استفاده از شبکه عصبی برای پیش بینی ثابت تعادل در سیستم های شامل کربن دی اکسید با استفاده از MATLAB

استفاده از شبکه عصبی برای پیش بینی ثابت تعادل در سیستم های شامل کربن دی اکسید با استفاده از MATLAB

در این قسمت  پروژه با موضوع استفاده از شبکه عصبی برای پیش بینی ثابت تعادل در سیستم های شامل کربن دی اکسید با استفاده از MATLAB  به صورت فایل فشرده شامل فایل word و MATLAB  برای دانلود ارائه شده است.

قسمتی از متن پروژه را در زیر نشان داده شده است.

چکیده

در این مقاله یک شبکه عصبی مصنوعی برای محاسبه ثابت تعادل دی اکسید کربن در سیستم های دوتایی شامل دی اکسید کربن به کار گرفته شده است. داده های تعادلی سه سیستم برای آموزش شبکه عصبی استفاده شده اند. ورودی‌های شبکه عصبی شامل جرم مولکولی، ضریب اسنتریک، دمای بحرانی، فشار بحرانی، دما و فشار ماده دوم هستند و خروجی شبکه عصبی ثابت تعادل دی اکسید کربن است. طراحی بهینه ممکن برای شبکه عصبی، شبکه  Feed-forward back propagation ، تابع آموزش Levenberg-marquardt back propagation ، تابع انتقال تانژانت هایپربولیک برای لایه مخفی و تابع انتقال خطی برای لایه خروجی است. شبکه عصبی مدل شده دارای ۶ نرون در ورودی، ۱۹ نرون در خروجی و دو نرون در لایه خروجی است. نتایج نشان می دهند که توسط شبکه عصبی می توان مقادیر ثابت تعادل را با ضریب همبستگی (R²) برابر ۰٫۹۹۹۸۸، درصد میانگین انحراف مطلق (AAD%) برابر ۰٫۱۴۵۸، درصد میانگین انحراف نسبی (ARD%) برابر ۰٫۳۰۸۱و ریشه میانگین مربع خطا (RMSE) برابر ۰٫۰۰۳۳ پیش بینی کرد.  این نتایج نشان می‌دهند که شبکه عصبی از توانایی بالایی برای پیش‌بینی و درونیابی داده‌های ثابت تعادل کربن دی اکسید برخوردار است.

کلمات کلیدی: شبکه عصبی، ثابت تعادل، کربن دی اکسید، تابع انتقال تانژانت هایپربولیک، نرون بهینه

۱- مقدمه

داده های تعادلی مایع-بخار برای طراحی، مدل سازی و کنترل فرایندهای شیمیایی اهمیت بسیار بالایی دارند. معمولا برای تخمین تعادل مایع-بخار از معادلات حالت استفاده می شود. برای استفاده از معادلات حالت باید از پارامترهای تنظیم کننده بسیاری برای محاسبه تعادل استفاده شود. بنابراین استفاده از معادلات حالت ممکن است بسیار خسته کننده باشد و در هنگام کنترل واقعی واحد فرایندی مشکلاتی را ایجاد کند.  امروزه شبکه های عصبی کاربرد گسترده ای برای تخمین خواص مواد و سیستم های تعادلی از جمله ویسکوزیته [۳-۱]، ظرفیت حرارتی [۶-۴]، دانسیته [۹-۷]، هدایت حرارتی [۱۲-۱۰] و فشاربخار [۱۳] پیدا کرده اند. مطالعات زیادی در زمینه محاسبه تعادل مایع – بخار با استفاده از شبکه عصبی برای سیستم های مختلف انجام شده است. شارما و همکاران کاربردهای بالقوه شبکه های عصبی مصنوعی در ترمودینامیک را بررسی کرده اند. آنها تعادل مایع-بخار را با خطای % ۱± برای سیستم های متان-اتان و آب-آمونیاک پیش بینی کرده اند [۱۴]. ایلیوتا و همکاران تعادل را در محلول های الکترولیت بررسی کرده اند [۱۵]. اوراتا و همکاران سیستم های شامل هیدروفلوئورواترها را بررسی کرده اند [۱۶]. موهانتی تعادل را در سیستم شامل کربن دی اکسید بررسی کرده است. سیستم های بررسی شده توسط موهانتی شامل مخلوط CO2 با ethyl caproate، ethyl caprylate و ethyl caprate بوده است [۱۸-۱۷]. گویندارجان و همکاران سیستم های شامل آزئوتروپ را بررسی کرده اند [۱۹]. غنازاده و همکاران سیستم های دوتایی شامل الکل ها را بررسی کرده اند. سیستم های مورد بررسی توسط آنان شامل(tert-butanol+2-ethyl-1-hexanol) و (n-butanol + 2-ethyl-1-hexanol) بوده است [۲۰]. لشکربلوکی و همکاران تعادل را در سیستم شامل کربن دی اکسید بررسی کرده اند. سیستم های مورد بررسی توسط آنان شامل  CO2 + 1-hexene، CO2 + n-Hexaneو  CO2 + n-butane بوده است [۲۱]. در این مقاله تعادل مایع-بخار در سیستم های شامل دی اکسید کربن بررسی شده است. سه سیستم شامل ۷۲ نقطه مورد بررسی قرار گرفته اند. داده ها از منبع [۲۲] به دست آمده اند.

۲- شبکه عصبی

ساختار کلی شبکه های عصبی مصنوعی از شبکه های عصبی انسان الهام گرفته شده و مدل ساده شده ای از سیستم عصبی مغز می باشد. شبکه های عصبی مصنوعی نیز شامل مجموعه ای از نرون های به هم متصل می باشند که به هر مجموعه از این نرون ها یک لایه گفته می شود. یک شبکه عصبی معمولاً از سه لایه ورودی، پنهان و خروجی تشکیل شده است [۷].

لایه ورودی فقط اطلاعات را دریافت کرده و مشابه متغیر مستقل عمل می کند. بنابراین تعداد نرون های لایه ورودی براساس طبیعت مسئله تعیین می شود و بستگی به تعداد متغیرهای مستقل دارد . لایه خروجی نیز همانند متغیر وابسته عمل نموده و تعد اد نرون های آن بستگی به تعداد متغیر وابسته دارد.

اما برخلاف لایه های ورودی و خروجی، لایه مخفی هیچ مفهومی را نشان نمی دهد و صرفاً یک نتیجه میانی در فرایند محاسبه ارزش خروجی است. نرون های لایه مخفی به عنوان یک تشخیص دهنده الگو عمل می کنند. بنابراین تعداد نرون ها در لایه پنهان نقش عمده ای در قدرت شبکه دارد.

 اگر تعداد نرون ها کم باشد، شبکه عصبی نمی تواند نگاشت غیرخطی بین ورودی و خروجی را با دقت لازم منعکس کند. از طرف دیگر اگر تعداد آنها بیشتر از حد لزوم باشد، شبکه نگاشت غیر خطی پیچیده ای پیدا می کند که در این حالت قدرت تعمیم خود را از دست می دهد.

محققين از روابط مختلفي از جمله n/2 ، ۲n ،n ،۲n+1 براي تعيين تعداد نرون هاي لايه مخفي استفاده  نموده اند كه د ر اين روابط n تعداد نرو ن هاي لايه ورودي مي باشد. اما هيچكدام از روابط فوق براي تمام مسائل كارايي ندارند و بهترين روش جهت تعيين تعداد نرون بهينه، روش آزمون و خطاست [۱۶].

فهرست مطالب

چکیده

۱- مقدمه 

۲- شبکه عصبی 

۳- تحلیل خطای شبکه عصبی 

۴- مدل سازی شبکه عصبی 

۵- نتایج 

۶- نتیجه گیری  

منابع