-    5P-LAI1 بهترین مدل برای برآورد شاخص سطح برگ است؟'
-  sentences:
-  - 'شاخص سطح برگ (LAI)، حاصل تقسیم مجموع مساحت برگ‌های سبز یک بوته یا درخت به مساحت
-    سطح زمین زیرین آن می‌باشد. برآورد صحیح از این شاخص در سطحی وسیع، می‌تواند در پایش
-    محصولات مورد استفاده‌ی زیادی قرار گیرد.با توجه به اهمیت زیاد برآورد این شاخص،
-    یکی از اهداف سنجش ‌از دور نیز تعیین دقیق این شاخص می‌باشد. تمامی مدل‌های مربوط
-    به برآورد LAI که توسط روش‌های سنجش از دوری بدست می‌آیند را می‌توان به سه گروه
-    کلی تقسیم‌بندی کرد: مدل‌های آماری، مدل‌های فیزیکی و مدل‌های ترکیبی. مدل‌های آماری
-    که بر اساس رابطه‌ی آماری بین شاخص سطح برگ و دیگر شاخص‌های گیاهی تعریف می‌شوند،
-    زمانی‌که شاخص سطح برگ به مقادیر بالا می‌رسد، اشباع می‌شوند و هیچ رابطه‌ی واحدی
-    بین یک شاخص گیاهی خاص و شاخص سطح برگ را نمی‌توان تعریف کرد. در مدل‌های فیزیکی
-    که بر اساس حل معکوس معادلات انتقال انرژی، تعریف می‌شوند، اطلاعات مربوط به مدل
-    بازتابندگی تاج پوشش گیاهی موردنیاز است. محدودیت اصلی این مدل‌ها، محاسبات پیچیده
-    و زیاد آن‌ها است و در مطالعات جهانی و منطقه‌ای کاربرد عملیاتی زیادی ندارند. الگوریتم‌های
-    تر��یبی هم که از ترکیب مدل‌های آماری و فیزیکی بدست می‌آیند، با وجود دقت بالا، دارای
-    محاسبات پیچده‌ای می‌باشند و نیازمند اطلاعات مربوط به مدل بازتابندگی خیمه‌ی گیاهی
-    هستند. با توجه به توضیحات بالا، تحقیق در مورد کاهش معایب این مدل‌ها و یا ارائه‌ی
-    روش‌های جدیدتر و دقیق‌تر برای رسیدن به دقت بهتر به‌منظور برآورد LAI با استفاده
-    از تصاویر ماهواره‌ای، ضروری به نظر می‌رسد. در این پایان‌نامه، برای برآورد شاخص
-    سطح برگ، از اطلاعات پوشش گیاهی موجود در نمودار پراکنش باندهای قرمز و مادون‌قرمزنزدیک
-    تصاویر +7ETM، استفاده شده است. ابتدا 9 پارامتر مختلف شامل 4 زاویه و 5 فاصله از
-    این نمودار استخراج شد و از ترکیب‌های مختلف این 9 پارامتر، 511 مدل مختلف برای برآورد
-    LAI تولید گردید. بهترین مدل (مدل 5P-LAI1) با استفاده از 3 پارامتر زاویه و 2 پارامتر
-    فاصله بدست آمد. در مرحله‌ی دوم، مثلث ایجادشده در نمودار پراکنش Red-NIR با توجه
-    به شاخص گیاهی PVI به 3 ناحیه تقسیم شد و 3 مدل متفاوت برای هر یک از نواحی ارائه
-    گردید. در حالت کلی استفاده از این روش ناحیه‌بندی، باعث بهبود اندکی در نتایج شد،
-    به طور‌یکه نسبت به مدل کلی 5P-LAI1، RMSE از 75/0 به 68/0 کاهش، RRMSE از 30% به
-    26% کاهش و R از 94/0 به 95/0 افزایش یافت. در این پژوهش از داده‌های میدانی پروژه‌ی
-    BigFoot استفاده شده است و از طریق مقایسه با نتایج سایر مدل‌های پروژه‌ی BigFoot
-    این نتیجه بدست آمد که مدل کلی 5P-LAI1، علی‌رغم سادگی و استفاده از اطلاعات فقط
-    دو باند قرمز و مادون‌قرمزنزدیک، دارای دقت قابل قبولی نسبت به دیگر مدل‌های BigFoot
-    که مدل‌های پیچیده‌ای هستند، می‌باشد. همچنین مدل ارئه‌شده از طریق ناحیه‌بندی مثلث
-    ایجادشده در نمودار پراکنش Red-NIR، دارای بالاترین دقت در بین تمامی این مدل‌ها
-    بود. به ‌نظر این پژوهشگر مدل‌های ارائه‌ شده در این پژوهش را می‌توان با استفاده
-    از پارامترهای دیگری مانند نوع پوشش گیاهی، درصد گیاه، درصد خاک، زمان رشد گیاه،
-    رطوبت خاک و موارد دیگر بهبود بخشید.'
-  - یکی از موضوعات عمده در سیستم های حمل ونقل هوشمند، تخمین ترافیک خودرویی است. اطلاعات
-    ترافیک می تواند توسط رانندگان و سیستم های مسیریابی برای بهبود بهره وری سفر بکار
-    برده شوند. سیستم های تخمین ترافیک کنونی به استقرار زیرساخت هایی برای نظارت وضعیت
-    ترافیک نیاز دارند که این مستلزم هزینه های بالایی جهت راه اندازی می باشد. در این
-    پژوهش از تکنولوژی‌های نوین محاسبات فراگیر و آگاه به زمینه برای تخمین وضعیت ترافیک
-    استفاده می‌شود. برای این منظور یک سیستم تخمین ترافیک پویا و مسیریابی آگاه به زمینه
-    پیشنهاد می شود که از سه ماژول اصلی تخمین ترافیک محلی، تخمین ترافیک سراسری و مسیریابی
-    تشکیل شده است. در این سیستم وسایل نقلیه با استفاده از اطلاعات زمینه سرعت و شتاب
-    و با تکیه بر منطق فازی ترافیک محلی جاده را اندازه گیری می کنند و به سرور مرکزی
-    ارسال می کنند. سرور مرکزی از طریق یکپارچه سازی اطلاعات ترافیک محلی دریافت شده
-    از وسایل نقلیه مختلف، ترافیک سراسری جاده را تخمین می زند و با استفاده از این اطلاعات
-    ترافیک یک  سیستم مسیریابی آگاه به ترافیک  برای کمک به رانندگان فراهم می کند. عملکرد
-    سیستم پیشنهادی برای دو سناریوی بزرگراه و شبکه درون شهری با جریان ترافیک جمع آو��ی
-    شده از شهر بیرجند مورد ارزیابی قرار گرفته است. نتایج شبیه سازی نشان می دهد که
-    سیستم پیشنهادی یک تخمین دقیق از وضعیت ترافیک جاده های شهری و بزرگراه را فراهم
-    می کند. مقایسه نتایج حاصل از سیستم پیشنهادی با رویکردهای قبلی، توانایی سیستم پیشنهادی
-    را درکاهش زمان سفر نشان می دهد.
-  - مزایای استفاده از فرآیندهای نیمه‌جامد کاهش میزان تخلخل‌های گازی و انقباضی و اصلاح
-    ریزساختار است که بهبود خواص مکانیکی قطعه را بدنبال دارد. در این تحقیق از روش سطح
-    شیب‌دار خنک‌شونده به منظور تولید شمشال‌های اولیه استفاده شده است. هدف اصلی این
-    مرحله تولید شمشالی با ریزساختار مطلوب از نظر کوچکترین اندازه دانه و بالاترین فاکتور
-    شکل بوده که این امر از طریق ایجاد شرایط بارریزی کنترل شده و یکنواخت با قابلیت
-    کنترل اتمسفر محقق گردید. در مرحله بعد با استفاده از شمشال به دست آمده و از طریق
-    فرآیند آهنگری با شمش نیمه‌جامد، تولید قطعه درپوش گیربکس حلزونی مدل 62 بدلیل داشتن
-    دیواره‌های صاف و نازک صورت پذیرفت. هدف بخش دوم تولید قطعه‌ای صنعتی نزدیک به شکل
-    نهایی با استحکام مناسب بود. در این تحقیق تاثیر پارامترهای فرآیند سطح شیب‌دار شامل
-    دما، طول و زاویه سطح شیب‌دار، دما و نرخ بارریزی به صورت جامع مورد بررسی قرار گرفت.
-    برای اینکه بتوان اثر پارامترهای متقابل را مورد بررسی و تحلیل قرار داد از روش طراحی
-    فاکتوریل استفاده شد. همچنین بررسی ارتباط بین پارامترهای فرآیند و عوامل موثر بر
-    غیردندریتی شدن ریزساختار که شامل نرخ برش، مدت زمان اعمال آن و کسر جامد دوغاب می‌باشند،
-    با استفاده از شبیه‌سازی اجزای محدود و از طریق نرم‌افزار Flow-3D بررسی گردید. در
-    ضمن بدلیل اینکه آلومینیم فلزی است که بخصوص در حالت مذاب قابلیت واکنش شیمیایی و
-    حلالیت فیزیکی با اجزای هوای محیط بخصوص اکسیژن و هیدروژن را دارد که منجر به ایجاد
-    ترکیبات اکسیدی و تخلخل در شمشال می‌شود تاثیر کنترل اتمسفر توسط گاز آرگون مورد
-    بررسی قرار گرفت. در مرحله دوم نیز بعد از تولید قطعه سالم، تاثیر عوامل موثر نظیر
-    دمای قطعه و قالب، مدت زمان نگهداری قطعه در دمای نیمه‌جامد، فشار اعمالی به قطعه
-    و سرعت رام پرس بررسی گردید. برای داشتن تحلیل دقیق‌تر و برقراری روابط حاکم در تاثیر
-    عوامل موثر با استفاده از نرم‌افزار Deform-3D، شبیه‌سازی‌هایی با شرایط حاکم انجام
-    پذیرفت و با نتایج حاصل از آزمون‌های آزمایشگاهی مقایسه گردید. نتایج نشان داد که
-    مطلوب‌ترین نتیجه از نظر بالاترین درصد کرویت بیشترین مقدار سختی و کوچکترین اندازه
-    دانه در نرخ بارریزی ml/s8، طول سطح mm400، زاویه سطح º40 و دمای بارریزی Cº625 بدست
-    می‌آید. در این شرایط درصد کرویت و اندازه دانه‌ها به ترتیب حدود 77% و µm76 و مقدار
-    سختی حدود HB80 می‌شود. همچنین اثر متقابل پارامترها، تاثیر بیشتری را بر مقادیر
-    خروجی نسبت به تاثیر هر پارامتر به صورت مجزا داشته که در این میان اثر متقابل پارامتر
-    طول سطح شیب‌دار و نرخ بارریزی به میزان حدود 40% و اثر متقابل پارامترهای دمای بارریزی،
-    طول سطح شیب‌دار و نرخ بارریزی به میزان حدود 17% دارای بیشترین تاثیر می‌باشند.
-    در ضمن با بکارگیری اتمسفر محافظ بدلیل کاهش میزان ناخالصی و تخلخل در ریزساختار،
-    شکل‌پذیری و استحکام آلیاژ به ترتیب 17/5% و 28% افزایش می‌یابد. مقایسه نتایج حاصل
-    از آزمایشات تجربی با نتایج شبیه‌سازی نیز نشان می‌دهد که برای داشتن ریزساختار مناسب،
-    در صورتی که کسرجامد دوغاب خروجی بین 30 تا 35 درصد باشد، باید نرخ برش و انرژی تلاطم
-    را تا حد امکان بالا برد. در ضمن شبیه‌سازی انجام گرفته در بخش آهنگری نیمه‌جامد
-    و ارائه پارامترهای وابسته به نرم‌افزار، به خوبی سیلان آلیاژ را در حالت نیمه‌جامد
-    تقریب زده و تطابق خوبی را با نتایج حاصل از آزمون‌های آزمایشگاهی نشان می‌دهد. همچنین
-    نتایج نشان داد که با افزایش دمای قالب از  °C25 به °C450، مقدار تناژ پرس 21% کاهش
-    پیدا می‌کند. همچنین دمای قالب بالاتر باعث بروز ریزساختاری درشت‌تر و ناهمگن در
-    آلیاژ می‌شود که این امر باعث کاهش تقریبی 13% سختی در نمونه‌ها شده است. با افزایش
-    دمای قطعه و مدت زمان نگهداری در آن دما، رشد دانه‌ها به دلیل پدیده رایپنینگ اتفاق
-    افتاد. نتایج نشان می‌دهد که اندازه دانه‌ها برای مدت زمان نگهداری min 5، با افزایش
-    دما از 570 به °C600 به میزان 5% و در دمای °C570 با افزایش زمان نگهداری از 5 به
-    min 30 به میزان 74% افزایش می‌یابد.
-- source_sentence: 'الف:  بر اساس خلاصه چکیده، آیا فناوری‌های در دسترس در سطح گسترده‌ای
-    در اتوماسیون پستهای پیشرفته دیجیتال استفاده می‌شوند؟  ب: در این فناوری‌ها، چه
-    فرصت‌هایی ممکن است برای شرکت‌های برق منطقه‌ای ایجاد شود؟'
-  sentences:
-  - اتوماسیون پستهای پیشرفته دیجیتال از تکنولوژی های در دسترس در سطح گسترده ای استفاده
-    می کنند. این تکنولوژی ها فرصت های جدیدی مانند دستیابی از راه دور برای سرپرستی
-    و نظارت  رابه شرکت های برق منطقه ای ارائه می کند. برخی از این دستیابی های از راه
-    دور قبلا نیز وجود داشته است ولی سیستم های مدرن امکانات وسیع تری رادر عملیات و
-    تعمیر و نگهداری فراهم می کنند(تنظیم پارامتر های کنترل یا تشخیص نظارت). از طرفی
-    چنانچه قوانین و شرایط امنیتی  این سیستم ها رعایت نگردد، استفاده از آنها ریسک هایی
-    را برای شبکه برق ایجاد می کند و ممکن است یک فرصت به یک تهدید تبدیل گردد. این پایان
-    نامه به معرفی الزامات امنیتی شبکه های هوشمند و ارائه یک راه حل بهینه امنیتی پرداخته
-    است.
-  - در این پژوهش  به طراحی و ساخت آتش زنه گازدینامیکی،  بر مبنای اصول عملکردی لوله
-    هارتمن اسپرنجرپرداخته شده است. برای حصول شناخت بهتر در خصوص عملکرد دستگاه، یک
-    نمونه آزمایشگاهی از آن به عنوان منبع تولید حرارت ساخته شد.در آزمایشات انجام گرفته
-    به کمک این دستگاه پارامترهای موثر بر عملکرد حرارتی لوله هارتمن اسپرنجر از قبیل
-    عمق لوله، قطر لوله، قطر نازل، عمق لوله، شکل لوله، فاصله دهانه لوله از نازل، جنس
-    لوله و فشار نازل مورد بررسی واقع گردید و مقدار بهینه آنها برای طراحی نهایی آتش
-    زنه گاز دینامیکی محاسبه شد. نتایج حاصل از آزمایشها نشان داد شکل لوله مخروطی بیشترین
-    تاثیر در افزایش دما را دارد، با افزایش طول و قطر لوله دما ابتدا افزایش و سپس کاهش
-    می‌یابد که مقدار بهینه این پارامتر‌ها وابسته به سایر پارامترهای طراحی می‌باشد.
-    نشان داده شد موادی با ضریب انتقال حرارت پایین‌تر باعث افزایش دمای بیشتری در طول
-    لوله هارتمن اسپرنجر می‌گردد، همچنین نشان داده شد که استفاده از نازل همگرا و عدم
-    استفاده از رزوناتور در فشار��ای بالاباعث بهبود عملکرد دستگاه می-گردد. مطابق با
-    این آزمایش‌ها حداکثر دمای 780 درجه سانتیگراد، در لوله‌ای از جنس PTFE، با شکل مخروطی
-    و در فشاری تقریبا برابر با 10 اتمسفر با استفاده از نازل همگرا به دست آمد. سیال
-    مورد استفاده در این آزمایشها هوای مرطوب بوده که رطوبت تاثیر منفی در عملکرد این
-    دستگاه دارد. سپس به شبیه‌سازی نمونه دوبعدی دستگاه با استفاده از نرم‌افزارهای فلوئنت
-    و گمبیت پرداخته شد.جریان داخل دستگاه به صورت جریان تراکم پذیر  ناپایا در نظر گرفته
-    شد و پارامتر-هایی از قبیل دما در طول لوله ،تغییرات عدد ماخ و فشار شبیه سازی شد.
-    تغییرات دما در طول لوله مخروطی از جنس استیل در فشار 8 اتمسفر با تغییرات دما در
-    حالت تجربی مقایسه شد که درصد خطای نسبی حل در حدود 9.6% به دست آمد که علت آن می‌تواند
-    ناشی از عدم آب‌بندی مناسب لوله حین اندازه‌گیری دما ورطوبت سیال آزمایشگاهی باشد.
-  - رشد سریع وسایل الکتریکی نیازمند توسعه نسل تازه ای از باتری ها با دانسیته انرژی
-    بالا می باشد. باتری های لیتیم- سولفور یکی از بهترین کاندیدها برای این منظور می
-    باشند. از مزایای اصلی این باتری ها می توان به ظرفیت مخصوص و دانسیته انرژی بالا،
-    قیمت پایین و غیر‌سمی بودن سولفور اشاره کرد. به هر حال، معایبی نیز از جمله سیکل
-    پذیری ضعیف و افت ظرفیت در حالت عملی برای این باتری ها، وجود دارد. عمده ترین دلایل
-    پیدایش این معایب هدایت الکتریکی پایین سولفور و حلالیت بالای پلی سولفیدهای مرتبه
-    بالا در الکترولیت های آلی است که منجر به ازدست رفتن برگشت ناپذیر ماده فعال سولفور
-    می گردد. اصلاح ساختار کاتد بهترین راهکار برای بهبود عملکرد این باتری ها می باشد.
-    در این پروژه، ساختار کامپوزیتی جدید نانولوله کربنی- سولفور- پلی‌پیرول  برای حل
-    معایب این باتری ها پیشنهاد می شود.
-- source_sentence: '?  چگونه از کنترل پیش‌بین برای جلوگیری از چپ‌شدن خودرو در نرم
-    افزار CarSim استفاده شده است؟  آیا مدل شبکه عصبی چه نقشی در این کنترل بازی می‌کند؟  چگونه
-    ساختار و عملکرد کنترلر پیش‌بین غیرخطی مقایسه می‌شود؟'
-  sentences:
-  - "در این پروژه هدف طراحی کنترل پیش‌بین بر پایه مدل برای جلوگیری از چپ‌شدن خودرو\
-    \ می باشد. بدین منظور از یک مدل خودروی کامل SUV در نرم افزار CarSim استفاده شده،\
-    \ سپس با استفاده از سیستم AFS و کنترلر پیش‏بین غیرخطی(NMPC) و کنترلر PID و معیار\
-    \ LTR فرآیند کنترل انجام‏شده و نمودارها مقایسه شده‌است. \r\nدر ساختار کنترل پیش\
-    \ بین از مدل شبکه عصبی به منظور پیش بینی زاویه فرمان استفاده شده است. که ورودی\
-    \ آن شتاب جانبی خودرو و خروجی آن زاویه اصلاح کننده زاویه فرمان می باشد. لازم به\
-    \ ذکر است که در مدل خودرو برای مدلسازی چرخ ها از مدل غیرخطی Pacejka استفاده شده\
-    \ است. نتایج بدست آمده از دو مدل کنترل شده PID و کنترل پیش بین و مدل بدون کنترلر\
-    \ نشاندهنده آن است که کنترل پیش بین عملکرد مطلوبی دارد."
-  - امروزه یکی از مهم‌ترین مباحث ریاضیات و بهینه‌سازی نظریه‌ی بازی‌ها است. از موارد
-    مهمی که در حیطه نظریه‌ی بازی‌ها می‌توان به آن‌ اشاره نمود، سیاست‌های داخله و خارجه‌ی
-    دول در برخورد با ملت و سایر دولت‌ها جهت بهبود منافع، استراتژی پیشبردِ تکنولوژی،
-    اقتصاد، روابط، جنگ و قدرت می‌باشد. از میان حالات گوناگون نظریه‌ی بازی‌ها، ساده‌ترین
-    حالت وقتی است که تمامی بازیکنان از میزان منابع و اهداف یکدیگر باخبر باشند. از
-    این میان می‌توان به بازی‌های استکل‌برگ اشاره نمود. مسائل چند سطحی از مسئله‌ی استکل‌برگ
-    توسعه داده شده است. یک مسئله‌ی دو سطحی، یک بازی دو نفره است که بازیکن اول به ازای
-    تعیین متغیر تحت کنترل خود، پاسخی از بازیکن دوم دریافت می‌نماید. فضای جواب و هدف
-    برای هر دو بازیکن مشهود و ثابت است. سوالی که در اینجا مطرح می‌شود این است که بازیکن
-    اول به ازای تعیین چه مقداری از متغیر تحت کنترلش، بیشترین سود را می‌برد. اما مشکل
-    حل مسائل برنامه‌ریزی سه سطحی در این است که لزوماً نقاط رأسی فضای قابل‌دستیابی
-    زیرمجموعه‌ی نقاط رأسی فضای شدنی نیست و این حالت وقتی اتفاق می‌افتد که برای مقدار
-    معین و ثابتی از متغیر تصمیم سطح اول، مسئله‌ی دو سطحی پیرو دارای جواب بهینه‌ی چندگانه
-    باشد. در این پایان‌نامه این موضوع مورد مطالعه و بررسی قرار گرفته است تا جواب‌های
-    چندگانه‌ی مسئله‌ی برنامه‌ریزی دو سطحی پیرو استخراج گردد. حاصل این پژوهش روشی است
-    که این نقاط چندگانه را تولید می‌نماید که با دو مثال این موضوع نشان داده شده است.
-  - "روشهای آیین نامه ای در مورد بحث ترک، فقط تا لحظه ایجاد آن محدود گشته اند و برای\
-    \ بیان معیاری برای رشد و گسترش ترک عاجز هستند . روش مکانیک شکست رویکردی است که\
-    \ به بررسی شکست و انهدام سازه ها در اثر رشد و گسترش ترکهای موجود در آن می پردازد،\
-    \ زیرا برای بیان واقع بینانه رشد ترک، بایستی از معیار انرژی که زیرشاخه ای از علم\
-    \ مکانیک شکست است استفاده نمود .\r\nدر این تحقیق پارامترهای مکانیک شکست (اعم از\
-    \ انرژی شکست و چقرمگی شکست یا طاقت مصالح) نمونه های تیر بتن سبک ساخته شده از سنگدانه\
-    \ های اسکوریا و پومیس با نرم افزار تخصصی آباکوس بدست آمده و با نتایج تجربی همان\
-    \ نمونه ها که توسط کارهای تجربی انتظاری بدست آمده بودند، مورد مقایسه قرار گرفته\
-    \ است . در ادامه اثر اندازه روی چقرمگی شکست با مدلسازی سه تیر دیگر با ابعاد متفاوت\
-    \ برای هریک از نمونه ها، مورد بررسی قرار گرفته است .\r\n          مدلسازی آزمایش\
-    \ خمش تیر سه نقطه ای برای هریک از نمونه ها با هردو روش ترک بر مبنای انتگرال کانتوری\
-    \ و ترک بر مبنای ناحیه غنی شده، صورت گرفته است . در روش ترک کانتوری، چقرمگی شکست\
-    \ نمونه ها بصورت مستقیم توسط خود نرم افزار محاسبه شده ولی در روش ترک غنیپ شده،\
-    \ منحنی بار- تغییرمکان و بار- بازشدگی دهانه ترک، برای هر نمونه رسم گردیده و از\
-    \ روی مساحت زیر این نمودارها، چقرمگی شکست و انرژی شکست برای آنها بدست آمده است\
-    \ . تمامی مدلهایی که به منظور بررسی اثر اندازه در آباکوس ایجاد شده است دقیقا مشابه\
-    \ مدلهای بر مبنای ترک کانتوری پیشین است و فقط هندسه آنها تغییر یافته است .\r\n\
-    نتایج ونمودارهای حاصله از نرم افزار، انطباق خوبی با نتایج تجربی دارند و لذا پارامترهای\
-    \ مکانیک شکست بدست آمده از نرم افزار آباکوس، دارای صحت می باشند و بکارگیری روشهای\
-    \ این تحقیق برای سایر مصالح مشابه نیز می تواند قابل اعتماد باشد ."
-pipeline_tag: sentence-similarity
+license: apache-2.0
+language:
+- fa
 library_name: sentence-transformers
-metrics:
-- cosine_accuracy@1
-- cosine_accuracy@3
-- cosine_accuracy@5
-- cosine_accuracy@10
-- cosine_precision@1
-- cosine_precision@3
-- cosine_precision@5
-- cosine_precision@10
-- cosine_recall@1
-- cosine_recall@3
-- cosine_recall@5
-- cosine_recall@10
-- cosine_ndcg@10
-- cosine_mrr@10
-- cosine_map@100
-model-index:
-- name: SentenceTransformer based on safora/persian-science-qa-e5-large
-  results:
-  - task:
-      type: information-retrieval
-      name: Information Retrieval
-    dataset:
-      name: triplets eval
-      type: triplets-eval
-    metrics:
-    - type: cosine_accuracy@1
-      value: 0.8431372549019608
-      name: Cosine Accuracy@1
-    - type: cosine_accuracy@3
-      value: 1.0
-      name: Cosine Accuracy@3
-    - type: cosine_accuracy@5
-      value: 1.0
-      name: Cosine Accuracy@5
-    - type: cosine_accuracy@10
-      value: 1.0
-      name: Cosine Accuracy@10
-    - type: cosine_precision@1
-      value: 0.8431372549019608
-      name: Cosine Precision@1
-    - type: cosine_precision@3
-      value: 0.3333333333333335
-      name: Cosine Precision@3
-    - type: cosine_precision@5
-      value: 0.19999999999999996
-      name: Cosine Precision@5
-    - type: cosine_precision@10
-      value: 0.09999999999999998
-      name: Cosine Precision@10
-    - type: cosine_recall@1
-      value: 0.8431372549019608
-      name: Cosine Recall@1
-    - type: cosine_recall@3
-      value: 1.0
-      name: Cosine Recall@3
-    - type: cosine_recall@5
-      value: 1.0
-      name: Cosine Recall@5
-    - type: cosine_recall@10
-      value: 1.0
-      name: Cosine Recall@10
-    - type: cosine_ndcg@10
-      value: 0.9421066280112088
-      name: Cosine Ndcg@10
-    - type: cosine_mrr@10
-      value: 0.9215686274509803
-      name: Cosine Mrr@10
-    - type: cosine_map@100
-      value: 0.9215686274509803
-      name: Cosine Map@100
+pipeline_tag: feature-extraction
+tags:
+- sentence-embeddings
+- text-retrieval
+- persian
+- e5
 ---
 
-# SentenceTransformer based on safora/persian-science-qa-e5-large
-
-This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [safora/persian-science-qa-e5-large](https://huggingface.co/safora/persian-science-qa-e5-large). It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
-
-## Model Details
-
-### Model Description
-- **Model Type:** Sentence Transformer
-- **Base model:** [safora/persian-science-qa-e5-large](https://huggingface.co/safora/persian-science-qa-e5-large) <!-- at revision 204ecc73cdd1186d7c27cef943a7ece05049b6d7 -->
-- **Maximum Sequence Length:** 512 tokens
-- **Output Dimensionality:** 1024 dimensions
-- **Similarity Function:** Cosine Similarity
-<!-- - **Training Dataset:** Unknown -->
-<!-- - **Language:** Unknown -->
-<!-- - **License:** Unknown -->
+# Model Card for safora/persian-e5-large-scientific-retriever
 
-### Model Sources
+## Model Description
 
-- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
-- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
-- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
+This model is a fine-tuned version of `safora/persian-science-qa-e5-large`, specifically optimized for **high-performance information retrieval in the Persian scientific domain**. It is designed to be a core component of a Retrieval-Augmented Generation (RAG) system, where it excels at identifying the most relevant documents from a large corpus in response to a user's query.
 
-### Full Model Architecture
+This model was fine-tuned to address a common problem in RAG systems: the retrieval of documents that are thematically related but factually incorrect. By training on a rigorously cleaned dataset of "hard negatives," this model learns to be more precise and discriminative, significantly improving the quality of the context provided to a generative model.
 
-```
-SentenceTransformer(
-  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
-  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
-  (2): Normalize()
-)
-```
+## Intended Uses & Limitations
 
-## Usage
+This model is intended to be used for embedding Persian text for retrieval tasks. Given a query, it can be used to find the most relevant scientific abstracts or documents from a corpus using semantic search.
 
-### Direct Usage (Sentence Transformers)
-
-First install the Sentence Transformers library:
-
-```bash
-pip install -U sentence-transformers
-```
-
-Then you can load this model and run inference.
 ```python
 from sentence_transformers import SentenceTransformer
 
-# Download from the 🤗 Hub
-model = SentenceTransformer("safora/persian-e5-large-scientific-retrieval")
-# Run inference
-sentences = [
-    '?  چگونه از کنتر�� پیش\u200cبین برای جلوگیری از چپ\u200cشدن خودرو در نرم افزار CarSim استفاده شده است؟  آیا مدل شبکه عصبی چه نقشی در این کنترل بازی می\u200cکند؟  چگونه ساختار و عملکرد کنترلر پیش\u200cبین غیرخطی مقایسه می\u200cشود؟',
-    'در این پروژه هدف طراحی کنترل پیش\u200cبین بر پایه مدل برای جلوگیری از چپ\u200cشدن خودرو می باشد. بدین منظور از یک مدل خودروی کامل SUV در نرم افزار CarSim استفاده شده، سپس با استفاده از سیستم AFS و کنترلر پیش\u200fبین غیرخطی(NMPC) و کنترلر PID و معیار LTR فرآیند کنترل انجام\u200fشده و نمودارها مقایسه شده\u200cاست. \r\nدر ساختار کنترل پیش بین از مدل شبکه عصبی به منظور پیش بینی زاویه فرمان استفاده شده است. که ورودی آن شتاب جانبی خودرو و خروجی آن زاویه اصلاح کننده زاویه فرمان می باشد. لازم به ذکر است که در مدل خودرو برای مدلسازی چرخ ها از مدل غیرخطی Pacejka استفاده شده است. نتایج بدست آمده از دو مدل کنترل شده PID و کنترل پیش بین و مدل بدون کنترلر نشاندهنده آن است که کنترل پیش بین عملکرد مطلوبی دارد.',
-    'امروزه یکی از مهم\u200cترین مباحث ریاضیات و بهینه\u200cسازی نظریه\u200cی بازی\u200cها است. از موارد مهمی که در حیطه نظریه\u200cی بازی\u200cها می\u200cتوان به آن\u200c اشاره نمود، سیاست\u200cهای داخله و خارجه\u200cی دول در برخورد با ملت و سایر دولت\u200cها جهت بهبود منافع، استراتژی پیشبردِ تکنولوژی، اقتصاد، روابط، جنگ و قدرت می\u200cباشد. از میان حالات گوناگون نظریه\u200cی بازی\u200cها، ساده\u200cترین حالت وقتی است که تمامی بازیکنان از میزان منابع و اهداف یکدیگر باخبر باشند. از این میان می\u200cتوان به بازی\u200cهای استکل\u200cبرگ اشاره نمود. مسائل چند سطحی از مسئله\u200cی استکل\u200cبرگ توسعه داده شده است. یک مسئله\u200cی دو سطحی، یک بازی دو نفره است که بازیکن اول به ازای تعیین متغیر تحت کنترل خود، پاسخی از بازیکن دوم دریافت می\u200cنماید. فضای جواب و هدف برای هر دو بازیکن مشهود و ثابت است. سوالی که در اینجا مطرح می\u200cشود این است که بازیکن اول به ازای تعیین چه مقداری از متغیر تحت کنترلش، بیشترین سود را می\u200cبرد. اما مشکل حل مسائل برنامه\u200cریزی سه سطحی در این است که لزوماً نقاط رأسی فضای قابل\u200cدستیابی زیرمجموعه\u200cی نقاط رأسی فضای شدنی نیست و این حالت وقتی اتفاق می\u200cافتد که برای مقدار معین و ثابتی از متغیر تصمیم سطح اول، مسئله\u200cی دو سطحی پیرو دارای جواب بهینه\u200cی چندگانه باشد. در این پایان\u200cنامه این موضوع مورد مطالعه و بررسی قرار گرفته است تا جواب\u200cهای چندگانه\u200cی مسئله\u200cی برنامه\u200cریزی دو سطحی پیرو استخراج گردد. حاصل این پژوهش روشی است که این نقاط چندگانه را تولید می\u200cنماید که با دو مثال این موضوع نشان داده شده است.',
-]
-embeddings = model.encode(sentences)
-print(embeddings.shape)
-# [3, 1024]
-
-# Get the similarity scores for the embeddings
-similarities = model.similarity(embeddings, embeddings)
-print(similarities)
-# tensor([[1.0000, 0.8291, 0.1545],
-#         [0.8291, 1.0000, 0.1568],
-#         [0.1545, 0.1568, 1.0000]])
-```
-
-<!--
-### Direct Usage (Transformers)
-
-<details><summary>Click to see the direct usage in Transformers</summary>
-
-</details>
--->
-
-<!--
-### Downstream Usage (Sentence Transformers)
-
-You can finetune this model on your own dataset.
-
-<details><summary>Click to expand</summary>
-
-</details>
--->
-
-<!--
-### Out-of-Scope Use
+sentences = ["این یک نمونه جمله است", "این جمله دیگری است"]
 
-*List how the model may foreseeably be misused and address what users ought not to do with the model.*
--->
-
-## Evaluation
-
-### Metrics
-
-#### Information Retrieval
-
-* Dataset: `triplets-eval`
-* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
-
-| Metric              | Value      |
-|:--------------------|:-----------|
-| cosine_accuracy@1   | 0.8431     |
-| cosine_accuracy@3   | 1.0        |
-| cosine_accuracy@5   | 1.0        |
-| cosine_accuracy@10  | 1.0        |
-| cosine_precision@1  | 0.8431     |
-| cosine_precision@3  | 0.3333     |
-| cosine_precision@5  | 0.2        |
-| cosine_precision@10 | 0.1        |
-| cosine_recall@1     | 0.8431     |
-| cosine_recall@3     | 1.0        |
-| cosine_recall@5     | 1.0        |
-| cosine_recall@10    | 1.0        |
-| **cosine_ndcg@10**  | **0.9421** |
-| cosine_mrr@10       | 0.9216     |
-| cosine_map@100      | 0.9216     |
-
-<!--
-## Bias, Risks and Limitations
-
-*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
--->
-
-<!--
-### Recommendations
-
-*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
--->
+model = SentenceTransformer('safora/persian-e5-large-scientific-retriever')
+embeddings = model.encode(sentences)
+print(embeddings)
 
-## Training Details
+While highly effective for scientific text, its performance on general-purpose or conversational text may not be superior to the original base model.
 
-### Training Dataset
+Fine-Tuning Methodology
+The performance of this model is a direct result of a meticulous data-centric fine-tuning process.
 
-#### Unnamed Dataset
+Source Data and Training Dataset
+The model was fine-tuned on a custom-built dataset of 1,016 triplets, created from a corpus of Persian scientific documents . This dataset, named retriever_finetuning_triplets.jsonl, is also available on the Hugging Face Hub at safora/persian-scientific-qa-triplets.
 
-* Size: 914 training samples
-* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>sentence_2</code>
-* Approximate statistics based on the first 914 samples:
-  |         | sentence_0                                                                         | sentence_1                                                                            | sentence_2                                                                          |
-  |:--------|:-----------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
-  | type    | string                                                                             | string                                                                                | string                                                                              |
-  | details | <ul><li>min: 27 tokens</li><li>mean: 56.02 tokens</li><li>max: 75 tokens</li></ul> | <ul><li>min: 112 tokens</li><li>mean: 395.08 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 65 tokens</li><li>mean: 408.6 tokens</li><li>max: 512 tokens</li></ul> |
-* Samples:
-  | sentence_0                                                                                                                                                                                                                                   | sentence_1                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                     | sentence_2                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                               |
-  |:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
-  | <code>چگونه می‌توانید از این تحلیل به نتایجی درباره تاثیر زمین‌های شیب‌دار بر پی‌ها و احتمال گسیختگی پی‌ها دست یابی؟  آیا می‌توانید یک رابطه ریاضی برای توضیح این اثر ارائه دهید؟  چه متغیرهای دیگری بر این رابطه تاثیرگذارند؟</code>        | <code>یکی از شرایط موثر بر ظرفیت باربری پی ها، اتکا پی بر روی زمین های شیبدار یا قرارگیری شیب در فاصله موثر در مجاورت پی می باشد که در صورت وقوع چنین حالت هایی ظرفیت باربری پی به نحو قابل توجهی کاهش می یابد . توسعه راهها و کارخانجات صنعتی در حاشیه شهرها از یکسو و محدودیت زمین های نسبتا مسطح و مناسب در مناطق کوهستانی کشور عزیزمان بویژه در دو ناحیه البرز و زاگرس از سوی دیگر موجب گردیده تا استفاده از زمین های شیبدار پیش از پیش ضروری جلوه کند . بنابراین تاثیر شیب بر ظرفیت باربری شالوده سطحی از جمله مسائل مهم ژئوتکنیکی می باشد .
-  <br>در این تحقیق ، اثر تغییرات شیب ، فاصله پی از لبه شیب ، ارتفاع شیب و در نهایت تاثیر تغییرات چسبندگی بر ظرفیت باربری و ضریب اطمینان گسیختگی شیب واقع بر زمینهای دو طرف شیبدار بدون سربار بررسی شده است همچنین در ادامه نمودارهایی بی بعد در قالب ظرفیت باربری و ضریب اطمینان با فرض محدود بودن شیب برای استفاده مهندسین ارائه گردیده است . برای دستیابی به اهداف فوق از روش عددی مبتنی بر فرمول بندی اجزاء محدود استفاده شده است .
-  <br>نتایج این بررسی حاکی از آن می باشد که هرچه زاویه شیب افزا...</code> | <code>عملکرد ایستگاه‌های پمپاژ در شبکه‌های توزیع آب، روزانه‌ هزینه‌ی زیادی جهت تأمین انرژی و نیز تعمیر و نگهداری به بهره‌برداران تحمیل می‌نماید. در تحقیق حاضر، به منظور کاهش هزینه‌های ساخت و بهره‌برداری شبکه‌های آبرسانی، مدلی براساس الگوریتم بهینه‌سازی چند هدفه‌ی ژنتیک با مرتب‌سازی نامغلوب NSGA-II‌ در ارتباط با مدل شبیه‌سازی هیدرولیکی EPANET توسعه داده می‌شود. در این راستا، فرآیند بهینه‌سازی در دو مرحله پیاده‌سازی می‌گردد. در مرحله‌ی نخست، بهینه‌سازی با دوهدف کمینه‌کردن هزینه‌ی ساخت و کمینه‌کردن هزینه‌ی بهره‌برداری (انرژی) اجرا می‌شود و در نتیجه‌ی آن یک جبهه‌ی پارتو بهینه متشکل از پاسخ‌هایی برای طراحی شبکه به‌ دست میآید. با برگزیدن یک شبکه منتخب از جبهه‌ی پارتو در دست، بهینه‌سازی این‌بار با دو هدف کمینه کردن هزینه‌ی انرژی و کمینه کردن هزینه‌ی تعمیر و نگهداری و از طریق طراحی زمان‌بندی بهینه برای عملکرد پمپ‌ها به اجرا در‌می‌آید. مدل پیشنهادی بر روی یک شبکه‌ی آبرسانی تئوری، شبکه Vanzyl و یک شبکه‌ی واقعی، بخشی از شهر باغملک، به‌کار گرفته شده‌است. آزمایش انجام شده بر روی شبکه Vanzyl به خوبی نشان ...</code> |
-  | <code>(?)  چگونه می‌توان از لاتریت جهت پاک‌سازی در فرآیند فنتون هتروژن استفاده کرد؟  و چه نتایجی را به همراه داشته است؟  چه نوع ساختار لایه‌ای و نانوحفره‌ای لاتریت مورد استفاده قرار گرفته است؟</code>                                      | <code>از میان فرآیندهای اکسایش پیشرفته برای حذف آلاینده‌های آلی مقاوم، فرآیند فنتون هموژن با استفاده از یون-های  Fe2+ و Fe3+ به عنوان کاتالیست در حضور هیدروژن پراکسید، به دلیل تولید رادیکال‌های هیدروکسیل و حذف انواع متنوعی از ترکیبات آلی توجه بسیاری را به خود جلب کرده است. ولی با توجه به معایبی از قبیل استفاده از نمک‌های آهن به مقدار زیاد و انباشته شدن لجن‌های آهن باقیمانده از فرآیند که جداسازی آن‌ها مشکل می‌باشد و همچنین غیرفعال‌سازی کاتالیست توسط بعضی معرف‌ها مانند یون‌های فسفات، کاربرد صنعتی این فرآیند محدود شده است. برای رفع این محدودیت‌ها می‌توان از کاتالیست‌های جامد اصلاح شده با یون‌های آهن و یا از کانی‌ها و خاک‌های آهن دار در واکنش فنتون هتروژن استفاده کرد. در این میان، خاک لاتریت با دارا بودن اکسیدآهن سه ظرفیتی، کاتالیست موثری برای واکنش فنتون هتروژن محسوب می شود. فراوانی و ارزان قیمت بودن از جمله مزایای بکارگیری لاتریت می‌باشد. از طرف دیگر لاتریت با توجه با اینکه در زیر مجموعه خاک‌ها قرار می‌گیرد، دارای ساختار لایه‌ای، متخلخل و مزوحفره می‌باشد. مواد مزو حفره دارای حفراتی با قطر 50-2...</code>       | <code>آبیاری قطره‌ای که یکی از روش‌های آبیاری موضعی است گسترش روزافزونی در جهان دارد. مدیریت بهتر این روش نیازمند شناخت هر چه بهتر محاسن و معایب آن می‌باشد، که جز با مطالعه دقیق در این زمینه مقدور نخواهد بود. اخیرا مطالعاتی برای توصیف جریان در خاک، در آبیاری قطره‌ای سطحی و زیر سطحی صورت گرفته است که اکثر آنها در محیط‌های همگن بررسی شده‌اند ولی توزیع رطوبت در خاک‌های لایه‌ای و مخصوصا شیب‌دار کمتر مورد مطالعه قرار گرفته است. در پژوهش حاضر آزمایش‌های صحرایی به منظور تعیین الگوی توزیع رطوبت خاک توسط قطره‌چکان‌های زیر سطحی در خاک دولایه و در دو حالت مسطح و شیب‌دار انجام گرفت و اثرات شیب زمین، لایه‌ای بودن خاک به طور منفرد و اثرات توان این دو بر الگوی خیس-شدگی خاک توسط قطره‌چکان‌های زیر سطحی بررسی شد آزمایش‌های این تحقیق در اراضی تحقیقاتی کرکج متعلق به دانشکده کشاورزی تبریز انجام یافت. از نرم‌افزار هایدروس جهت شبیه‌سازی جبهه رطوبتی در شرایط مشابه استفاده شد. به منظور برآورد دقت نرم‌افزار، فواصل شعاعی جبهه رطوبتی مشاهداتی و شبیه‌سازی شده از محل قطره‌چکان در زاویه‌های مختلف مورد مقایسه قرار گرفت. نت...</code> |
-  | <code>? چگونه می‌توان به بهینه‌سازی طراحی انتقال حرارت در کانال‌های موجی با استفاده از دینامیک سیالات محاسباتی، الگوریتم بهینه‌سازی توده ذرات و شبکه توابع پایه شعاعی برای استفاده به جای CFD در الگوریتم بهینه‌سازی توسعه داد؟ ؟ ؟ ؟</code> | <code>با توجه به بحران انرژی و آلودگی‌های زیست محیطی لزوم طراحی و تولید لوازم انتقال حرارتی که بیش‌ترین بازده را داشته و در عین حال کمترین آسیب را به محیط زیست می‌زنند بیش از پیش احساس می‌شود. از جمله ابزارهای مهم در طراحی و بهینه‌سازی وسایل مرتبط با انتقال حرارت و سیالات می‌توان به دینامیک سیالات محاسباتی اشاره کرد. استفاده از CFD در مسائل طراحی و بهینه‌سازی هزینه محاسباتی بالایی را طلب کرده و زمان زیادی را صرف می‌کند. بنابراین به نظر می‌رسد توسعه یک روش ترکیبی که فرآیند طراحی را کم‌هزینه‌تر کند لازم است. در این رساله روشی ترکیبی برای بهینه‌سازی طراحی انتقال حرارت در کانال‌های موجی با استفاده از دینامیک سیالات محاسباتی، الگوریتم بهینه‌سازی توده ذرات و شبکه توابع پایه شعاعی برای استفاده به جای CFD در الگوریتم بهینه‌سازی توسعه داده می‌شود. ابتدا هر کدام از ابزارهای مورد نیاز به طور جداگانه مورد بررسی جزیی قرار گرفته و سپس از ابزارهای توسعه داده شده برای بهینه‌سازی کانال موجی در جریان پایا استفاده می‌شود. بهینه‌سازی کانال موجی در دو عدد رینولدز 80 و 100 و برای سه تابع هدف ضریب اصطکاک، عدد نوسل...</code>       | <code>افزایش نگرانی در مورد آلودگی محیط زیست و کاهش منابع نفتی زمینه را برای بکارگیری خودروهای هیبرید الکتریکی به عنوان جایگزین خودروهای متداول در سیستم حمل و نقل فراهم نموده است. این خودروها علاوه بر بکارگیری موتور احتراقی، از موتور الکتریکی نیز برای حرکت خودرو استفاده می‌کنند. انتخاب محرک الکتریکی مناسب، نحوه کنترل موتور الکتریکی و طراحی یک کنترل کننده که بتواند اهداف کنترلی مورد نظر را برآورده کند، از مهمترین موضوعات مورد بحث در ساخت خودرو است. سه موتور الکتریکی متداول در صنعت خودروسازی با توجه به حاصل‌ضرب دو پارامتر ضریب ویژگی و ضریب اهمیت مقایسه شدند. با توجه به انتخاب موتور سوئیچ رلوکتانس به عنوان محرک مناسب برای خودرو، کنترل درایو آن به روش DTC با به کارگیری کانورتر چهار سطحی و DITC با بکارگیری کانورتر پنج سطحی ارائه شده است. در روش‌های پیشنهادی ضمن کنترل درایو موتور سوئیچ رلوکتانس، سعی شده تا ریپل گشتاور خروجی این موتور نیز کاهش یابد. برای کنترل خودرو از یک کنترل کننده فازی استفاده شده است. این کنترل کننده با توجه به سیگنال‌های دریافتی از خودرو، مقادیر مرجع را برای موتور الکتریکی تول...</code> |
-* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
-  ```json
-  {
-      "scale": 20.0,
-      "similarity_fct": "cos_sim"
-  }
-  ```
+The creation of this dataset involved a multi-stage pipeline:
 
-### Training Hyperparameters
-#### Non-Default Hyperparameters
+Heuristic Filtering: An initial set of 10,000+ generated question-answer pairs was filtered based on length, format, and language rules.
 
-- `eval_strategy`: steps
-- `per_device_train_batch_size`: 16
-- `per_device_eval_batch_size`: 16
-- `multi_dataset_batch_sampler`: round_robin
+Semantic Validation: A cross-encoder (safora/reranker-xlm-roberta-large) was used to validate the semantic relevance between questions and their source abstracts. Pairs with a relevance score below 0.85 were discarded, resulting in a high-confidence set of positive pairs.
 
-#### All Hyperparameters
-<details><summary>Click to expand</summary>
+Hard-Negative Mining: For each high-confidence question, we searched the entire corpus to find the most similar but incorrect documents. These "hard negatives" are crucial for teaching the model fine-grained distinctions. This process transformed the positive pairs into a robust triplet dataset of (query, positive_passage, negative_passage).
 
-- `overwrite_output_dir`: False
-- `do_predict`: False
-- `eval_strategy`: steps
-- `prediction_loss_only`: True
-- `per_device_train_batch_size`: 16
-- `per_device_eval_batch_size`: 16
-- `per_gpu_train_batch_size`: None
-- `per_gpu_eval_batch_size`: None
-- `gradient_accumulation_steps`: 1
-- `eval_accumulation_steps`: None
-- `torch_empty_cache_steps`: None
-- `learning_rate`: 5e-05
-- `weight_decay`: 0.0
-- `adam_beta1`: 0.9
-- `adam_beta2`: 0.999
-- `adam_epsilon`: 1e-08
-- `max_grad_norm`: 1
-- `num_train_epochs`: 3
-- `max_steps`: -1
-- `lr_scheduler_type`: linear
-- `lr_scheduler_kwargs`: {}
-- `warmup_ratio`: 0.0
-- `warmup_steps`: 0
-- `log_level`: passive
-- `log_level_replica`: warning
-- `log_on_each_node`: True
-- `logging_nan_inf_filter`: True
-- `save_safetensors`: True
-- `save_on_each_node`: False
-- `save_only_model`: False
-- `restore_callback_states_from_checkpoint`: False
-- `no_cuda`: False
-- `use_cpu`: False
-- `use_mps_device`: False
-- `seed`: 42
-- `data_seed`: None
-- `jit_mode_eval`: False
-- `use_ipex`: False
-- `bf16`: False
-- `fp16`: False
-- `fp16_opt_level`: O1
-- `half_precision_backend`: auto
-- `bf16_full_eval`: False
-- `fp16_full_eval`: False
-- `tf32`: None
-- `local_rank`: 0
-- `ddp_backend`: None
-- `tpu_num_cores`: None
-- `tpu_metrics_debug`: False
-- `debug`: []
-- `dataloader_drop_last`: False
-- `dataloader_num_workers`: 0
-- `dataloader_prefetch_factor`: None
-- `past_index`: -1
-- `disable_tqdm`: False
-- `remove_unused_columns`: True
-- `label_names`: None
-- `load_best_model_at_end`: False
-- `ignore_data_skip`: False
-- `fsdp`: []
-- `fsdp_min_num_params`: 0
-- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
-- `fsdp_transformer_layer_cls_to_wrap`: None
-- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
-- `deepspeed`: None
-- `label_smoothing_factor`: 0.0
-- `optim`: adamw_torch
-- `optim_args`: None
-- `adafactor`: False
-- `group_by_length`: False
-- `length_column_name`: length
-- `ddp_find_unused_parameters`: None
-- `ddp_bucket_cap_mb`: None
-- `ddp_broadcast_buffers`: False
-- `dataloader_pin_memory`: True
-- `dataloader_persistent_workers`: False
-- `skip_memory_metrics`: True
-- `use_legacy_prediction_loop`: False
-- `push_to_hub`: False
-- `resume_from_checkpoint`: None
-- `hub_model_id`: None
-- `hub_strategy`: every_save
-- `hub_private_repo`: None
-- `hub_always_push`: False
-- `hub_revision`: None
-- `gradient_checkpointing`: False
-- `gradient_checkpointing_kwargs`: None
-- `include_inputs_for_metrics`: False
-- `include_for_metrics`: []
-- `eval_do_concat_batches`: True
-- `fp16_backend`: auto
-- `push_to_hub_model_id`: None
-- `push_to_hub_organization`: None
-- `mp_parameters`: 
-- `auto_find_batch_size`: False
-- `full_determinism`: False
-- `torchdynamo`: None
-- `ray_scope`: last
-- `ddp_timeout`: 1800
-- `torch_compile`: False
-- `torch_compile_backend`: None
-- `torch_compile_mode`: None
-- `include_tokens_per_second`: False
-- `include_num_input_tokens_seen`: False
-- `neftune_noise_alpha`: None
-- `optim_target_modules`: None
-- `batch_eval_metrics`: False
-- `eval_on_start`: False
-- `use_liger_kernel`: False
-- `liger_kernel_config`: None
-- `eval_use_gather_object`: False
-- `average_tokens_across_devices`: False
-- `prompts`: None
-- `batch_sampler`: batch_sampler
-- `multi_dataset_batch_sampler`: round_robin
-- `router_mapping`: {}
-- `learning_rate_mapping`: {}
+Training Procedure
+The model was fine-tuned using the sentence-transformers library with a MultipleNegativesRankingLoss function. We split the triplet dataset into a 90% training set and a 10% evaluation set to monitor for overfitting and save the best-performing checkpoint.
 
-</details>
+Evaluation Results
+A rigorous comparative evaluation was conducted between this fine-tuned model and the original safora/persian-science-qa-e5-large base model on a held-out test set. The results demonstrate a dramatic and consistent improvement across all standard information retrieval metrics.
 
-### Training Logs
-| Epoch | Step | triplets-eval_cosine_ndcg@10 |
-|:-----:|:----:|:----------------------------:|
-| 0.5   | 29   | 0.9323                       |
-| 1.0   | 58   | 0.9421                       |
+|                  |   Accuracy@1 |   Recall@5 |   MRR@10 |   MAP@100 |
+|:-----------------|-------------:|-----------:|---------:|----------:|
+| Base Model       |       0.7255 |     0.9118 |   0.8167 |    0.8178 |
+| Fine-Tuned Model |       0.8431 |     1      |   0.9216 |    0.9216 |
 
 
-### Framework Versions
-- Python: 3.10.12
-- Sentence Transformers: 5.0.0
-- Transformers: 4.53.1
-- PyTorch: 2.7.1+cu126
-- Accelerate: 1.8.1
-- Datasets: 4.0.0
-- Tokenizers: 0.21.2
 
-## Citation
+The most critical result for RAG applications is the Recall@5 score of 1.0, indicating that the correct document was found in the top 5 results 100% of the time. This ensures the generative component of a RAG system consistently receives the correct context.
 
-### BibTeX
+Citation
+If you use this model in your research or application, please cite the work:
 
-#### Sentence Transformers
-```bibtex
-@inproceedings{reimers-2019-sentence-bert,
-    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
-    author = "Reimers, Nils and Gurevych, Iryna",
-    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
-    month = "11",
-    year = "2019",
-    publisher = "Association for Computational Linguistics",
-    url = "https://arxiv.org/abs/1908.10084",
-}
-```
+Code snippet
 
-#### MultipleNegativesRankingLoss
-```bibtex
-@misc{henderson2017efficient,
-    title={Efficient Natural Language Response Suggestion for Smart Reply},
-    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
-    year={2017},
-    eprint={1705.00652},
-    archivePrefix={arXiv},
-    primaryClass={cs.CL}
+@misc{safora_persian_sci_retriever_2025,
+  author    = {Safora jolfaei},
+  title     = {A High-Performance Embedding Model for Persian Scientific Information Retrieval},
+  year      = {2025},
+  publisher = {Hugging Face},
+  journal   = {Hugging Face Hub},
+  url       = {[https://huggingface.co/safora/persian-e5-large-scientific-retriever](https://huggingface.co/safora/persian-e5-large-scientific-retriever)}
 }
-```
-
-<!--
-## Glossary
-
-*Clearly define terms in order to be accessible across audiences.*
--->
-
-<!--
-## Model Card Authors
-
-*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
--->
-
-<!--
-## Model Card Contact
-
-*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--->