بررسی سه نوع شبکه عصبی مصنوعی برای مدل سازی افت فشار در سیکلون های جداسازی گاز-جامد و بهینه سازی سیکلون با الگوریتم ژنتیک

Authors

نرجس محسن نیا

narjes mohsen nia دانشگاه فردوسی مشهد ملیکه محسن نیا

melikeh mohsen nia دانشگاه صنعتی نوشیروانی بابل محمد مقیمان

mohammad moghimian دانشگاه فردوسی مشهد

abstract

در این مقاله به منظور بررسی ارتباط بین افت فشار سیکلون جداسازی و پارامترهای هندسی سیکلون غبارگیری، سه نوع شبکه عصبی مصنوعی انتشار بازگشتی[1]، شبکه عصبی تابع پایه شعاعی[2] و شبکه عصبی رگرسیون تعمیم یافته[3] به کارگرفته شده­اند. پس از آموزش آن­ها با داده­های تجربی، پارامترهای بهینه عملکردی هر کدام شبکه ها، با روش جستجوی چند مرحله ای[4] به دست آمده اند. شبکه­ها بر اساس میزان ضریب همبستگی[5]، خطای مربع میانگین و زمان آموزش باهم مقایسه شده و مشاهده شد که هر سه شبکه می توانند با موفقیت سیکلون را مدل کنند. شبکه تابع پایه شعاعی با ضریب همبستگی برابر با  1 بالاترین عملکرد تعمیم یافته[6] و با  خطای میانگین مربع[7] برابر با 7-10×6067/1 کم ترین خطا را نسبت به دو شبکه دیگر دارد. پاسخ پیش بینی شبکه انتخابی با پاسخ روش­های تجربی و آماری مقایسه شده و برتری شبکه عصبی انتخابی نسبت به سایر مدل­ها به وضوح مشخص شده است. نتایج نشان می­دهند که شبکه عصبی می­تواند جایگزین بسیار خوبی برای مدل سازی افت فشار سیکلون­ها باشد.   2back propagation neural network/bpnn 3radial basis function neural network/rbfnn 4generalized regression neural network/ grnn 5multi step search/ mss 6correlation coefficient 7generalized performance 8mean squared error/ mse

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

بررسی سه نوع شبکه عصبی مصنوعی برای مدل‌سازی افت فشار در سیکلون‌های جداسازی گاز-جامد و بهینه سازی سیکلون با الگوریتم ژنتیک

در این مقاله به منظور بررسی ارتباط بین افت فشار سیکلون جداسازی و پارامترهای هندسی سیکلون غبارگیری، سه نوع شبکه عصبی مصنوعی انتشار بازگشتی[1]، شبکه عصبی تابع پایه شعاعی[2] و شبکه عصبی رگرسیون تعمیم یافته[3] به کارگرفته شده­اند. پس از آموزش آن­ها با داده­های تجربی، پارامترهای بهینه عملکردی هر کدام شبکه‌ها، با روش جستجوی چند مرحله‌ای[4] به دست آمده‌اند. شبکه­ها بر اساس میزان ضریب همبستگی[5]، خطای ...

full text

مدل سازی و بهینه سازی سیکلون های جداسازی گاز-جامد با استفاده از سه نوع شبکه عصبی مصنوعی، ژنتیک الگوریتم و روش عددی برای دست یابی به افت فشار کمینه

در این پژوهش سه نوع شبکه عصبی مصنوعی به نام¬های انتشار بازگشتی، تابع پایه شعاعی و رگرسیون عمومی برای مدل¬سازی سیکلون¬¬های جداسازی به کار گرفته شده است. ورودی این شبکه¬ها هفت پارامتر هندسی سیکلون و خروجی آن¬ها افت فشار می باشد. پارامتر عملکردی هر کدام از شبکه¬ها به منظور دست یابی به حداقل خطای مربع میانگین، به روش جستجوی چند مرحله ای، بهینه¬سازی شده و سه نوع شبکه بهینه بدست آمد. این پارامترهای ع...

مدل سازی و بهینه سازی واحد تولید هیدروژن با شبکه ی عصبی مصنوعی و الگوریتم ژنتیک

هدف اصلی این پژوهش، مدل سازی واحد صنعتی تولید هیدروژن براساس تبدیل متان با بخار آب با کاربرد شبکه ی عصبی مصنوعی است. عامل های دبی فراورده و انرژی مصرفی به عنوان عامل های خروجی مدل در نظر گرفته شد و دو شبکه ی عصبی مجزا برای پیش بینی این دو عامل مدنظر قرارگرفت. نتیجه های مدل سازی با دقت بسیار خوب، خطای متوسط مطلق، خطای متوسط نسبی و خطای احتمالی بین داده های واقعی کارخانه و مدل را به ترتیب برابر ب...

full text

مدل سازی و بهینه سازی سیکلون با جریان برگشتی برای جداسازی ذرات معلق در گاز

طبق نتایج بدست آمده مشخص شد هنگامی که دبی خوراک ورودی پایین است و در محدوده ی 365 تا 375 متر مکعب بر ساعت است و همچنین دبی جریان برگشتی بیش از 190 متر مکعب بر ساعت باشد بازده و کارایی بهتری داریم. وقتی که دبی جریان خوراک زیاد میشود به دلیل اینکه درصد دبی جریان پرتاب کننده پایین می آید بازده کمتری داریم. رابطه میان دبی جریان پرتاب کننده و بازده رابطه معکوس است و به دلیل افزایش اغتشاشات به واسطه ...

15 صفحه اول

مدل سازی خشک کردن اسمزی زردآلو با استفاده از الگوریتم ژنتیک - شبکه عصبی مصنوعی

ایران از نظر تولید زردآلو در جهان مقام دوم را دارد و مطالعه عوامل موثر بر خشک کردن این میوه و مقدار تاثیر آنها امری ضروری می باشد. لذا در این مطالعه تاثیر دمای محلول اسمزی در محدوده °C 25 تا °C 65، در مدت زمان 30 تا 120 دقیقه و غلظت محلول اسمزی در محدودۀ 30 تا 60 درصد (وزنی/وزنی) بر پارامترهای کاهش وزن، کاهش آب، جذب مواد جامد و نسبت دفع آب به جذب مواد جامد در طی خشک کردن اسمزی زردآلو مورد بررسی...

full text

بهینه سازی شبکه عصبی MLP با استفاده از الگوریتم ژنتیک موازی FinGrain برای تشخیص سرطان سینه

امروزه استفاده از سیستم‌های هوشمند در تشخیص پزشکی به تدریج در حال افزایش است. این سیستم‌ها می‌توانند به کاهش خطایی که ممکن است توسط کارشناسان کم‌تجربه اتفاق بیافتد، کمک کند. بدین منظور استفاده از سیستم‌های هوشمند مصنوعی در پیش‌بینی و تشخیص سرطان سینه که یکی از رایج‌ترین سرطان‌ها در بین زنان است، مورد توجه می‌باشد. در این تحقیق فرآیند تشخیص بیماری سرطان سینه با یک رویکرد دو مرحله‌ای انجام...

full text

My Resources

Save resource for easier access later


Journal title:
مجله فنی مهندسی فناوری های نوین در سیستم های انرژی

جلد ۱، شماره ۲، صفحات ۱۸-۲۷

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023