انتخاب صفحه

فهرست مطالب

فصـل اول : مقدمه وکلیات تحقیق

فشار بخار خاصیت ترمودینامیکی مهمی در بسیاری از فرآیند های مختلف مهندسی شیمی نظیر تعادل شیمیایی، تقطیر ، تبخیر و مانند آنها به شمار می رود. تعیین این مشخصه می تواند به محاسبه مشخصات مهم دیگری نظیر انتالپی تبخیر بیانجامد. در صنایع نفت وگاز هم تعیین فشار بخار دارای اهمیت ویژه ای می باشد. در این حوزه در دو مورد عمده با فشار بخار برخورد می شود؛ یکی از این موارد، فشار بخار در مخازن می باشد. یکی از روش های مهم برای تقسیم بندی انواع مخازن نگهداری سیالات در صنعت نفت و گاز، تقسیم بندی آنها بر اساس فشار بخار سیالات مورد نظر می باشد. برای هر محدوده از فشار بخار مواد (فشار پایین، فشار متوسط، فشار بالا) از انواع مخصوصی از مخازن استفاده می شود. به عنوان مثال برای سیالات با فشار بخار پایین، از مخازن سقف ثابت استفاده می شود. برای سیالات با فشاربخار متوسط، مخازن سقف متحرک یا به عبارتی سقف شناور مورد استفاده قرار می گیرد.فشار بخار محصولات مایع، از دیگر مواردی است که در صنعت مورد اندازه گیری واقع می شود. یکی از راههای اندازه گیری غیر مستقیم میزان سرعت تبخیر حلال های نفتی فرار، فشار بخار آن ها می باشد.محصولات تولیدی پالایشگاه نیز می بایست دارای مشخصات ویژه ای بوده و استانداردهایی در آن ها رعایت شده باشد تا در بازارهای جهانی امکان حضور و فروش خوب داشته باشد. بر همین اساس میزان فشاربخار از جمله مهمترین خصوصیت های مورد توجه است که علاوه بر کیفیت و قیمت از نقطه نظر ایمنی هنگام انتقال و ذخیره سازی نیز بسیار مهم می باشد و همواره مورد آزمایش و کنترل واقع می شود. از این رو اهمیت تعیین دقیق فشاربخار سیالات در حوزه صنایع نفت برکسی پوشیده نیست.

1-2-تعریف فشار بخار

 فشار بخار به صورت فشار جزئی اعمال شده توسط بخار بالای سطح مایع تعریف می شود که این بخار در یک دمای معینی با مایع به تعادل می رسد. زمانی که لحظه ی تعادل نزدیک می شود، تعداد مولکول های بخار شده با تعداد مولکول های متراکم شده برابر می شود. در واقع سرعت تبخیر با سرعت تراکم برابر می گردد و فشار مشخص شده در این حالت، فشار بخار آن مایع در آن دما است.

1-3-1- ماهیت مایع

مایعاتی که دارای نیروهای بین مولکولی ضعیفی هستند، فرارترند و فشار بخار بالاتری دارند. برای مثال، فشار بخار اتیل الکل بیشتر از فشار بخار آب است.

1-3-2-دمای مایع

فشار بخار با افزایش دما، افزایش می یابد. این مسئله بدین علت است که با افزایش دما، سرعت تبخیر نیز، افزایش می یابد.

1-4-بیان مسأله

فشار بخار مواد مختلف  از جمله خواص مورد نیاز برای انجام محاسبات مهندسی شیمی نظیر محاسبات تعادلی و عملیات واحد مهندسی شیمی است که پژوهشهای فراوانی در مورد آن  در حال انجام است. رایج ترین روش های تعیین فشاربخار شامل اندازه گیری های آزمایشگاهی، معادله های حالت، روابط تجربی و روابط بر مبنای قانون حالت های متناظر می باشند. ضرورت محاسبه فشاربخار با استفاده از روابط ریاضی زمانی افزایش می یابد که داده های آزمایشگاهی در دسترس نباشد. از آنجایی که شرایط بسیاری از فرایندهای شیمیایی به گونه ای است که عملاً تعیین فشار بخار مواد به صورت تجربی امکان پذیر نمی باشد و اندازه گیری آن در برخی فشارها ودماهای خاص سخت ومقادیر به دست آمده خیلی قابل اعتماد نیست، لذا ارائه مدل ها و روشهای پیش بینی فشار بخار، سهم عمده ای در تعیین این خاصیت ترمودینامیکی خواهند داشت. بنابراین روشهای پرشماری برای پیش بینی این مشخصه  ارائه شده اند و هر ساله روش های جدیدتری معرفی و یا روشهای قدیمی تصحیح می شوند.

1-5-توجیه ضرورت انجام تحقیق

از آنجایی که بسیاری از روابط تجربی ویا روابط حالت های متناظر دارای محدودیت هایی در تعیین فشار بخار هستند و برای تعیین فشار بخار در تمام محدوده دمایی مورد نیاز قابل استفاده نیستند ودقت قابل قبولی ندارند از این رو استفاده از روش های جدیدی که به دور از این محدودیت ها باشند ،توصیه می گردد. یکی از روش های مدلسازی که در سالهای اخیر مورد توجه بسیاری از محققین در علوم مختلف واقع شده است، مدلسازی به روش شبکه عصبی مصنوعی می باشد. شبکه های عصبی مصنوعی به عنوان زیر مجموعه ای از روش های هوش مصنوعی، با ساختار و عملکردی شبیه به مغز انسان در طیف وسیعی برای حل بسیاری از مسائل شامل ارزیابی، بهینه سازی، پیش بینی، تشخیص و کنترل مورد استفاده قرار می گیرند. یکی از مزیت های استفاده از شبکه های عصبی مصنوعی نسبت به مدل های قدیمی این است که نیازمند تعیین یک تابع خاص برای بیان رابطه میان داده های ورودی و خروجی نیست.  رابطه بین داده های ورودی و خروجی ازطریق فرایند آموزش به دست می آید.

1-6-اهداف تحقیق

  • مطالعه روش های مختلف برای محاسبه فشار بخار
  • بررسی میزان دقت و چگونگی اعمال روش های موجود برای محاسبه فشار بخار مواد مختلف
  • ارتقای روش های پیش بینی فشار بخار با اعمال روش نوین شبکه عصبی و مقایسه آن با روش های قدیمی
  • ارزیابی نتایج حاصل از مدل سازی به وسیله شبکه ی عصبی با داده های تجربی و بررسی دقت آن

1-7-مراحل انجام تحقیق

در بخش اول این پایان نامه روش های مختلف برای محاسبه فشار بخار بصورت جامع و کامل مورد بررسی قرار گرفت و پارامترهای هریک از روابط ، دقت تخمین فشار بخار و محدوده مطلوب دمایی هرکدام از روش ها ذکر گردید.در بخش دوم  به معرفی وبررسی روش شبکه عصبی  به عنوان یک روش محاسباتی دقیق برای پیش بینی فشار بخار مواد پرداخته شد. در این مرحله از پایان نامه، مدل شبکه عصبی مصنوعی به عنوان روش تحقیق، بررسی شد و توضیحات جامعی از این روش و کاربردها  و ویژگی های آن و چگونگی اعمال این روش برای پیش بینی فشاربخار مواد ارائه شد.در بخش سوم پایان نامه، روش نوین شبکه عصبی برای پیش بینی دقیق تر فشار بخار چندین گروه از مواد اعمال شد و شبکه عصبی مطلوب طراحی و نتایج حاصل از مدلسازی توسط روش شبکه عصبی مصنوعی برای گروههای مختلف مواد ارائه گردید. در این بخش با استفاده از منابع معتبر و داده های تجربی مورد اعتماد، میزان دقت و چگونگی اعمال مدل های مرسوم مختلف برای تخمین فشاربخار بررسی شد. در ادامه سعی شد تا کارایی روش های مختلف پیش بینی فشار بخار مواد در شرایط و برای مواد مختلف مورد بررسی قرار گیرد . در خاتمه نتایج به دست آمده از تحقیق حاضر و پیشنهادهایی برای تحقیقات آتی ارائه شده است.

1-8-ساختار تحقیق

کاربردی ترین و معروف ترین روابط محاسبه فشار بخار در فصل دوم پایان نامه ذکر گردید. در این فصل، هشت رابطه معرفی وبررسی گردید. در ادامه، پیشینه استفاده از روش شبکه عصبی برای تعیین خواص ترمودینامیکی مواد از جمله فشار بخار ترکیبات  مختلف بیان شد. از مهم ترین ویژگی های شبکه های عصبی مصنوعی وابسته نبودن آن ها به فرضیه های اولیه درباره داده های ورودی است؛ به این معنا که داده های ورودی می توانند هرگونه توزیع آماری دلخواهی داشته باشند  این ویژگی مهم شبکه های عصبی امتیاز ویژه آن ها در مقابل روش های آماری است و به آن ها این توانایی را می دهدکه به طور یکسان از انواع مختلف داده های ورودی با هر توزیع دلخواه استفاده کنند.حاصل تحقیقات و پژوهش های صورت گرفته طی سالهای اخیر برای پیش بینی و تخمین خواص فیزیکی و ترمودینامیکی با استفاده از انواع مدل های شبکه عصبی مصنوعی،در این فصل ارائه شده است.در فصل سوم، ساختار شبکه عصبی به طور کامل تشریح گردید. انواع شبکه های عصبی ، الگوریتم های آموزش شبکه ومراحل کار با شبکه عصبی برای رسیدن به هدف مورد نظر بیان شد.در فصل چهارم، مراحل آموزش و تست شبکه عصبی برای 4 گروه از مواد اعمال شد.تعداد 176 داده از گروه هیدروکربن های آروماتیکی، 254 داده از گروه آلکان ها و آلکن ها ، 202 داده از گروه الکل ها و 224 داده از گروه آلکیل سیکلو هگزان ها در این تحقیق مورد استفاده قرار گرفته است. هرکدام از گروه های بالا به طور جداگانه به شبکه معرفی شد ونتایج عملکرد شبکه برای هر خانواده از مواد ارائه گردید. مراحل رسیدن به بهترین ساختار شبکه، به تفکیک بیان شد ونتایج حاصل از مدلسازی فشاربخار مواد توسط شبکه عصبی، با روش ها و روابط ریاضی موجود مقایسه گردید و میزان خطای هریک از روش ها و همینطور مدل شبکه عصبی مصنوعی، تعیین گردید. در ادامه بهترین نتیجه ازیافته ها ومحاسبات این تحقیق، ارائه گردید.

1-1-مقدمه………………………………………………………………….. 2

1-2-تعریف فشار بخار……………………………………………………… 2

1-3–عوامل مؤثر برفشار بخار…………………………………………………………… 3

1-3-1-ماهیت مایع…………………………………………………………… 3

1-3-2-دمای مایع…………………………………………………………………… 3

1-4-بیان مسأله…………………………………………………………………. 3

1-5-توجیه ضرورت انجام تحقیق……………………………………………… 4

1-6-اهداف تحقیق………………………………………………………………………… 4

1-7-مراحل انجام تحقیق………………………………………………………………….. 4

1-8-ساختار تحقیق……………………………………………………………………….. 5

خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی وتست برای هیدروکربن های آروماتیکی

خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی وتست برای هیدروکربن های آروماتیکی

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل دوم:ادبیات و پیشینه تحقیق.

داده های فشار بخار تجربی که تمام محدوده فشار بخار را پوشش دهند بسیار ارزشمند هستند اما به دلیل فقدان اندازه گیری های دقیق فشار بخار برخی از مواد در نزدیکی نقطه سه گانه و بحرانی،  معادله هایی که قادر به پیش بینی فشاربخار در چنین شرایطی باشند بسیار حائز اهمیت می باشند. در این فصل به بررسی و معرفی روشهای متداول پیش بینی فشار بخار مواد مختلف پرداخته می شود و روابط و معادله هایی که طی سالهای متمادی توسط نویسندگان و محققین پیشنهاد شده است ارائه می گردد. پارامترهای هریک از روابط، دقت پیش بینی و محدودیت های استفاده از آنها به تفکیک توضیح داده خواهد شد. معادله های فشار بخار پرشماری منتشر شده است که از این بین، بهترین انواع شناخته شده عبارتند از :‌کلازیوس-کلاپیرون[1] ، آنتوان[2] ، فراست – کالکوارف[3] ، کاکس[4] ،‌گومز – تودوس[5] ، لی – کسلر[6] ، واگنر[7] ،‌آمبروز – والتون[8] ، ریدل[9] ولمون – گودوین[10] ،آمبروز-پاتل[11] .در حالت کلی روابط فشار بخار ذکرشده، در یکی از دو گروه روابط تجربی یا روابط  بر مبنای قانون حالتهای متناظر دسته بندی می شوند.] 10 [در میان معادله های فشار بخار تجربی، معروف ترین ها ، معادله کلازیوس-کلاپیرون ،آنتوان ومعادله واگنر می باشند.از میان  روابط حالات متناظر ، روابط ریدل، لی-کسلر، آمبروز-پاتل و آمبروز-والتون، مورد توجه بسیاری از محققین قرار گرفتند ودر سالهای اخیر مبنای ارائه یک رابطه جدید برای تعیین فشاربخار مواد شدند.

2-1-مقدمه………………………………………………………………………. 8

2-2-روابط ریاضی تخمین وپیش بینی فشاربخار مواد مختلف……………………….. 9

2-2-1-معادله کلازیوس-کلاپیرون………………………………………………………… 9

2-2-2-معادله آنتوان…………………………………………………………………….. 10

2-2-2-1-محدودیت های معادله آنتوان……………………………………………….. 10

2-2-3-معادله آنتوان توسعه یافته……………………………………………………… 10

2-2-4-معادله واگنر…………………………………………………………… 11

2-2-4-1-محدودیت های معادله واگنر………………………………………………… 12

2-2-5-رابطه حالتهای متناظر ریدل……………………………………………. 12

2-2-6-معادله لی-کسلر…………………………………………………………………. 14

2-2-6-1-محدودیت های رابطه لی-کسلر…………………………………………… 15

2-2-7-معادله فشاربخار آمبروز-پاتل. ………………………………………………….15

2-2-7-1-ملاحظات معادله آمبروز-پاتل………………………………………………… 16

2-2-8-روش حالتهای متناظر آمبروز-والتون…………………………………………… 16

2-3-اهمیت روش های نوین پیش بینی و تخمین خواص مواد…………………….. 17

2-4-پیشینه روش شبکه های عصبی در تخمین خواص ترمودینامیکی………….. 18

2-5-پیش بینی فشاربخار مواد با استفاده از شبکه عصبی مصنوعی…………… 19

فشار بخار محاسبه شده توسط شبکه عصبی

فشار بخار محاسبه شده توسط شبکه عصبی

فصل سوم: روش تحقیق

در این فصل به معرفی و بررسی روش شبکه های عصبی به عنوان یک روش نوین برای پیش بینی فشار بخار مواد پرداخته خواهد شد. شبکه های عصبی از عناصر عملیاتی ساده ای ساخته می‌شوند که به صورت موازی در کنار هم عمل می کنند. ] 36 [ این عناصر از سیستم های عصبی زیستی الهام گرفته شده اند. در طبیعت ، عملکرد شبکه های عصبی از طریق نحوه اتصال بین اجزا تعیین می شود.] 37 [بنابراین ما می توانیم یک ساختار مصنوعی به تبعیت از شبکه های طبیعی بسازیم و با تنظیم مقادیر هراتصال، تحت عنوان وزن اتصال، نحوه ارتباط بین اجزای آن را تعیین نماییم. پس از تنظیم یا همان آموزش شبکه عصبی، اعمال  یک ورودی خاص به آن منجر به دریافت پاسخ خاصی می شود.از جمله مدلسازی غیرخطی ، کنترل فرآیند، مدلسازی پویا از فرآیندهای شیمیایی اشاره می شود.] 38 [همچنین از شبکه های عصبی می توان  به جای  تجهیزات گرانی که در گذشته در صنعت مورد استفاده بوده اند ، استفاده نمود. به عنوان مثال از شبکه های عصبی می توان برای پیش بینی مقدار گازهای خروجی از کوره در برخی از فرآیندهای صنعتی  استفاده نمود و نیز در زمینه نفت و گاز در بخش اکتشاف کاربردهای قابل قبولی دارد. کاربرد شبکه های عصبی در علوم یاد شده روز به روز در حال گسترش می باشد و هر روزه کاربرد جدیدی از این شبکه ها در مقالات معتبر توسط پژوهشگران  مطرح می گردد .امروزه از شبکه های عصبی  برای حل مسائل دشواری که حل آنها با روش های معمول دشوار می باشد، استفاده می کنند.به طورکلی شبکه عصبی مصنوعی را می‌توان به عنوان یک مدل ریاضی که توانایی مدلسازی و ایجاد روابط ریاضی غیرخطی برای درون‌یابی را دارد، خلاصه کرد.

3-2-تاریخچه پیدایش شبکه های عصبی مصنوعی

در سال 1943 مک کلوچ[1] وپیتز[2]، نخستین افرادی بودند که مغز را به عنوان یک ساختار محاسباتی مطرح نموده و با ارائه یک مدل ریاضی ساده از نرون های مصنوعی، شبکه های عصبی مصنوعی را با دید امروزی بیان کردند. ] 40 [ این مرحله درحقیقت نقطه شروع به کار شبکه های عصبی مصنوعی به حساب می آید. ایشان با ارائه شبکه مزبور نشان دادند که هر تابع جبری ومنطقی را می توان شبیه سازی نمود.اما نقص کارشان این بود که هیچ قانونی برای آموزش و تنظیم اجزای شبکه ارائه نکردند. در سال 1949 توسط دونالد هب[3] ، عمل شرط گذاری به عنوان روش آموزش ارائه شد. روزنبلات[4] وهمکاران در سال 1958 شبکه ای به نام پرسپترون تک لایه ((SLP را به همراه قانون آموزشی آن ارائه دادند که به عنوان اولین کاربرد عملی شبکه های عصبی مصنوعی می توانست الگوها را از یکدیگر شناسایی نماید. در سال 1960 ویدرو[5] شبکه ای مشابه با ساختار SLP و به نام شبکه تک لایه آدالاین[6] طرح وبا همکاری هوف[7]، قانون یادگیری حداقل میانگین مربعات ((LMS را ارائه نمود. شبکه های ارائه شده تا این زمان به سبب تک لایه بودن قادر به شناسایی الگوهای مستقل خطی بودند. از این رو سازندگان در صدد رفع این نقص برآمدند و شبکه های چند لایه را ارائه کردند. اما به دلیل تعمیم نیافتن قوانین یادگیری ارائه شده برای شبکه های جدید این شبکه ها همچنان ناقص باقی ماندند. ] 41 [در سال 1974 توسط وربز[8]، الگوریتم پس انتشار مطرح شد که با رشد و توسعه فناوری ریزپردازنده ها ایده های جدیدی راجع به شبکه های عصبی مصنوعی پدید آمد. ایده اول که شامل استفاده شبکه های پسخورد برای ذخیره سازی اطلاعات می باشد در سال 1982 توسط هاپفیلد[9] مطرح شد. دومین ایده که منجر به معرفی بیشتر و توسعه گسترده شبکه های عصبی مصنوعی بر مبنای همان الگوریتم پس انتشار شد.در سال های 1985 و 1986 توسط پارکر[10]،یان لی چان[11]،روملهارت[12]،هینتون[13]و ویلیامز[14] ارائه گردید.با بروز این دو ایده نوین بود که دنیای شبکه های عصبی مصنوعی متحول شد و جایگاه خود را در بین پژوهشگران علوم مختلف پیدا نمود. با توجه به پیچیدگی مغز و محدود بودن اطلاعات بیشتر از عملکرد آن، انتظار می رود با کشف حقایق بیشتری از ساختار عصب های طبیعی، پیشرفت های قابل توجهی در گستره شبکه های عصبی مصنوعی پدیدار شود.

3-3-1-قابلیت آموزش

این ویژگی در واقع توانایی شبکه در استخراج روابط حاکم بر یک پدیده پیچیده است که از طریق بررسی چند مورد مثال داده شده توسط شبکه صورت می گیرد. اهمیت این ویژگی در این است که کشف این روابط با یک الگوریتم معمولی ممکن نبوده ودر صورت امکان نیز به دقت ومراقبت زیادی نیاز دارند، به ویژه که دریک ساختار دارای قابلیت یادگیری، این امکان وجود دارد تا در صورت افزودن اطلاعات مربوط به رخدادها ومثال های بعدی پدیده مورد نظر، شبکه با ایجاد اندکی تغییر در شرایط محیطی و تعویض کلیه کارهای انجام شده قبلی، ساختارخود را با وضعیت جدید تنظیم نموده و با مختصر آموزشی که به آن داده شود، کارایی خود رابرای شرایط جدید حفظ نماید.

3-3-2-قابلیت تعمیم

در این مورد شبکه پس از ورود مثال های اولیه، در مقابل ورودی آموزش داده نشده نیز خروجی مناسب وقابل قبولی را ارائه می نماید، یعنی شبکه با یادگیری تابع، الگوریتم مربوطه را آموزش دیده و رابطه تحلیلی مناسبی از پدیده را به دست ِمی آورد که این مهم از طریق فرایند تعمیم صورت می پذیرد.

3-3-3-پردازش توزیعی

به منظور پیاده سازی شبکه به عنوان یک عملگر محاسباتی در قالب یک ساختار مناسب طراحی شده، نرون هایی که در یک تراز واقع می شوند در مقابل ورودی ها به طور همزمان پاسخ می دهند یعنی در این وضعیت، وظیفه پردازش اطلاعات داده شده به شبکه بین تمامی پردازشگرهای مستقل آن توزیع می گردد که منجر به افزایش سرعت پردازش داده ها توسط شبکه خواهد شد.

3-3-4-تحمل پذیری خطا

با توجه به اینکه در شبکه عصبی مصنوعی، هر نرون به طور مستقل و مجزا عمل کرده و حاصل رفتار تمامی نرون ها کارکرد شبکه را تشکیل می دهد، باعث خواهد شد طی این همکاری، خطاهای محلی در داده های ورودی بین نرون ها تصحیح شده و به خروجی آن تحمیل نگردد.از اینرو باعث می شود شبکه توانایی تحمل خطاهای بیشتری را پیدا نماید که صحت ودقت بیشتر خروجی آن را باعث می شود.

3-1-مقدمه…………………………………………………………………………….. 22

3-2-تاریخچه پیدایش شبکه های عصبی مصنوعی………………………………… 22

3-3-ویژگی های شبکه های عصبی مصنوعی………………………………………. 24

3-3-1-قابلیت آموزش………………………………………………………….. 24

3-3-2-قابلیت تعمیم…………………………………………………………………… 24

3-3-3-پردازش توزیعی(موازی)………………………………………………… 24

3-3-4-تحمل پذیری خطا………………………………………………………………. 25

3-4-ساختار شبکه‌ها‌ی عصبی مصنوعی…………………………………………… 25

3-4-1-مدل نرون با یک ورودی…………………………………………………. 25

3-4-2- مدل نرون با یک بردار به عنوان ورودی………………………………… 26

3-4-3-ساختار یک لایه از شبکه های عصبی………………………………………. 27

3-4-4-شبکه های چندلایه…………………………………………………………… 27

3-4-5-توابع انتقال…………………………………………………………………….. 28

3-4-5-1-تابع انتقال سخت محدود………………………………………………….. 29

3-4-5-2-تابع انتقال خطی…………………………………………………………… 29

3-4-5-3-تابع انتقال لگاریتمی سیگموئید………………………………………….. 30

3-4-5-4-تابع انتقال شعاع مبنا……………………………………………………….30

3-4-5-5-تابع انتقال آستانه ای خطی متقارن…………………………………….. 31

3-4-5-6-تابع انتقال تانژانت-سیگموئید……………………………………………. 31

3-5-روش های آموزش شبکه عصبی…………………………………………….. 32

3-6-قواعد یادگیری شبکه های عصبی…………………………………………… 32

3-6-1-قواعد یادگیری نظارت شده………………………………………………… 32

3-6-2-قواعد یادگیری غیرنظارتی………………………………………………….. 33

3-7- شبکه های عصبی پرسپترون………………………………………………… 33

3-7-1-محدودیت های شبکه پرسپترون…………………………………………... 34

3-8- شبکه های عصبی پیشخور…………………………………………………. 35

3-9-الگوریتم پس انتشار خطا …………………………………………………….36

3-10-آموزش شبکه های پس انتشار………………………………………….. 37

3-11-بیش برازش شبکه……………………………………………………….. 37

3-12-بهبود عمومیت شبکه…………………………………………………….. 38

3-13-پارامترهای اساسی برای طراحی یک شبکه عصبی…………………. 39

3-13-1-انتخاب مناسب ترین اطلاعات ورودی به شبکه……………………… 39

3-13-2-نحوه ورود داده ها………………………………………………………..39

3-13-3-تقسیم بندی داده ها…………………………………………………… 39.

3-13-4-انتخاب مناسب ترین تعداد نرون های لایه پنهان…………………….. 40

3-12-معیارهای ارزیابی کارایی مدل……………………………………………. 40

3-12-نرم افزار استفاده شده در این تحقیق………………………………….. 41

مدل شبکه های چندلایه

مدل شبکه های چندلایه

فصل 4: محاسبات و یافته های تحقیق

در این فصل روش نوین شبکه عصبی برای پیش بینی دقیق تر فشاربخار چندین گروه از مواد اعمال شد وشبکه عصبی مطلوب طراحی شد ونتایج حاصل از مدلسازی توسط روش شبکه عصبی مصنوعی  برای گروههای مختلف مواد شامل هیدروکربن های آروماتیکی، آلکان ها وآلکن ها، الکل ها وآلکیل سیکلو- هگزان ها ارائه گردید. هرکدام از گروه های بالا به طور جداگانه به شبکه معرفی شد ونتایج عملکرد شبکه برای هر خانواده از مواد ارائه گردید. مراحل رسیدن به بهترین ساختار شبکه، به تفکیک بیان شد و در ادامه نتایج حاصل از مدلسازی فشاربخار مواد توسط شبکه عصبی، با روش ها و روابط ریاضی موجود مقایسه گردید و میزان خطای 5 رابطه پر کاربرد و مرسوم آنتوان، واگنر، لی-کسلر، آمبروز-والتون و ریدل وهمینطور مدل شبکه عصبی مصنوعی، تعیین شد. درپایان بهترین نتیجه ازیافته ها ومحاسبات این تحقیق، ارائه گردید.به دلیل پراکندگی موجود در داده های ورودی و خروجی ، لازم است قبل از آموزش شبکه، داده ها نرمال سازی شوند. به همین منظور کلیه داده ها در بازه [-1,1] نرمال سازی شدند. داده های ورودی به شبکه به صورت تصادفی به سه مجموعه آموزشی، ارزیابی و تست تقسیم شدند. 70 % داده ها به مجموعه آموزشی و 15% داده ها به مجموعه ارزیابی و15% به مجموعه تست اختصاص  داده شدند.تحقیقات نشان می دهد شبکه های چند لایه پیشخور با الگوریتم پس انتشارخطا به صورت بالقوه قابلیت انجام هر گونه محاسبات خطی و غیر خطی  را دارا هستند و نیز قادر به ارائه روابط  بین هر ورودی  و خروجی با تعداد محدود ناپیوستگی می باشند . البته به این شرط که تعداد نرون کافی در لایه  پنهان  موجود باشد. بنابراین در این پژوهش از یک شبکه 3 لایه پیشخور با الگوریتم پس انتشار خطا بهره گرفته شد.برای یافتن حالت بهینه در ساختار شبکه، توابع انتقال مختلفی از جمله تابع لگاریتمی-سیگموئید وتابع خطی و همچنین تابع تانژانت-سیگموئید مورد بررسی قرار گرفت و مشخص شد مدلهایی با یک لایه پنهان وتابع انتقال تانژانت-سیگموئید در این لایه و تابع انتقال خطی در لایه خروجی، کمترین خطاها را نشان می دهند. بنابراین برای پیش بینی فشاربخار یک شبکه پس انتشارپیشخور با تابع انتقال تانژانت سیگموئید در لایه پنهان و تابع انتقال خطی در لایه خروجی طراحی شده است. الگوریتم مورد استفاده جهت آموزش شبکه، لونبرگ-مارکوارت می باشد که نسبت به سایر الگوریتم ها از کارایی و دقت وسرعت بالاتری برخوردار است.عمل پردازش اطلاعات و یافتن ارتباط بین ورودی و خروجی در لایه پنهان صورت می گیرد. روش مشخصی برای تخمین تعدادنرون های این لایه وجود ندارد. از این رو ساختار شبکه عصبی  ، با روش سعی و خطا و با هدف رسیدن به حداقل خطا برای داده های آموزشی و ارزیابی و تست تعیین گردید.

4-1-مقدمه………………………………………………………………………. 43

4-2-طراحی شبکه عصبی مصنوعی برای هیدروکربن های آروماتیکی…… 43

4-3- طراحی شبکه عصبی مصنوعی برای آلکان ها و آلکن ها……………. 52

4-4- طراحی شبکه عصبی مصنوعی برای الکل ها ………………………….6

4-5- طراحی شبکه عصبی مصنوعی برای آلکیل سیکلو هگزان ها……… 68

مدل نرون با R ورودی

مدل نرون با R ورودی

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل پنجم: نتیجه گیری و پیشنهادها 77

حاصل این پژوهش، ارتقای روش های پیش بینی و تخمین فشاربخار مواد به عنوان یک خاصیت ترمودینامیکی مهم در طراحی تجهیزات فرایندی و عملیات واحد مهندسی شیمی می باشد. در پژوهش حاضر، یک مدل شبکه عصبی مصنوعی ارزیابی و بررسی گردید

بررسی تأثیر استفاده از پارامترهای ورودی مدل نشان داد که مدلی با 4 ورودی شامل دما،دمای بحرانی، فشار بحرانی و ضریب بی مرکزی دقیق ترین مدل است. آزمون تعداد نرون های مختلف در لایه پنهان نیز نشان داد که بهترین مدل شبکه عصبی در این بررسی، یک مدل با 4 نرون در لایه ورودی و 12 نرون در لایه پنهان برای هیدروکربن های آروماتیکی،10 نرون در لایه پنهان برای الکل ها و 20 نرون در لایه پنهان برای آلکان ها و آلکن ها و 15 نرون لایه پنهان برای آلکیل سیکلوهگزان ها  می باشد. تابع انتقال تانژانت سیگموئید در لایه پنهان و خطی در لایه خروجی مناسب ترین ساختار برای طراحی شبکه است.

5-1-نتیجه گیری…………………………………………………………………. 78

5-2-پیشنهادات برای تحقیقات آتی…………………………………………… 79

مراجع…………………………………………………………………………….. 80

چکیده انگلیسی…………………………………………………………………86

نمایی از مدل نرون تک ورودی

نمایی از مدل نرون تک ورودی


 Abstract

Vapor pressure is an important thermodynamic property in the design of process equipment and unit operations in chemical engineering. Hence, the experimental vapor pressure data to cover the entire range of vapor pressures are very valuable, but because of the lack of exact measurements vapor pressure for some material near the triple point and the critical point, equations that are able to predict vapor pressure in such conditions are very important. Because of the limitations found in many existing methods, new methods away from these limitations are recommended. Neural networks are used in recent years to perform the chemical engineering calculations. In this study, an artificial neural network model is used to predict the vapor pressure of the materials. Four group of materials which are studied in this work consist of hydrocarbons aromatics, alkanes and alkenes, alcohols and alkyl cyclohexane. The most appropriate type of artificial neural network to predict the material vapor pressure is a three-layer feedforward network with back propagation algorithm with the tangent sigmoid transfer function in the hidden layer and a linear transfer function in the output layer is employed . Network parameters are temperature, critical temperature, critical pressure and acentric factor. The required data to train and test the network were collected from experimental reliable values. Error values of  neural network were compared  with error values obtained from different estimation methods for prediction of vapor pressure . Simulation results show that the neural network was able to provide accurate predictions of the vapor pressure of materials and its accuracy was higher than the other methods.



بلافاصله بعد از پرداخت به ایمیلی که در مرحله بعد وارد میکنید ارسال میشود.


فایل pdf غیر قابل ویرایش

قیمت25000تومان

خرید فایل word

قیمت35000تومان