بررسی حلالیت پلیمر زیست تخریب پذیر در حلال فوق بحرانی کربن دی اکسید با استفاده از شبکه های عصبی
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 1,042
This Paper With 24 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
CHECONF03_491
Index date: 4 December 2016
بررسی حلالیت پلیمر زیست تخریب پذیر در حلال فوق بحرانی کربن دی اکسید با استفاده از شبکه های عصبی abstract
در سالهای اخیر با توجه به معضلات زیست محیطی که جامدهای باقیمانده در محیط و به ویژه مواد پلاستیکی غیر قابل تجزیه ایجاد کرده است توجه به پلیمرهای زیست تخریب پذیر روز افزون شده است. در سالهای اخیر استفاده از سیال فوق بحرانی برای گسست دیواره سلولی میکروارگانیسمهای مورد توجه جدی واقع شدهاست. در این میان آن چیزی که موجب شده است که استفاده از سیال فوق بحرانی در استخراج PHB و کلیه مواد به طور فراگیر در نیاید، عدم وجود مدلهای ترمودینامیکی مناسب برای پیش بینی حلالیت مواد در سیال فوق بحرانی است شبکه عصبی مصنوعی به عنوان یک روش نوین در مدلسازی و پیش بینی فرایندهای که برای شناخت و توصیف دقیق آنها راه حل و رابطه صریحی وجود نداشته موفق بواده است این تحقیق با هدف بررسی کارایی شبکه عصبی مصنوعی در برآورد حلالیت پلیمر زیست تخریب پذیر در سیال فوق بحرانی CO2 انجام گرفت بدین ترتیب ابتدا اندازه گیری حلالیت توسط دستگاه SFE/SFC مدل MPS/225از شرکت Suprex وPA Pittsburgh انجام شد در ادامه برای صحت سنجی نتایج از مدل ترمودینامیکی PR به همراه قوانین اختلاط ون در والس برای پیش بینی حلالیت پلیمر در سیال فوق بحرانی استفاده گردیده شد. برای پیش بینی حلالیت از شبکه های عصبی استفاده شد بدین منظور شبکه عصبی با ساختار پرسپترون چند لایه برای تدوین مدل برآورد حلالیت در سیال فوق بحراین به کار گرفته شد برای طراحی ساختار مدل، با تغییر پارامترهای قابل تنظیم، شامل تابع انتقال، قانون آموزش، مقدار مومنتم ، تعداد لایه پنهان، تعداد نرون لایه پنهان شبکه های عصبی مختلف ساخته و اجرا شد در هر مورد، ساختاری که بیشترین مقدار ضریب همبستگی را داشت به عنوان مدل نهایی انتخاغب گردید از آنجا که انتخاب هریک از پارامترهای متغیر شبکه عصبی مستلزم آزمون و خطاهای مکرر و در نتیجه آموزش تعداد زیادی شبکه با ساختار مختلف بود، از روش الگوریتم ژنتیک برای بهینه یابی این پارامترها استفاده شد و کارایی این روش در بهینه سازی شبکه عصبی بررسی گردید نتایج نشان داد، شبکه عصبی در مدلسازی و براورد حلالیت از دقت بالایی برخوردار است همچنین تلفیق آن با الگورتیم ژنتیک برای بهینه سازی شرایط اجرای شبکه عصبی مثبت ارزیابی گردید و روش تلفیقی در اکثر موارد برتری خود را نسبت به اجرای شبکه عصبی بدون بهینه سازی نشان داد دقیقترین مدل با استفاده از تابع انتقال سیگموئید و قانون آموزش لونبرگ مارکوارت حاصل گردید. مشاهده های موجود نشان داد که استفاده از شبکه های عصبی میتواند برای پیش بینی حلالیت پلیمر زیست تخریب پذیر پلی هیدروکسی بوتیرات بسیار
بررسی حلالیت پلیمر زیست تخریب پذیر در حلال فوق بحرانی کربن دی اکسید با استفاده از شبکه های عصبی authors
سیداحمد علوی
دانشجوی کارشناسی ارشد مهندس شیمی ، گرایش پدیده انتقال دانشگاه آزاد اسلامی واحد تهران شمال
احمد حلاجی ثانی
استادیار دانشکده فنی کاسپین پردیس دانشکده های فنی دانشگاه تهران
نصراله مجیدیان
استادیار دانشگاه آزاد اسلامی واحد تهران شمال دانشکده مهندسی شیمی
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 :