| پیش بینی دانسیته سوخت بیودیزل با استفاده از شبکه عصبی مصنوعی با استفاده از MATLAB | |
| تعداد صفحات | ۱۲ |
| نوع فایل | word + MATLAB |
| حجم فایل | ۱۹۵ kb |
پیش بینی دانسیته سوخت بیودیزل با استفاده از شبکه عصبی مصنوعی با استفاده از MATLAB
در این قسمت پروژه با موضوع پیش بینی دانسیته سوخت بیودیزل با استفاده از شبکه عصبی مصنوعی 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.
چكيده
با وجود اهمیت زیادی عملی این بیودیزل ها، داده های اندازه گیری شده برای خواص آنها کمیاب هستند و معمولا به صورت بسیار محدود می توان از مدل های ترمودینامیکی برای اندازه گیری خواص آنها استفاده کرد. بنابراین ارائه مدلی برای پیش بینی رفتار بیودیزل ها بسیار مهم است. در این مقاله، دانسیته بیودیزل در فشار بین MPa 0.4 و MPa 130 و دمای بین K 278 و K 397 با استفاده از شبکه عصبی تخمین زده شده است. ورودی های شبکه عصبی شامل دما و فشار هستند و خروجی شبکه عصبی دانسیته است. بر اساس نتایج به دست آمده، بهینه طراحی 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 ۷ نرون در این لایه و تابع فعال سازی خطی برای لایه خروجی است. نتایج به دست آمده نشان می دهند که توسط شبکه عصبی بهینه طراحی شده می‌توان دانسیته را با ضریب همبستگی (R2) برابر ۰٫۹۹۹۹۹۷، درصد میانگین انحراف نسبی (ARD%) برابر ۰٫۰۰۲۹۱۶ و درصد میانگین انحراف مطلق (AAD%) برابر ۲٫۶۴۶۸ پیش بینی کرد.
واژه‌هاي كليدي: دانسیته، بیودیزل، شبکه عصبی، شبکه پیش‌خور با الگوریتم پس انتشار خطا
۱- مقدمه
تخلیه ذخایر سوخت های فسیلی در جهان، منافع قابل توجه و فوری در منابع جایگزین انرژی، به ویژه سوخت های تجدید پذیر قرار داده است. بیودیزل از جمله سوخت های تجدید پذیر است. تولید و استفاده از بیودیزل تقریبا به صورت نمایی در بسیاری از کشورها در سراسر جهان به تازگی افزایش یافته است. خواص بیودیزل ها برای کاربردهای آنها بسیار مهم است. با وجود اهمیت زیادی عملی این بیودیزل ها، داده های اندازه گیری شده برای خواص آنها کمیاب هستند و معمولا به صورت بسیار محدود می توان از مدل های ترمودینامیکی برای اندازه گیری خواص آنها استفاده کرد. یکی از دلایل این امر است که این اجزا عمدتا تنها به عنوان اجزاء مخلوط های پیچیده پیدا می شوند و معمولا به شکل خالص پیدا نمی شوند [۱]. بنابراین ارائه مدلی برای پیش بینی رفتار بیودیزل ها بسیار مهم است. امروزه شبکه عصبی کاربرد گسترده ای برای مدل سازی و پیش بینی خواص مواد پیدا کرده است. در این مقاله، دانسیته بیودیزل تعریف شده در جدول (۱)، در فشار بین MPa 0.4 و MPa 130 و دمای بین K 278 و K 397 با استفاده از شبکه عصبی تخمین زده شده است. داده های تجربی از کار انحام شده توسط شیدمن به دست آمده اند [۲].
۲- شبکه عصبی
شبکه عصبی مصنوعی یک مدل ریاضی تشکیل شده از تعدادی نرون بهم پیوسته که درلایه هایی سازمان دهی شده هستند ،می باشد. هندسه و عملکرد آن بیشتر مغز انسان است. شبکه های عصبی طبق تجربه یادگیری که تجربیات قبلی را به تجربیات جدید تعمیم می دهند و می تواند تصمیم گیری کنند [۳]. این شبکه دارای یک لایه ی ورودی ، یک لایه ی پنهان و یک لایه ی خروجی است . لایه ی ورودی از تمام عوامل ورودی تشکیل شده است . اطلاعات از لایه ورودی در مسیر لایه ی پنهان پردازش می شود و پس از آن بردار خروجی در لایه ی آخر (خروجی ) محاسبه می شود .
در ایجاد یک مدل ANN ، مجموعه داده های موجود به سه مجموعه تقسیم می شود یکی برای آموزش و اعتبارسنجی شبکه استفاده می شود و مجموعه بعدی برای اثبات توانایی تعمیم شبکه مورد استفاده قرارمیگیرد[۴،۵].درطی مرحله ی آموزش ، وزن ها به طورپیاپی براساس مجموعه ای از الگورهای ورودی ومجموعه ی متناظری از اهداف خروجی مورد نظر تطابق می یابند . در ابتدا الگوهای ورودی به شبکه معرفی شده و برای تعیین سیگنال نهایی درگره های خروجی به جلو منتشر میشوند با تفاوت بین بردارهای خروجی محاسبه شده و اهداف خروجی دلخواه ، خطایی را نشان می دهد که از طریق شبکه به عقب منتشر می شود تا وزن ها تطابق یابند. این فرانید به تعداد بسیار زیاد تکرارمی شود و آموزش ادامه می یابد تا زمانی که درجه مطلوبی از درستی به دست آید [۵، ۶].
شبکه پیش‌خور با الگوریتم پس انتشار خطا با تابع آموزش انتشار رو به عقب لونبرگ مارکوارت برای تخمین دانسیته انتخاب شده است. در ورودی شبکه عصبی ۲ متغیر مستقل و در خروجی آن یک متغیر وابسته وجود دارد، بنابراین تعداد نرون در ورودی برابر ۴ و در خروجی برابر ۱ است. برای تخمین دانسیته، ورودی‌های شبکه عصبی دما و فشار هستند.
۱۸۹ نقطه برای آموزش و تست شبکه به کار رفته است. برای آموزش شبکه ۷۰% ، برای تعیین اعتبار ۲۰% و برای تست شبکه عصبی ۱۰% داده‌های تجربی به کار رفته‌اند. از آنجا که اطلاعات دقیقی در مورد تعداد بهینه نرون‌ها وجود ندارد، تعداد بهینه نرون ها با آزمون و خطا تعیین می شود [۷].
فهرست مطالب
چكيده
۱- مقدمه
۲- شبکه عصبی
۳- آنالیز خطای شبکه عصبی
۴- نتایج
۵- نتیجه گیری
مراجع
| پیش بینی دانسیته سوخت بیودیزل با استفاده از شبکه عصبی مصنوعی با استفاده از MATLAB | |
| تعداد صفحات | ۱۲ |
| نوع فایل | word + MATLAB |
| حجم فایل | ۱۹۵ kb |