Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
Publisher of Iranian Journals and Conference Proceedings
عنوان
Paper

Prediction of Polycyclic Aromatic Hydrocarbons Solubility in Supercritical Carbon Dioxide Using Artificial Neural Network (ANN) Model

تعداد صفحات: 1 | تعداد نمایش خلاصه: 106 | نظرات: 0
سال انتشار: 1397
کد COI Paper: CMTS02_227
زبان Paper: Englishglish
نسخه کامل Paper در کنفرانس ارائه نشده است و در دسترس نیست.

مشخصات نویسندگان Paper Prediction of Polycyclic Aromatic Hydrocarbons Solubility in Supercritical Carbon Dioxide Using Artificial Neural Network (ANN) Model

Mohammad Soleimani Lashkenari - Faculty of Engineering Modern Technologies, Amol University of Special Modern Technologies, Amol, Iran
Mohammad Bagheri - Faculty of Engineering Modern Technologies, Amol University of Special Modern Technologies, Amol, Iran

چکیده Paper:

The polycyclic aromatic hydrocarbons solubility in supercritical carbon dioxide is crucial in a wide range of applications such as extraction from polluted soils and catalytic hydrogenation in petrochemical industry [1]. In this paper an ANN model with 7 neurons in the hidden layer and 4 input properties (temperature, pressure, critical pressure, density and acentric factor) is proposed for the prediction of polycyclic aromatic hydrocarbons solubility in supercritical carbon dioxide. A total amount of 610 data for 11 polycyclic aromatic compounds were used for training and testing the network model. 75% of the whole data (458 data) allocated for training part and the rest (152 data) used as test data. Since the values of the solubility are near to zero, logarithmic data for solubility were used for analyses. Average absolute deviation (AARD) is selected as the criteria for the accuracy of the model and is calculated as follows: ????(%)= 100?∙Σ|??????−?????|???????=1 (1) Results show that the ANN model has an average absolute deviation (AARD) of 1.06%, 1.08%, and 1.01% for all, train and test data respectively. As can be seen in figure 1, the predicted values of proposed model are close to experimental data, Therefore ANN can be an appropriate tool for predicting polycyclic aromatic hydrocarbons solubility in supercritical carbon dioxide.

کلیدواژه ها:

ANN; polycyclic aromatic; hydrocarbons; solubility; supercritical carbon dioxide

کد Paper/لینک ثابت به این Paper

برای لینک دهی به این Paper می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت Paper در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/899619/

کد COI Paper: CMTS02_227

نحوه استناد به Paper:

در صورتی که می خواهید در اثر پژوهشی خود به این Paper ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
undefined, undefined و undefined, undefined,1397,Prediction of Polycyclic Aromatic Hydrocarbons Solubility in Supercritical Carbon Dioxide Using Artificial Neural Network (ANN) Model,دومین کنفرانس بین المللی فناوری های نوین در علوم,Amol,,,https://civilica.com/doc/899619

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این Paper اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1397, Soleimani Lashkenari, Mohammad؛ Mohammad Bagheri)
برای بار دوم به بعد: (1397, Soleimani Lashkenari؛ Bagheri)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

Research Info Management

Certificate | Report Paper

Export Citation info of this Paper to research management softwares

علم سنجی و رتبه بندی Paper

مشخصات مرکز تولید کننده این Paper به صورت زیر است:
نوع مرکز: state university
تعداد مقالات: 386
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

New RelatedPapers

Share this paper

WHAT IS COI?

COI is a national code dedicated to all Iranian Conference and Journal Papers. the COI of each paper can be verified online.

Support