ارتقای روش های مختلف پیش بینی فشار بخار مواد مختلف
دانلود پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف
چکیده
فشار بخار یک خاصیت ترمودینامیکی مهم در طراحی تجهیزات فرایندی و عملیات واحد مهندسی شیمی است. از این رو،داده های فشاربخار تجربی که تمام محدوده فشار بخار را پوشش دهند خیلی ارزشمند هستند اما به دلیل فقدان اندازه گیری های دقیق برای فشاربخار برخی از مواد در نزدیکی نقطه سه گانه و بحرانی، معادله هایی که قادر به پیش بینی فشاربخار در چنین شرایطی باشند بسیار حائز اهمیت می باشنداما به دلیل شرایط ومحدودیت های موجود در بسیاری از روابط موجود، استفاده از روش های جدیدی كه به دور از این محدودیت ها باشند ،توصيه مي گردد.یکی از روش های عددی که در سالهای اخیر جایگاه خاصی در محاسبات مهندسی شیمی پیدا کرده است، روش محاسبه بر اساس شبکه های عصبی می باشد.در این پژوهش، با استفاده از روش شبکه های عصبی مصنوعی، مدلی برای پیش بینی فشار بخار مواد مختلف ارائه شد.در کارحاضر،از ۴ گروه از مواد شامل هیدروکربن های آروماتیکی،آلکان ها و آلکن ها، الکل ها و آلکیل سیکلوهگزان ها استفاده شد.مناسب ترین نوع شبکه عصبی مصنوعی برای پیش بینی فشاربخار این مواد، یک شبکه سه لایه پيشخور با الگوریتم پس انتشارخطا مي باشد كه در آن از تابع انتقال تانژانت سيگموئيد در لایه پنهان و تابع انتقال خطي در لایه خروجي بهره گرفته شده است . پارامترهای ورودی شبکه عبارتند از: دما، دمای بحراني، فشاربحراني و ضریب بي مركزی. داده های مورد نياز جهت آموزش وتست شبکه از مقادیرمعتبر آزمایشگاهي گردآوری شدند.ميزان خطای روش شبکه عصبي با مقادیر خطای حاصل از روش ها ی مختلف تخمين فشاربخار مقایسه شد. نتایج شبيه سازی نشان مي دهند كه روش شبکه عصبي توانسته پيش بيني دقيقي از فشاربخار مواد ارائه دهد و از دقت بالاتری نسبت به سایر روش ها برخوردار است.
کلمات کلیدی : فشار بخار، مدل سازی، پیش بینی خواص ترمودینامیکی، روش های هوشمند
فهرست مطالب
صفحه عنوان
فصـل اول : مقدمه وکلیات تحقیق.. ۱
۱-۵-توجیه ضرورت انجام تحقیق.. ۴
فصل دوم:ادبیات و پیشینه تحقیق.. ۷
۲-۲-روابط ریاضی تخمین وپیش بینی فشاربخار مواد مختلف.. ۹
۲-۲-۱-معادله کلازیوس-کلاپیرون. ۹
۲-۲-۲-۱-محدودیت های معادله آنتوان. ۱۰
۲-۲-۳-معادله آنتوان توسعه یافته. ۱۰
۲-۲-۴-۱-محدودیت های معادله واگنر. ۱۲
۲-۲-۵-رابطه حالتهای متناظر ریدل. ۱۲
۲-۲-۶-۱-محدودیت های رابطه لی-کسلر. ۱۵
۲-۲-۷-معادله فشاربخار آمبروز-پاتل. ۱۵
۲-۲-۷-۱-ملاحظات معادله آمبروز-پاتل. ۱۶
۲-۲-۸-روش حالتهای متناظر آمبروز-والتون. ۱۶
۲-۳-اهمیت روش های نوین پیش بینی و تخمین خواص مواد. ۱۷
۲-۴-پیشینه روش شبکه های عصبی در تخمین خواص ترمودینامیکی.. ۱۸
۲-۵-پیش بینی فشاربخار مواد با استفاده از شبکه عصبی مصنوعی.. ۱۹
۳-۲-تاريخچه پیدایش شبکه های عصبي مصنوعی.. ۲۲
۳-۳-ویژگی های شبکه های عصبی مصنوعی.. ۲۴
۳-۴-ساختار شبکههاي عصبي مصنوعی.. ۲۵
۳-۴-۱-مدل نرون با یک ورودی.. ۲۵
۳-۴-۲- مدل نرون با یک بردار به عنوان ورودی.. ۲۶
۳-۴-۳-ساختار یک لایه از شبکه های عصبی.. ۲۷
۳-۴-۵-۱-تابع انتقال سخت محدود. ۲۹
۳-۴-۵-۳-تابع انتقال لگاریتمی سیگموئید. ۳۰
۳-۴-۵-۴-تابع انتقال شعاع مبنا ۳۰
۳-۴-۵-۵-تابع انتقال آستانه ای خطی متقارن. ۳۱
۳-۴-۵-۶-تابع انتقال تانژانت-سیگموئید. ۳۱
۳-۵-روش های آموزش شبکه عصبی.. ۳۲
۳-۶-قواعد یادگیری شبکه های عصبی.. ۳۲
۳-۶-۱-قواعد یادگیری نظارت شده ۳۲
۳-۶-۲-قواعد یادگیری غیرنظارتی.. ۳۳
۳-۷- شبکه های عصبی پرسپترون. ۳۳
۳-۷-۱-محدودیت های شبکه پرسپترون. ۳۴
۳-۱۰-آموزش شبکه های پس انتشار ۳۷
۳-۱۳-پارامترهای اساسی برای طراحی یک شبکه عصبی.. ۳۹
۳-۱۳-۱-انتخاب مناسب ترین اطلاعات ورودی به شبکه. ۳۹
۳-۱۳-۴-انتخاب مناسب ترین تعداد نرون های لایه پنهان. ۴۰
۳-۱۲-معیارهای ارزیابی کارایی مدل. ۴۰
۳-۱۲-نرم افزار استفاده شده در این تحقیق.. ۴۱
فصل ۴: محاسبات و یافته های تحقیق.. ۴۲
۴-۲-طراحی شبکه عصبی مصنوعی برای هیدروکربن های آروماتیکی.. ۴۳
۴-۳- طراحی شبکه عصبی مصنوعی برای آلکان ها و آلکن ها ۵۲
۴-۴- طراحی شبکه عصبی مصنوعی برای الکل ها .۶
۴-۵- طراحی شبکه عصبی مصنوعی برای آلکیل سیکلو هگزان ها ۶۸
فصل پنجم: نتیجه گیری و پیشنهادها ۷۷
۵-۲-پيشنهادات برای تحقیقات آتی.. ۷۹
جدول ۴- ۱: مشخصات داده های تجربی درنظرگرفته شده برای هیدروکربن های آروماتیکی.. ۴۴
جدول ۴- ۲بررسی خطاوضریب تعیین ساختار مختلف شبکه های عصبی برای هیدروکربن های آروماتیکی.. ۴۶
جدول ۴- ۴: خلاصه شبکه عصبی طراحی شده برای گروه هیدروکربن های آروماتیکی.. ۵۲
جدول ۴- ۵: مشخصات داده های تجربی درنظرگرفته شده برای آلکان ها و آلکن ها ۵۳
جدول ۴- ۶: بررسی میزان خط و ضریب تعیین ساختار مختلف شبکه های عصبی برای آلکان ها و آلکن ها ۵۴
جدول ۴-۸: خلاصه شبکه عصبی طراحی شده برای گروه آلکان ها و آلکن ها ۶۰
جدول ۴- ۹: مشخصات داده های تجربی درنظرگرفته شده برای الکل ها ۶۱
جدول ۴- ۱۰: بررسی میزان خطا وضریب تعیین ساختار مختلف شبکه های عصبی برای الکل ها ۶۲
جدول ۴- ۱۱: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای الکل ها ۶۷
جدول ۴- ۱۲: خلاصه شبکه عصبی طراحی شده برای گروه الکل ها ۶۸
جدول ۴- ۱۳: مشخصات داده های تجربی درنظرگرفته شده برای آلکیل سیکلوهگزان ها ۶۹
جدول ۴- ۱۴: بررسی میزان خطا وضریب تعیین ساختارمختلف شبکه های عصبی برای آلکیل سیکلوهگزان ها ۷۰
جدول ۴- ۱۶: خلاصه شبکه عصبی طراحی شده برای گروه آلکیل سیکلو هگزان ها ۷۶
فهرست شکلها
عنوان صفحه
شکل ۳- ۱: نمایی از مدل نرون تک ورودی.. ۲۶
شکل ۳- ۲:مدل نرون با R ورودی.. ۲۷
شکل ۳- ۳:یک لایه از شبکه های عصبی.. ۲۷
شکل ۳- ۴: مدل خلاصه شده شبکه تک لایه. ۲۷
شکل ۳- ۵: مدل شبکه های چند لایه. ۲۸
شکل ۳- ۶: تابع انتقال سخت محدود. ۲۹
شکل ۳- ۷: تابع انتقال خطی.. ۲۹
شکل ۳- ۸: تابع انتقال لگاریتمی سیگموئید. ۳۰
شکل ۳- ۹: تابع انتقال شعاع مبنا ۳۰
شکل ۳- ۱۰: تابع انتقال آستانه ای خطی متقارن. ۳۱
شکل ۳- ۱۱:تابع انتقال تانژانت-سیگموئید. ۳۱
شکل ۳- ۱۲:یک نرون پرسپترون. ۳۴
شکل ۴- ۲: ساختار بهینه شبکه عصبی برای هیدروکربن های آروماتیکی.. ۴۷
شکل ۴- ۳: خطای مربعات میانگین شبکه در مراحل آموزش، ارزیابی و تست برای هیدروکربن های آروماتیکی.. ۴۸
شکل ۴- ۸: تغييرات ميزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای آلکان ها و آلکن ها ۵۵
شکل ۴- ۹: ساختار بهینه شبکه عصبی برای آلکان ها و آلکن ها ۵۵
شکل ۴- ۱۰: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای آلکان ها و آلکن ها ۵۶
شکل ۴- ۱۵: تغييرات ميزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای الکل ها ۶۳
شکل ۴- ۱۶: ساختار بهینه شبکه عصبی برای الکل ها ۶۳
شکل ۴- ۱۷: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای الکل ها ۶۴
شکل ۴- ۲۲: تغييرات ميزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای آلکیل سیکلوهگزان ها ۷۱
شکل ۴- ۲۳: ساختار بهینه شبکه عصبی برای آلکیل سیکلوهگزان ها ۷۱
شکل ۴- ۲۴: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای آلکیل سیکلوهگزان ها ۷۲
دیدگاهی بنویسید