تعیین تابع توزیع شعاعی (rdf) سیال لنارد- جونز در حالت خالص و مخلوط با استفاده از روش شبکه عصبی مصنوعی (ann)

thesis
abstract

تابع توزیع شعاعی(rdf) به عنوان یک فاکتور کلیدی در تئوری¬های مکانیک آماری برای سیالات خالص و مخلوط سیالات به کار می رود، تابع توزیع شعاعی دارای اهمیت زیادی است، زیرا علاوه بر اینکه اطلاعاتی درباره ساختار مایع فراهم می¬کند با فرض تقریب جمع¬پذیر جفت¬گونه (pair-wise additivity) برای انرژی پتانسیل، می¬توان کلیه توابع ترمودینامیکی سیستم¬های شامل مولکول¬هایی با تقارن کروی را بر حسب rdf یا g(t^*,ρ^*,r^*) نوشت. تابع توزیع شعاعی معمولا توسط شبیه¬سازی دینامیک مولکولی به صورت مقادیر جدول¬بندی شده در دماها و چگالی¬های خاص ارائه می¬شود. بیشتر تلاش¬ها در سال¬های گذشته برای ارائه عبارتی تحلیلی برای rdf سیالات لنارد-جونز انجام شده¬ است. در سال¬های اخیر، روش شبکه عصبی مصنوعی (ann) به عنوان روشی ساده برای مدل¬سازی در علوم مختلف از جمله برای محاسبه خواص ترمودینامیکی سیستم¬های مختلف مورد استفاده قرار گرفته است. یک شبکه عصبی از تعداد زیادی عناصر محاسباتی که رشته عصبی (neuron) نامیده می¬شوند تشکیل شده و چگونگی رفتار این سیستم یا شبکه بسته به الگوریتم آموزشی خواهد بود که برای آن تعریف می¬گردد و به این ترتیب با طراحی یک شبکه عصبی مناسب می¬توان به خروجی¬های معتبری دست یافت. در این پژوهش، ابتدا با استفاده از شبیه¬سازی دینامیک مولکولی و نرم افزار moldy، داده¬های rdf مربوط به سیال لنارد-جونز را در محدوده وسیع دمایی و چگالی (1/5≥ t^* ≥ 0/5) و (1/1≥ ρ^* ≥ 0/35) بدست آورده و سپس با استفاده از نرم افزار matlab توانایی شبکه عصبی در مدل سازی داده¬های rdf را بررسی نموده و مناسب¬ترین شبکه که کمترین خطا را خواهد داشت را انتخاب می¬کنیم. بدین ترتیب میتوان با استفاده از شبکه انتخابی مقادیر تابع توزیع شعاعی را در هر دما، چگالی و فاصله بین مولکولی دلخواه محاسبه نمود. لازم به ذکر است در این تحقیق برای اولین بار از روش شبکه عصبی به عنوان یک روش جدید در مدل¬سازی داده¬های rdf استفاده شده است. در مورد سیالات خالص فاصله بین مولکولی، دما و چگالی به عنوان سه ورودی شبکه و g(r) به عنوان خروجی و در مورد مخلوط سیالات علاوه بر سه ورودی قبلی کسرمولی نیز به عنوان ورودی خواهد بود. با بدست آوردن یک مدل موفق و با کمترین میزان خطا، از rdf تولیدی توسط روش شبکه عصبی برای محاسبه خواص ترمودینامیکی نظیر فشار استفاده شد.

similar resources

تعیین تابع توزیع شعاعی، معادله حالت و بعضی خواص ساختاری و دینامیکی سیال لنارد جونز درون نانولوله کربنی

به منظور بدست آوردن تابع توزیع شعاعی یک سیال لنارد-جونز محصور درون نانولوله کربنی، شبیه سازی روی 160 تا 320 اتم آرگون محصور در نانولوله کربنی با کایرالیته (33،0) از دمای اتاق (298 درجه کلوین) تا دمای 600 درجه کلوین انجام شد. پس از بدست آوردن مقادیر تابع توزیع شعاعی، آن ها را با معادلات ریاضی فیت کردیم که مقادیر بدست آمده از این معادلات توافق خوبی با مقادیر شبیه سازی داشتند. همچنین با استفاده از...

مدل‏سازی جریان سیال با استفاده از روش بدون شبکه محلی پترو-گلرگین بر پایه تابع شعاعی

در این مطالعه ابتدا به معرفی کامل روش بدون شبکه محلی پترو-گلرکین بر پایه تابع شعاعی پرداخته می‌شود. در این راستا با استخراج انواع معادلات جریان سیال شامل حرکت آب در خاک، کانال جریان و شکست سد سعی شده است با استفاده از مبانی ریاضی روش بدون شبکه، معادلات جریان رابطه‏سازی شود. نتایج نشان می‏دهد روش باقی‌مانده وزنی به عنوان یک روش‌ دقیق و به‏روز برای دست‏یابی به پاسخ‌های تقریبی معادله‌های‌ دیفرانسی...

full text

پیش بینی تراز آب زیرزمینی دشت شاهرود استفاده از شبکه عصبی مصنوعی تابع پایه شعاعی

     Groundwater level prediction is an important issue in scheduling and managing water resources. A number of approaches such as stochastic, fuzzy networks and artificial neural network have been used for such prediction. A neural network model has been employed in this research for Shahrood plain groundwater level prediction. For this reason, statistical parameters of groundwater level fluct...

full text

پیش بینی تراز آب زیرزمینی دشت شاهرود استفاده از شبکه عصبی مصنوعی تابع پایه شعاعی

پیش­بینی تراز آب زیرزمینی به منظور مدیریت و برنامه­ریزی منابع آب، بسیار مهم است. برای انجام این پیش­بینی، از روش­های متعددی مانند روش­های استوکستیکی، منطق فازی و شبکه عصبی مصنوعی می­توان استفاده نمود. در تحقیق حاضر، مدل شبکه عصبی مصنوعی rbf هیبرید برای پیش­بینی تراز آب زیرزمینی دشت شاهرود مورد استفاده قرار گرفته است. این هیبرید بودن شبکه باعث افزایش دقت روش نسبت به شبکه rbf پایه می­شود. بدین من...

full text

تعیین ارزش دارایی‌های نامشهود با استفاده از شبکه عصبی مصنوعی

درک عوامل موثر بر ارزش شرکت برای سرمایه‌گذاران و اعتباردهندگان پیش از اتخاذ تصمیمات سرمایه‌گذاری یا اعطای تسهیلات، امری حیاتی است. از آن‌جایی که اقتصاد دانش‌محور در حال تکامل یافتن است، روش ایجاد ارزش شرکتی از شیوه سنتی مبتنی بر دارایی‌های فیزیکی به دانش نامشهود منتقل شده است. از این‌رو در آینده نه چندان دور، ارزش‌گذاری دارایی‌های نامشهود به موضوع مهمی در اقتصاد مبدل خواهد شد. این مطالعه بر آن ...

full text

شبیه سازی شوری آب زیرزمینی با استفاده از شبکه عصبی مصنوعی(ANN) در سواحل استان مازندران

چکیده امروزه یکی از مسائل محدود کننده در بحث تأمین آب، مسئله کیفیت آب است. اندازه گیری پارامتر های کیفی آب زیر زمینی مستلزم صرف  هزینه های زیاد و زمان بر می باشد. برآورد پارامترهای کیفی آب با استفاده از مدل ها موجب کاهش هزینه ها و دسترسی به آمار جامعی برای مدیریت منابع آب خواهد شد.  در این تحقیق از  شبکه عصبی مصنوعی (ANN) برای شبیه سازی شوری آب زیرزمینی در سواحل استان مازندران استفاده شد. بدین ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه اصفهان - دانشکده شیمی

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023