پیش بینی جرم حجمی معادله دابرت با استفاده از شبکه عصبی

در این مقاله ، با استفاده از شبکه عصبی مصنوعی، مدلی برای پیش بینی جرم حجمی مایعات اشباع ا با استفاده از معادله دابرت، ارائه شده است.نحوه عملکرد شبکه عصبی پرسپترون چند لایه ای (MLP) در پیش بینی مقدار دانسیته مواد به کمک اطلاعات دمای بحرانی، فشار بحرانی، حجم بحرانی و جرم مولکولی مورد بررسی قرار گرفته است. در این پژوهش، 169 داده (هیدروکربن ساده) در دمای بین 280 تا 400 کلوین استفاده شد. مناسب ترین نوع شبکه عصبی مصنوعی برای پیش بینی جرم حجمی هیدروکربن ها، یک شبکه سه لایه پیشخور با الگوریتم پس انتشار خطا می باشد که در آن از تابع انتقال لگاریتمی – سیگموئید در لایه پنهان و تابع انتقال خطی در لایه خروجی بهره گرفته شده است. نتایج به دست آمده نشان می دهند که توسط شبکه عصبی بهینه طراحی شده می توان دانسیته را با ضرایب همبستگی (R2) برابر 0.9985 ، درصد میانگین انحراف نسبی (ARD) برابر 2.66% ، درصد میانگین انحراف مطلق (AAD) برابر 25.0201، درصد خطای متوسط نسبی (Bias) برابر با 0.0903 پیش بینی کرد

کلیدواژه ها:

شبکه های عصبی مصنوعی ، دما ، جرم مولکولی ، دانسیته ، هیدروکربن ها