تحلیلی بر ترکیب جدید روش درخت تصمیم بر اساس دو شبکه عصبی مصنوعیبرای پیش بینی انتقال رسوب در لوله های تمیز

شبکه های عصبی مصنوعی Artificial Neural Networks - ANN یا به زبان ساده تر شبکه های عصبی سیستم ها و روش هایمحاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش بینی پاسخ های خروجیاز سامانه های پیچ یده هستند. ایده اصلی این گونه شبکه ها تا حدودی الهام گرفته از شیوه کارکرد سیستم عصبی زیستی برایپردازش داده ها و اطلاعات به منظور یادگیری و ایجاد دانش می باشد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برایسامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهمپیوسته با نام نورون تشکیل شده کهبرای حل یک مسئله با هم هماهنگ عمل می کنند و توسط سیناپس ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه سلول ها می توانند نبود آن را جبران کرده، و نیز در بازسازی آن سهیم باشند.این شبکه ها قادر به یادگیری اند؛ مثلا با اعمال سوزش به سلول های عصبی لامسه، سلول ها یاد می گیرند که به طرف جسم داغنروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم ها به صورت تطبیقی صورتمی گیرد، یعنی با استفاده از مثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید، سیستمپاسخ درستی تولید کند. درخت تصمیم گیری Decision Tree یک ابزار برای پشت یبانی از تصمیم است که از درختها برایمدل کردن استفاده می کند. درخت تصمیم به طور معمول در تحقیق ها و عملیات مختلف استفاده می شود. به طور خاص در آنالیزتصمیم، برای مشخص کردن استراتژی که با بیشترین احتمال به هدف برسد، بکار می رود. استفاده دیگر درختان تصمیم، توصیفمحاسبات احتمال شرطی است. هیبرید جدید روش درخت تصمیم گیری بر پایه دو شبکه عصبی مصنوعی ANN ، یعنیپرسپترون چند لایه MLP و تابع پایه شعاعی RBF ، برای پیش بینی انتقال رسوب در لوله های تمیز (بدون رسوب) پی شنهادشده است. به منظور ساخت مدل ارائه شده در این مطالعه، پارامترهای موثر بر پیش بینی عدد فرود Fr از مرور ادبیاتاستخراج شده اند. اثر هر پارامتر ابتدا با استفاده از MLP و RBF و تحلیل حساسیت بررسی شد. با توجه به تحلیل حساسیت،مدل بهینه نشان می دهد که با استفاده از پارامترهای غلظت رسوب حجمی CV ، اندازه نسبی متوسط ذرات d / D ، و نسبتاندازه ذرات با قطر متوسط به شعاع هیدرولیک d / R بهترین نتایج پیش بینی Fr بدست می آید.

کلیدواژه ها:

مدل ترکیبی ، پرسپترون چند لایه ، تابع پایه شعاعی ، انتقال رسوب ، شبکه عصبی.