مدل‌سازي سيستم تعادليPz-CO2-H2O با استفاده از شبكه هاي عصبي

در اين تحقيق سيستم تعادلي پايپرزين- آب - دي اكسيدكربن با استفاده از مدل‌هاي شبكه عصبي مدل سازي شده است. در مدل از دو شبكه عصبي MLP, RBF استفاده شده است. در يادگيري شبكه‌ها الگوريتم پس انتشار خطا به كار رفته است. براي آموزش و تست شبكه هاي عصبي يك مرور كلي بر كارهاي تجربي در زمينه حلاليت دي اكسيدكربن در محلول آبي پايپرزين انجام شده و داده هاي تجربي جمع آوري و طبقه بندي شده است. نتايج شبكه هاي عصبي با داده هاي تجربي ارايه شده در مقالات مورد ارزيابي قرار گرفت. متوسط مربع خطاهاي كل داده ها براي شبكه MLP برابر با 21/4 درصد و براي شبكه RBF برابر با 78/4 بوده كه نشان از پيش بيني مناسب شبكه‌هاي مورد استفاده مي‌باشد. نتايج نشان داد كه شبكه هاي عصبي ابزاري مناسب بر كاهش زمان محاسبات و افزايش دقت پيش بيني داده هاي تعادلي مي باشند.

In this study, equilibrium system of H2O-Pz-CO2 has been modeled using neural networks. In the modeling two networks RBF and MLP were used. Back propagation algorism was used in the learning of the networks. In the RBF network, nonlinear Gaussian function was used as an activation function whereas sigmoid function was used in MLP network. The networks results were evaluated by experimental data presented in the literature. Mean absolute error for RBF and MLP are 4.21 and 4.78 percent, respectively. The results showed that neural networks are suitable tools for decreasing of calculation time and increasing of accuracy in the equilibrium data predictions.