بررسي عملكرد شبكه عصبي مصنوعي MLP، RBF و ORN در يك كانال افقي همراه با انتقال جرم و انتقال حرارت همزمان

Performance Investigation types of Artificial Neural Network MLP، RBF & ORN in the Horizontal Channel with Simultaneous Heat & Mass Transfer

در بيش ­تر فرايند­هاي مهندسي شيمي پديده ­هاي انتقال جرم و انتقال گرما مشخصه­ هاي جدايي­ناپذير فرايندها مي­ باشند. در اين پژوهش با استفاده از يك دستگاه آزمايشگاهي، به بررسي تجربي هم­زمان اين دو پديده در فرايندهاي مهندسي شيمي و تاثيراتي كه بر روي هم و بر روي فرايندها مي ­توانند داشته باشند، پرداخته شده است. در اين دستگاه وجود پديده هاي چگالش و تبخير، باعث انتقال جرم شده و سرانجام بر ضريب انتقال گرمايي تاثير مي­ گذارند همچنين وجود انتقال جرم، توزيع دما در پديده انتقال گرما را تغيير داده و باعث ايجاد تغيير كلي در شار گرمايي م ي­شود. آزمايش ­هاي بسياري با تغيير پارامتر هاي گوناگون مانند دما و شدت جريان براي هر دو سيال آب و هوا انجام گرفت، كه از نتيجه­ هاي به دست آمده از اين آزمايش ­ها در بررسي انواع شبكه عصبي مصنوعي و مقايسه عملكرد اين شبكه­ ها با يكديگر و با نتيجه ­هاي به دست آمده از آزمايش ­ها استفاده شد. از جمله شبكه هاي عصبي به­ كار برده شده در اين مقاله مي­ توان به شبكه RBF(Radial Basis exact Fit) و شبكه MLP(Multi Layer Perceptron) و شبكه ORN (Optimal Regularization Network) اشاره نمود. بررسي هاي انجام شده بيانگر اين است كه شبكه MLP به ­دليل نبود امكان برطرف كردن خطا و اغتشاش قادر به پيش­ بيني مناسب نبوده و شبكه ORN به دليل دارا بودن مبناي نظري قوي­ تر و استفاده از روش ­هاي پيشرفته رياضي مانند مقابله عدد داراي عملكرد بهتري است.

In most of the chemical engineering processes، the phenomena of mass and heat transfer are among their inseparable parts. In the present paper، simultaneous heat and mass transfer has been studied experimentally by a laboratory set up. In this apparatus، the existence of condensation and evaporation created due to heat transfer causes mass transfer and finally influences the coefficient of heat transfer. Also، mass transfer changes heat distribution in heat transfer phenomena that causes total change in heat flux. Thus، in this apparatus، some experiments have been carried out through changing different parameters such as temperature and flow rate for two fluids، water and air. Also in this paper، it is tried to compare the function of these systems on each other and the results acquired from the experiments as well as the capacity of these systems in analyzing the results were studied through artificial neural network. From among the neural networks used in this paper، we may refer to RBF، MLP، and ORN networks. The studies indicate that MLP network is not able to predict properly due to lack of any facility for noise filtration and ORN network has the best function due to having stronger theoretical basis and employing more advanced mathematical techniques such as CV.