پیش بینی همزمان دانسیته، ویسکوزیته و هدایت الکتریکی مایعات یونی آبگریز برپایهپرپدینیوم با استفاده از شبکه عصبی مصنوعی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 500

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

PFCONF02_117

تاریخ نمایه سازی: 7 اردیبهشت 1396

چکیده مقاله:

یک مدل شبکه عصبی مصنوعی ANN برای پیشبینی همزمان دانسیته، ویسکوزیته و هدایت الکتریکی مایعات یونی آبگریز بر پایه پرپدینیوم ارایه شده است. دادههای دانسیته، ویسکوزیته و هدایت الکتریکی از مقالات به دست آمدند و از یک شبکه عصبی مصنوعی سه لایهای پیشخور برای تخمین آنها استفاده شده است. مدل شبکه عصبی مصنوعی بهینه، دارای دو نرون در لایه ورودی، 10 نرون در لایه پنهان و سه نرون در لایه خروجی میباشد. این مدل دانسیته را با خطای مربعات میانگین (فرمول در متن اصلی مقاله) و حدتعیین R(2) 1/0000 ویسکوزیته را با خطای مربعات میانگین (فرمول در متن اصلی مقاله) و حد تعیین R(2) 0/9982 و هدایت الکتریکی را با خطای مربعات میانگین MSE (فرمول در متن اصلی مقاله) و حدتعیین R(2) 0/9999 پیش بینی می کند. نتایج به دست آمده نشان می دهد که پیش بین یهمزمان دانسیته ویکسوزیته، و هدایت الکتریکی مایعات یونی ابگریز بر پایه پریدینیوم با استفاده از شبکه عصبی مصنوعی به خوبی قابل انجام است.

نویسندگان

فرنگیس کیانفر

دانشجوی کارشناسی ارشد شیمی کاربردی ،دانشگاه آزاد اسلامی واحد گچساران ، دانشکده علوم پایه ،گچساران،ایران

اعظم وفایی

دکتری تخصصی شیمی، استادیار،عضو هیات علمی دانشگاه آزاد اسلامی واحد گچساران،دانشکده علوم پایه،گچساران،ایران

عبدالمحمد قایدی

دکتری تخصصی شیمی، استادیار،عضو هیات علمی دانشگاه آزاد اسلامی واحد گچساران،دانشکده علوم پایه،گچساران،ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • .Abbaspour. _ Baramakeh. L., (2005), Sinultaneous determination of antimony and ...
  • . Agrawal. V.K., Louis. B., Khadikar. P.V., (2010), Prediction of ...
  • . Akbari. E., Buntat. Z., Enzevaee. _ Ebrahimi. M., Yazdavar. ...
  • . Balabin. R.M., Lomakina. E.I., Safieva. R.Z., (2011), Neural network ...
  • . Beebe, K.R., Kowalski, B.R., (1987), Binding of tissue plasminogen ...
  • . Bereton, G., (1990), Chemometrics, Applications of Math ematics and ...
  • . Bishop, C.M., (1994), Neural networks and their applications. Reviews ...
  • . Blanco. M., Iturriaga. H., Maspoch. S., Porcel. M., (1999), ...
  • . Bordbar. M.M., Khajehsharifi. H., Solhjoo. A., (2015). PC-ANN assisted ...
  • . Cardone. M.J., (1986), New technique in chemical assay calculation. ...
  • . Dayhoff.I.E., (1990), Neural Networks Principles. Prentice-Hal International, U.S.A, 754. ...
  • . Demunt. H., Beale. M., (2003), Neural Network Toolbox for ...
  • . Erenturk, K., Erenturk, S., (2007), "Comparison of genetic algorithm ...
  • . Eleeman. J.L., (1990), Finding structure in time, Comparison Science, ...
  • . Eliassi. A., Modarress. H., Mansoori. A., (1998), Density of ...
  • . Liu, Q.S., Li, P.P., Welz-B iermann, U., Chen. J., ...
  • . Demunt. H., Beale. M., (2003), Neural Network Toolbox for ...
  • . Erenturk, K., Erenturk, S., (2007), "Comparison of genetic algorithm ...
  • نمایش کامل مراجع