استفاده از شبکه عصبی برای پیش بینی ثابت تعادل در سیستم های شامل کربن دی اکسید

Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 910

This Paper With 5 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

TCPCO01_059

تاریخ نمایه سازی: 27 فروردین 1393

Abstract:

در این مقاله یک شبکه عصبی مصنوعی برای محاسبه ثابت تعادل دی اکسید کربن در سیستم های دوتایی شامل دی اکسیدکربن به کار گرفته شده است. داده های تعادلی سه سیستم برای آموزش شبکه عصبی استفاده شده اند. ورودی های شبکه عصبیجرم مولکولی، ضریب اسنتریک، دمای بحرانی، فشار بحرانی، دما و فشار ماده دوم هستند و خروجی شبکه عصبی ثابت تعادل دی اکسید کربن است. طراحی بهینه برای شبکه عصبی، شبکه پیش خور با الگوریتم پس انتشار خطا با تابع آموزش انتشار رو به عقبلونبرگ مارکوارت ، تابع انتقال تانژانت هایپربولیک برای لایه مخفی و تابع انتقال خطی برای لایه خروجی است. شبکه عصبی مدلشده دارای 6 ورودی، 11 نرون در لایه مخفی و یک نرون در لایه خروجی است. نتایج نشان می دهند که توسط شبکه عصبی می توان مقادیر ثابت تعادل را با ضریب همبستگیR2 برابر0/99988درصد میانگین انحراف نسبیARD%برابر0/3081 و ریشه میانگین مربع خطاRMSEبرابر0/0033 پیش بینی کرداین نتایج نشان می دهند که شبکه عصبی از توانایی بالایی برای پیش بینی و درونیابی داده های ثابت تعادل کربن دی اکسید برخوردار است.

Keywords:

شبکه عصبی , ثابت تعادل , کربن دی اکسید , تابع انتقال تانژانت هایپربولیک , نرون بهینه

Authors

سوده المعی

دانشجوی کارشناسی ارشد شیمی، دانشگاه تبریز

علی ترجمان نژاد

دانشجوی دکتری مهندسی شیمی، دانشگاه تبریز

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 :
  • هماندیشان چرخه علم و صنعت 1392 ...
  • A. Habibi, M. Esmailian, Prediction Partial Molar Heat Capacity at ...
  • F. Ghaderi, A.H. Ghaderi, B. Najafi, N. Ghaderi, Viscosity prediction ...
  • diffusional neural networks, J. Mol. Liq. 175 (2012) 85-90. G. ...
  • A viscosity equation of state for R134a through _ muli-layer ...
  • H. Golmohammad i, Z. Dashtbozorgi, W.E. Acree, Prediction of Heat ...
  • H. Kurt, M. Kayfec, Prediction of thermal conductivity of ethylene ...
  • J.A. Lazzus, Prediction of solid vapor pressures for organic and ...
  • K.W. Cheng, S.J. Kuo, M. Tang, Y.P. Chen, Vapor- liquid ...
  • L. Govindarajan, PL. Sabarathinam, Prediction of Vapor-liquid Equilibrium Data by ...
  • Zein olab ediniHezave, H. Farmani, Use of artificial neural networks ...
  • M. Moosavi, N. Soltani, Prediction of hydrocarbon [12] densities using ...
  • M.C. Iiuta, I. Iliuta, F. Larachi, Vapour-liquid [13] equilibrium data ...
  • Perry, D. Green (Eds.), "Perry Chemical Engineers [14] Handbook", 7th ...
  • R. Eslamloueyan, M.H. Khademi, Estimation [15] of thermal conductivity of ...
  • R. Haghbakhsh, H. Adib, P. Keshavarz, M. [16] Koolivand, S. ...
  • predictions, Comput. Chem. Eng. 23 (1999) 385- 390. ...
  • S. Laugier, D. Richon, Use of artificial neural [18] networks ...
  • S. Mohanty, Estimation of vapour liquid equilibria [19] for the ...
  • S. Mohanty, Estimation of vapour liquid equilibria [20] of binary ...
  • S. Urata, A. Takada, J. Murata, T. Hiaki, A. Sekiya, ...
  • S.S. Shyam, B. Oon-Doo, M. Michele, Neural [22] networks for ...
  • نمایش کامل مراجع