پیش بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم با بکارگیری شبکه عصبی مصنوعی
Publish place: Journal Of Modeling in Engineering، Vol: 17، Issue: 58
Publish Year: 1398
Type: Journal paper
Language: Persian
View: 336
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_JME-17-58_001
Index date: 10 March 2021
پیش بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم با بکارگیری شبکه عصبی مصنوعی abstract
امروزه با پیشرفت تکنولوژی برای حل مسائلی که روابط دقیق ریاضی بین ورودی و خروجی برقرار نمی باشد از شبکه های عصبی مصنوعی استفاده می شود. در این پژوهش برای پیش‌بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم دو شبکه عصبی پرسپترون چند لایه شامل شبکه عصبی مصنوعی پیشرو (FFANN) و شبکه عصبی آبشاری (CANN) پیشنهاد شد. برای بررسی صحت مدل ها، از 1251 داده آزمایشگاهی گردآوری شده از مقالات مختلف شامل کشش سطحی 40 مایع یونی در محدوده وسیع دمایی (از 61/263 الی 2/533 کلوین) استفاده شده است. نتایج نشان داد که مدل شبکه پرسپترون چند لایه CANN متشکل از چیدمانی با سه ورودی شامل جرم های مولکولی بخش های آنیونی و کاتیونی مایع یونی و دما و یک لایه مخفی حاوی 8 نرون با تابع فعال سازی تانژانت هیپربولیک که با استفاده از الگوریتم آموزشی لونبرگ-مارکوارت آموزش دیده بهترین دقت در پیش بینی کشش سطحی مایعات یونی داشته است. آنالیز خطا های دادههای تست با درصد متوسط قدر مطلق خطاهای نسبی (AARD%) 07/1، بیانگر کارایی مدل غیرخطی CANN در برقراری ارتباط مابین ورودی های شبکه و کششسطحی می باشد. علاوه بر آن مقایسه دقت مدل پیشنهادی با مدل های موجود از جمله قانون حالات متناظر، پاراچور، الگوریتم مدیریت داده ها به روش گروهی (GMDH) و مدل حداقل مربعات ماشین بردار پشتیبان (LSSVM) بیانگر برتری مدل پیشنهادی بوده است.
پیش بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم با بکارگیری شبکه عصبی مصنوعی Keywords:
پیش بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم با بکارگیری شبکه عصبی مصنوعی authors
مصطفی لشکربلوکی
دانشکده مهندسی شیمی، آزمایشگاه ازدیادبرداشت نفت و فرآوری گاز، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :