پیش بینی و تخمین ویسکوزیته مایعات خالص با استفاده از شبکه عصبی مصنوعی و نرم افزار MATLAB

پیش بینی و تخمین ویسکوزیته مایعات خالص با استفاده از شبکه عصبی مصنوعی و نرم افزار MATLAB

در این قسمت پروژه با موضوع پیش بینی و تخمین ویسکوزیته مایعات خالص با استفاده از شبکه عصبی مصنوعی به صورت فایل word ، Excel و MATLAB برای دانلود ارائه شده است.

قسمتی از متن پروژه در زیر نشان داده شده است. معادلات در متن پروژه نشان داده شده اند.

چکيده

در این مقاله روش نظری برای پیش­بینی ویسکوزیته مایعات خالص در دماهای مختلف با استفاده از ساختار مولکولی آنها ارائه شده است. ترکیبی از شبکه­های عصبی مصنوعی و روش سهم گروهی برای تخمین ویسکوزیته مورد استفاده قرار گرفته است. برای تخمین ویسکوزیته ۶۲ ماده شامل ۱۲۴۷ نقطه مورد بررسی قرار گرفته است. ویسکوزیته به عنوان تابعی از دما، جرم مولکولی، دمای بحرانی، فشار بحرانی و گروه های ساختاری موجود در ساختار مولکول ها تخمین زده شده است.  ۲۳ گروه ساختاری برای برای تعیین ویسکوزیته در نظر گرفته شده­اند. طراحی بهینه ممکن برای شبکه عصبی، شبکه پیش‌خور با الگوریتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ مارکوارت ، تابع فعال سازی تانژانت هایپربولیک برای لایه مخفی با ۱۰ نرون در این لایه و تابع فعال­سازی خطی برای لایه خروجی است. نتایج نشان می‌دهند که توسط شبکه عصبی بهینه شده می‌توان مقادیر ویسکوزیته را با ضریب همبستگی (R²) برابر ۰٫۹۹۹۹، درصد میانگین انحراف نسبی (ARD%) برابر ۰٫۷۸۲ و ریشه میانگین مربع خطا (RMSE) برابر ۰٫۰۱۴ پیش­بینی کرد. همچنین نتایج نشان می‌دهند که شبکه عصبی از توانایی بالایی برای پیش‌بینی و درونیابی داده‌های ویسکوزیته برای مواد خالص برخوردار است.

۱- مقدمه

ویسکوزیته عبارت است از مقاومت یک مایع در برابر اعمال تنش برشی. در یک سیال جاری که لایه‌های مختلف آن نسبت به یکدیگر جابجا می‌شوند، به‌مقدار مقاومت لایه‌های سیال در برابر لغزش روی هم گرانروی سیال می‌گویند. هرچه گرانروی مایعی بیشتر باشد، برای ایجاد تغییر شکل یکسان، به تنش برشی بیشتری نیاز است. 

ویسکوزیته یک خاصیت بسیار مهم مایعات است که برای بسیاری از مطالعات مربوط به انتقال و یا حرکت مایعات در صنایع نفت و مهندسی شیمی به کار میرود [۱]. این امر توسعه یک روش موثر برای پیش بینی ویسکوزیته مایعات را آشکار می کند. ویسکوزیته عبارت است از مقاومت یک مایع در برابر اعمال تنش برشی. در یک سیال جاری که لایه‌های مختلف آن نسبت به یکدیگر جابجا می‌شوند، به‌مقدار مقاومت لایه‌های سیال در برابر لغزش روی هم گرانروی سیال می‌گویند. هرچه گرانروی مایعی بیشتر باشد، برای ایجاد تغییر شکل یکسان، به تنش برشی بیشتری نیاز است.

کارهای قابل توجهی در این مسیر گزارش شده است. مدل ویسکوزیته های مختلف شامل مدل های کاملا تئوری به کاملا تجربی توسط رید [۱] و همکاران و مونری [۲] و همکاران بررسی شده است. این مدل ها می تواند به عنوان مدل های تئوری ، نیمه تئوری و تجربی برای پیش بینی ویسکوزیته طبقه بندی شوند. مونری و همکاران [۳] یک مدل تئوری را برای پیش بینی و محاسبه هر ویسکوزیته دو فاز مایع و گاز توسعه داده اند.آنها ویسکوزیته گاز و مایع را برای ۱۷۴ ترکیب غیر قطبی، قطبی و پیوند هیدروژنی با انحراف میانگین ۲/۲ و ۱/۶ درصد برای فاز گاز محاسبه کرده اند. کاتریزکی و همکاران ویسکوزیته ترکیبات آلی را با پیش بینی کرده اند. در این مقاله ویسکوزیته با استفاده از ترکیب روش­های شبکه عصبی و روش سهم گروهی (GCM) تخمین زده شده است و ۶۲ ماده مورد بررسی قرار گرفته است.

۲- شبکه عصبی

ساختار کلی شبکه­های عصبی مصنوعی از شبکه­های عصبی انسان الهام گرفته شده و مدل ساده شده­ای از سیستم عصبی مغز می­باشد. شبکه­های عصبی مصنوعی نیز شامل مجموعه­ای از نرون­های به هم متصل می­باشند که به هر مجموعه از این نرون­ها یک لایه گفته می­شود. هر نرون با استفاده از تابع انتقال، خروجی را محاسبه می­کند. ورودی هر نرون در لایه مخفی که از ورودی­ها به دست می­آید از معادله (۱) پیروی می­کند [۵]

که در این معادله  ورودی به نرون ، wij وزن اتصال نرون iام (از لایه قبل) به نرون jام و bj میزان بایاس نرون jام است.  خروجی هر نرون با استفاده از تابع انتقال محاسبه می­شود (معادله ۲)

که در آن Sj ورودی به نرون، yj خروجی از هر نرون و F تابع انتقال است. توابع فعالیت متداول برای پیش­بینی توسط شبکه عصبی توابع سیگمودی، تانژانت هایپربولیک و خطی هستند که به ترتیب توسط معادلات (۳) تا (۵) بیان می شوند [۶].

 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 می­کند. بنابراین تعداد نرون­های لایه ورودی براساس طبیعت مسئله تعیین می­شود و بستگی به تعداد متغیرهای مستقل دارد . لایه خروجی نیز همانند متغیر وابسته عمل نموده و تعداد نرون­های آن بستگی به تعداد متغیر وابسته دارد. اما برخلاف لایه­های ورودی و خروجی، لایه مخفی هیچ مفهومی را نشان نمی­دهد و صرفاً یک نتیجه میانی در فرایند محاسبه ارزش خروجی است. نرون­های لایه مخفی به عنوان یک تشخیص دهنده الگو عمل می­کنند. بنابراین تعداد نرون­ها در لایه پنهان نقش عمده­ای در قدرت شبکه دارد. اگر تعداد نرون­ها کم باشد، شبکه عصبی نمی­تواند 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 پیچیده­ای پیدا می­کند که در این حالت قدرت تعمیم خود را از دست می­دهد [۸]. محققين از روابط مختلفي از جمله n/2 ، ۲n ،n ،۲n+1 براي تعيين تعداد نرون­هاي لايه مخفي استفاده  نموده­اند كه در اين روابط n تعداد نرون­هاي لايه ورودي مي­باشد [۹]. اما هيچكدام از روابط فوق براي تمام مسائل كارايي ندارند و بهترين روش جهت تعيين تعداد نرون بهينه، روش آزمون و خطاست [۱۰]. تئوری پایه شبکه عصبی در منابع [۱۵-۱۱] آمده است.

فهرست مطالب

چکيده 

مقدمه  

شبکه عصبی

تحلیل خطای شبکه عصبی        

مدل شبکه عصبی        

نتایج   

نتیجه گیری     

مراجع