پیش بینی و تخمین خواص هیدروژن اشباع با استفاده از شبکه عصبی مصنوعی با نرم افزار MATLAB

پیش بینی و تخمین خواص هیدروژن اشباع با استفاده از شبکه عصبی مصنوعی با نرم افزار MATLAB

در این قسمت  پروژه با موضوع پیش بینی و تخمین خواص هیدروژن اشباع با استفاده از شبکه عصبی مصنوعی با نرم افزار 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.

چکيده

خواص ترمودینامیکی هیدروژن مانند فشار بخار، دانسیته، ظرفیت حرارتی و هدایت حرارتی در طراحی واحدهای مختلف شیمیایی بسیار اهمیت دارند. برای این پروژه از نرم افزار MATLAB استفاده شده است. در این پروژه شبکه عصبی انتخاب شده، شبکه پیش‌خور با الگوریتم پس انتشار خطا با تابع آموزش انتشار رو به عقب لونبرگ مارکوارت است. ورودی به شبکه عصبی دما است و خروجی شبکه خواص هیدروژن در حالت اشباع هستند که شامل فشار بخار، دانسیته مایع و بخار، آنتالپی مایع و بخار، ظرفیت حرارتی مایع و بخار، ویسکوزیته مایع و بخار، هدایت حرارتی مایع و بخار و کشش سطحی مایع است. تعداد نقاط برابر ۲۰۱ است. برای آموزش شبکه ۷۰% ، برای تعیین اعتبار ۲۰% و برای تست شبکه عصبی ۱۰% داده ها به کار رفته اند. بر اساس نتایج به دست آمده، بهینه طراحی ممکن برای شبکه عصبی، تابع فعال سازی سیگمودی برای لایه مخفی با ۱۴ 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 مقادیر حلالیت را با ضریب همبستگی (R2) برابر ۹۹۸۲/۰، درصد میانگین انحراف نسبی (ARD%) برابر ۰۳۷۱/۰، درصد انحراف متوسط نسبی (Bias) برابر ۰۰۴۹/۰- و ریشه میانگین مربع خطا (RMS) برابر۰۰۴۴/۰ پیش بینی کرد.

واژه‌هاي كليدي

هیدروژن، خواص ترمودینامیکی، شبکه عصبی، توابع فعالسازی، حالت اشباع

مقدمه

هیدروژن ساده ترین عنصر شناخته شده برای انسان است. هیدروژن به فراوانی در صنعت شیمی و نفت کاربرد دارد [۱]. خواص ترمودینامیکی هیدروژن مانند فشار بخار، دانسیته، ظرفیت حرارتی و هدایت حرارتی در طراحی واحدهای مختلف شیمیایی بسیار اهمیت دارند [۲]. معادلات حالت و معادلات بسیار دیگری برای تخمین این خواص وجود دارد، اما استفاده از آنها عموما وقت گیر و مستلزم به کار بردن پارامترهای مختلفی است [۳]. در سال های اخیر، شبکه های مصنوعی به عنوان رویکردی نو برای پیش بینی ویژگی های مواد بر مبنای یادگیری در نظر گرفته شده اند. همپنین، شبکه عصبی به عنوان یک فناوری ارائه دهنده یک روش جایگزین برای حل کردن مسائلی پذیرفته شده است که هیچ رابطه آشکاری بین پارامترهای ورودی و خروجی وجود ندارد. شبکه های عصبی مصنوعی همچنین برای همگانی کردن مدل های ریاضی شناخت انسان و زیست شناسی عصبی گسترش یافته اند [۴]. یک شبکه عصبی شامل یک گروه به هم پیوسته از نرون های مصنوعی می باشد که اطلاعات را با بهره گیری از یک رویکرد پیوندگرا برای محاسبه پردازش می کنند [۵]. در بیشتر حالت ها، یک شبکه عصبی مصنوعی یک سیستم سازگار می باشد که ساختار خود را بر پایه اطلاعات بیرونی یا درونی تغییر می دهد که در طول فرایند یادگیری از میان شبکه جریان می یابد. اخیرا شبکه عصبی مصنوعی در چندین زمینه با کاربرد مهندسی شیمی به کار برده شده است. در این مطالعه شبکه عصبی برای پیش بینی خواص هیدروژن در حالت اشباع به کار برده شده است.

شبکه عصبی مصنوعی

شبکه عصبی مصنوعی به عنوان یک ابزار مدل سازی داده های غیرخطی به کار برده شده است و دارای توانایی یافتن روابط پیچیده بین ورودی ها و خروجی ها و یافتن الگو در داده ها می باشد [۶]. رایج ترین گونه شبکه عصبی شامل سه لایه از نرون ها می باشد: یک لایه از واحد ورودی به یک لایه پنهان می پیوندد که آن نیز به یک لایه از خروجی می پیوندد [۷]. به عنوان یکی از پرکاربردترین انواع شبکه عصبی در این پروژه، شبکه عصبی پرسپترون چند لایه ای (MLP) به کار برده شده است. پرسپترون چند لایه ای یک شبکه عصبی مصنوعی رو به جلو می باشد که دسته داده های ورودی را بر روی یک دسته از خروجی های مناسب ترسیم می کند. MLP معمولا برای ایجاد مدل هایی بر پایه شبکه عصبی مصنوعی به کار برده می شود که در آن یک رابطه غیرخطی بین متغیرهای ورودی و خروجی وجود دارد. وزن های مدل MLP اطلاعات را ذخیره می کنند و می توانند روابط پیچیده بین داده های خروجی و ورودی را بیابند [۸]. از لحاظ ریاضی، جست و جوی وزن بهینه یا آموزش مدل ANN با هدف کمینه کردن تابع هزینه نسبت به مجموعه داده های آموزش می باشد. یک ANN معلومات خود را به وسیله کشف الگوها و روابط بین داده ها گردآوری می کند. سودمندی شبکه عصبی در این واقعیت می باشد که آنها برای استنتاج یک تابع از مشاهدات می توانند به کار برده شوند. شبکه عصبی به طور ویژه در کاربردهایی استفاده می شود که پیچیدگی داده ها طراحی این چنین تابعی را به وسیله عملیات دستی غیرممکن می سازد. در کل، یادگیری می تواند نظارت شده یا نظارت نشده باشد. یادگیری نظارت شده یک فرایند یادگیری است که در آن ANN از طریق یک الگوی آموزش داده های ورودی- خروجی مشخص آموزش داده می شود و شامل یک الگوی ورودی وابسته به هدف مربوطه می باشد [۹]. برای آنالیز خطای شبکه پارمترهای آماری مختلفی شامل درصد میانگین انحراف نسبی (%ARD)، ضریب همبستگی (R2)، درصد انحراف متوسط نسبی (Bias)، ریشه میانگین مربع خطا (RMS) بررسی شده اند که طبق معادلات (۱) تا (۴) بیان می شوند [۱۰،۱۱].

فهرست مطالب

چکيده

مقدمه 

شبکه عصبی مصنوعی 

نتایج 

نتیجه گیری  

مراجع