شماره ركورد :
735383
عنوان مقاله :
پيش‌بيني حلاليت اكسيژن در حلال هاي آلي با استفاده از شبكه عصبي مصنوعي
عنوان فرعي :
Prediction of Oxygen Solubility in Organic Solvents Using Artificial Neural Networks
پديد آورندگان :
ترجمان نژاد، علي نويسنده , , ياسمي، مهناز نويسنده ايلام، ايوان غرب، دانشگاه آزاد اسلامي واحد ايوان غرب Yasemi, Mahnaz
اطلاعات موجودي :
فصلنامه سال 1393 شماره 71
رتبه نشريه :
علمي پژوهشي
تعداد صفحه :
7
از صفحه :
49
تا صفحه :
55
كليدواژه :
تابع فعال‌سازي , حلال‌هاي آلي , حلاليت اكسيژن , شبكه عصبي , لونبرگ ماركوارت
چكيده فارسي :
در این مقاله یك شبكه عصبی مصنوعی برای محاسبه حلالیت اكسیژن در حلال‌های آلی مورد بررسی قرار گرفته است. حلال‌های بررسی شده شامل متانول، پروپانول، اكتان، تولوئن، دی اتیل اتر و 2-متیل تترا هیدروفورن هستند. داده‌ها برای بازه وسیعی از دما (K29/348 – 2/298) و فشار (MPa2338/9 - 0535/0) بررسی شده‌اند. ورودی‌های شبكه عصبی شامل جرم مولكولی، ضریب اسنتریك، دمای كاهیده و فشار كاهیده حلال مورد نظر هستند و خروجی شبكه عصبی حلالیت اكسیژن است. بهینه طراحی ممكن برای شبكه عصبی، شبكه پیش‌خور با الگوریتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ ماركوارت، تابع فعال سازی سیگمودی برای لایه مخفی با 13 نرون در این لایه و تابع فعال سازی خطی برای لایه خروجی است. نتیجه­ ها نشان می‌دهند كه توسط شبكه عصبی بهینه می‌توان مقدارهای حلالیت را با ضریب همبستگی (R2) برابر 999997/0، درصد میانگین انحراف نسبی (ARD%) برابر 8103/0 و درصد میانگین انحراف مطلق (AAD%) برابر 0042/0پیش بینی كرد. تحلیل حساسیت نشان می‌دهد كه دمای كاهیده بیشترین تأثیر را بر روی خروجی شبكه عصبی یعنی حلالیت داراست.
چكيده لاتين :
In this paper, solubility of oxygen in organic solvents has been estimated using Artificial Neural Networks (ANN). Solubility data were studied for wide ranges of temperature (298.2-348.29 K) and pressure (0.0535 to 9.2338 MPa). Solvents are included of methanol, n-propanol, octane, toluene, dibutyl ether and 2-methyltetrahydrofuran. Network model consists of four inputs in input layer for acentric factor, molecular weight, TR and PR of the system and one neuron in output layer corresponding to solubility of oxygen. The best structure for feed-forward back propagation neural network is logarithmic sigmoid transfer function for hidden layer, 13 neurons in this layer and linear transfer function for output layer. Results show that optimum neural network architecture is able to predict the solubility of oxygen in organic solvents with an acceptable level of accuracy, R2 of 0.999997, ARD % of 0.8103 and AAD% of 0.0042. Sensitivity analysis shows that TR has the greatest effect on the solubility of oxygen.
سال انتشار :
1393
عنوان نشريه :
ش‍ي‍م‍ي‌ و م‍ه‍ن‍دس‍ي‌ ش‍ي‍م‍ي‌ اي‍ران‌
عنوان نشريه :
ش‍ي‍م‍ي‌ و م‍ه‍ن‍دس‍ي‌ ش‍ي‍م‍ي‌ اي‍ران‌
اطلاعات موجودي :
فصلنامه با شماره پیاپی 71 سال 1393
كلمات كليدي :
#تست#آزمون###امتحان
لينک به اين مدرک :
بازگشت