| پیش بینی و تخمین کشش سطحی مواد با استفاده از شبکه عصبی مصنوعی و نرم افزار MATLAB | |
| تعداد صفحات | ۱۶ |
| نوع فایل | word + Excel + MATLAB |
| حجم فایل | ۳۶۸ kb |
پیش بینی و تخمین کشش سطحی مواد با استفاده از شبکه عصبی مصنوعی و نرم افزار MATLAB
در این قسمت پروژه با موضوع پیش بینی و تخمین کشش سطحی مواد 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 کشش سطحی ترکیبات مایع خالص در دماهای مختلف با استفاده از ساختار مولکولی آنها ارائه شده است. ترکیبی از شبکههای عصبی مصنوعی و روش سهم گروهی برای تخمین کشش سطحی مورد استفاده قرار گرفته است. برای تخمین کشش سطحی ۵۰ ماده شامل ۲۰۴ نقطه مورد بررسی قرار گرفته است. کشش سطحی به عنوان تابعی از دما، جرم مولکولی، دمای بحرانی، فشار بحرانی و گروه های ساختاری موجود در ساختار مولکول ها تخمین زده شده است. ۱۹ گروه ساختاری برای برای تعیین کشش سطحی 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 ۱۱ نرون در این لایه و تابع فعالسازی خطی برای لایه خروجی است. نتایج نشان می‌دهند که توسط شبکه عصبی بهینه شده می‌توان مقادیر کشش سطحی را با ضریب همبستگی (R2) برابر ۰٫۹۹۹۲، درصد میانگین انحراف نسبی (ARD%) برابر ۰٫۸۹۷ و ریشه میانگین مربع خطا (RMSE) برابر ۰٫۰۱۳ پیشبینی کرد. همچنین نتایج نشان می‌دهند که شبکه عصبی از توانایی بالایی برای پیشبینی و درونیابی داده‌های کشش سطحی برای مواد خالص برخوردار است.
مقدمه
شاخص‌های کمیتی نیروی فیزیکی بر روی سطح مایع در مرز بین فاز مایع و فاز گاز توسط روشهای مختلفی ارائه شده است. کشش سطحی شایع ترین شاخص است که به عنوان اثر جاذبه (نیروی) بین مولکولی در سطح مایع در واحد طول تعریف شده است [۱]. واحد رایج کشش سطحی دین در هر سانتیمتر (دین / سانتی متر) است که برابر با N/m 0.001 میباشد.
تخمین کشش سطحی یکی از سخت ترین تخمینها در میان خواص مواد است و این امر به دلیل وابستگیهای پیچیده روی ساختار مولکولی مولکول‌ها است. کشش سطحی به طور مستقیم به خواص باند مربوط میشود. به عنوان مثال، کشش سطحی پارافینها تابعی از اندازه و یا تعداد اتمهای کربن در مولکول است [۲]. برای ترکیبات پیچیدهتر مانند ایزوپارافینها علاوه بر تعداد کل اتمهای کربن، کشش سطحی بستگی به نوع، طول، و درجه انشعاب در مولکول دارد. علاوه بر این عوامل حضور اتمهای غیر آلی مانند اکسیژن، کلر و اتمهای سنگین بسیار بر کشش سطحی تاثیر دارد. همچنین محل باند اشباع نشده در امتداد زنجیره‌ی اولفینها و جهتگیری ساختاری سیس و ترانس بر کشش سطحی تاثیر دارد [۲].
کشش سطحی آروماتیک‌ها تابعی از تعداد و نوع حلقه بنزن (فشرده یا غیر فشرده)، تعداد گروه‌های آلکیل متصل به حلقه بنزن، نوع، طول، درجه انشعاب و بعضی اوقات محل آن بر روی حلقه است. ترکیبات حلقوی پیچیده ترین مواد هستند، زیرا علاوه بر تمام عوامل فوق، کشش سطحی آنها تابعی از تعداد حلقههای چرخه، اندازه آنها، تعداد و درجه انشعاب گروه‌های آلکیل متصل به حلقه، گرایش ساختاری (سیس و ترانس) و محل گروه آلکیل در حلقه است. چنین وابستگیهای پیچیده به ساختار مولکولی فقط میتواند توسط یک مدل که که ساختار مولکولی مواد را در نظر میگیرد بیان شود.
اطلاعات بنیادی و عبارات مختلف برای خاصیت کشش سطحی توسط رید و همکاران [۱] و دیگران [۳و۴] توسعه یافته است. این عبارات دارای یک نقطه ضعف است؛ آنها برای محاسبه کشش سطحی مایعات به خواص دیگری به عنوان پارامترهای ورودی نیاز دارند. از دقیق ترین روشهای موجود در متون مختلف، روش روستا و همکاران است که رویکرد شبکههای عصبی مصنوعی برای پیشبینی کشش سطحی ۸۲ عدد از مایعات آلی خالص را در دماهای مختلف نشان داده است.
میانگین خطای مطلق برابر ۱٫۵۷٪ و ضریب همبستگی برابر ۰٫۹۹۸ بوده است. پارامترهای مورد استفاده توسط آنها خواص فیزیکی مایعات شامل دمای بحرانی، فشار بحرانی، دمای نقطه جوش، ضریب بی مرکزی و وزن مخصوص بوده است. قراقیزی و همکاران [۴] همچنین رویکرد شبکههای عصبی مصنوعی را برای پیشبینی کشش سطحی در دماهای مختلف و فشار اتمسفر به کار بردهاند که میانگین خطای مطلق برابر ۱٫۷٪ و ضریب همبستگی برابر ۰٫۹۹۷ بوده است. در این مقاله کشش سطحی با استفاده از ترکیب روشهای شبکه عصبی و روش سهم گروهی (GCM) تخمین زده شده است و۵۰ ماده مورد بررسی قرار گرفته است.
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
| پیش بینی و تخمین کشش سطحی مواد با استفاده از شبکه عصبی مصنوعی و نرم افزار MATLAB | |
| تعداد صفحات | ۱۶ |
| نوع فایل | word + Excel + MATLAB |
| حجم فایل | ۳۶۸ kb |