پیش بینی و تخمین ویسکوزیته مایعات خالص با استفاده از شبکه عصبی مصنوعی
- سال انتشار: 1393
- محل انتشار: سومین همایش ملی فن آوری های نوین شیمی و مهندسی شیمی
- کد COI اختصاصی: NCTCC03_073
- زبان مقاله: فارسی
- تعداد مشاهده: 1053
نویسندگان
کارشناسی ارشد مهندسی شیمی، دانشگاه آزاد کرمانشاه واحد علوم و تحقیقات
دکتری مهندسی شیمی، دانشگاه تبریز
کارشناسی ارشد مهندسی شیمی، دانشگاه صنعتی امیرکبیر
چکیده
در این مقاله روش نظری برای پیش بینی ویسکوزیته مایعات خالص در دماهای مختلف با استفاده از ساختار مولکولی آنها ارائه شده است ترکیبی از شبکه های عصبی مصنوعی و روش سهم گروهی برای تخمین ویسکوزیته مورد استفاده قرار گرفته است. برای تخمین ویسکوزیته 62 ماده شامل 1247 نقطه مورد بررسی قرار گرفته است. ویسکوزیته به عنوان تابعی از دما، جرم مولکولی، دمای بحرانی، فشار بحرانی و گروه های ساختاری موجود در ساختار مولکول ها تخمین زده شده است. 23 گروه ساختاری برای تعیین ویسکوزیته در نظر گرفته شده اند. طراحی بهینه ممکن برای شبکه عصبی، شبکه پیش خور با الگوریتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ مارکوارت، تابع فعال سازی تانژانت هایپریولیک برای لایه مخفی با 10 نرون در این لایه و تابع فعال سازی خطی برای لایه خروجی است. نتایج نشان می دهند که توسط شبکه عصبی بهینه شده می توان مقادیر ویسکوزیته را با ضریب همبستگی (R(2) برابر 0/9999 درصد میانگین انحراف نسبی (ARD%) برابر 0/782 و ریشه میانگین مربع خطا (RMSE) برابر 0/014 پیش بینی کرد. همچنین نتایج نشان می دهند که شبکه عصبی از توانایی بالایی برای پیش بینی و درونیابی داده های ویسکوزیته برای مواد خالص برخوردار است.کلیدواژه ها
ویسکوزیته، شبکه عصبی، روش سهم گروهی، ساختار مولکولیمقالات مرتبط جدید
- Synthesis and Characterization of Nitrogen-Doped Graphene Oxide/Iron Polyporphyrin Nanocomposite Material
- سنتز نانوکامپوزیت هیبریدی -۶۷-TisC۲Tx/ZIF به عنوان جاذب موثر در حذف آلاینده رنگی از پساب
- بررسی میانکنشهای درون مولکولی و بین مولکولی افی پروب طراحی شده برای شناسایی گیرنده HER۳ به منظور بهینه کردن ساختار آن
- Technological Advancements in BTEX Removal from Petrochemical Wastewater
- بررسی فرایندهای تجاری پلیمریزاسیون پلی ایزوبوتن لاستیک بوتیل
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.