پیش بینی و تخمین کشش سطحی مواد خالص با استفاده از شبکه عصبی – روش سهم گروهی

در این مقاله روش نظری برای پیش بینی کشش سطحی ترکیبات مایع 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 کشش سطحی مورد استفاده قرار گرفته است. برای تخمین کشش سطحی 50 ماده شامل 204 نقطه مورد بررسی قرار گرفته است. کشش سطحی به عنوان تابعی از دما، جرم مولکولی، دمای بحرانی، فشار بحرانی و گروه های ساختاری موجود در ساختار مولکول ها تخمین زده شده است. 19 گروه ساختاری برای برای تعیین کشش سطحی در نظر گرفته شدهاند. 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 هایپربولیک برای لایه مخفی با 11 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 کشش سطحی را با ضریب همبستگی (R2) برابر 0/9992، درصد میانگین انحراف نسبی (ARD%) برابر 0/897 و ریشه میانگین مربع خطا (RMSE) برابر 0/013 پیش-بینی کرد. همچنین نتایج نشان می دهند که شبکه عصبی از توانایی بالایی برای پیش بینی و درونیابی داده های کشش سطحی برای مواد خالص برخوردار است.

کلیدواژه ها:

کشش سطحی ، شبکه عصبی ، روش سهم گروهی ، ساختار مولکولی ، تابع فعال سازی