استفاده از شبکه‌های عصبی مصنوعی برای شناسایی خواص ترمودینامیکی محلول لیتیوم برماید-آب

نویسندگان

  • سیّدمحمّدابراهیم درخشانی مربی، دانشکده مهندسی مکانیک، موسسه غیر انتفاعی غیردولتی راغب اصفهانی،
  • سیّدمصطفی حسینعلی‌پور نویسنده مسئول و دانشیار، دانشکده مهندسی مکانیک، دانشگاه علم و صنعت ایران،
  • محمّدمهدی عارفی دانشجوی دکتری، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران،
چکیده مقاله:

در این مقاله از شبکه­های عصبی برای شناسایی خواص ترمودینامیکی محلول لیتیوم برماید-آب که یکی از پرکاربردترین محلول‌ها در شبیه‌سازی‌های ترمودینامیکی می‌باشد، استفاده شده است. برای آموزش شبکه عصبی از داده‌های شبیه‌سازی شده ناشی از تحلیل ترمودینامیکی استفاده شده است. به جای استفاده از معادلات پیچیده دیفرانسیلی و داده‌های تجربی محدود، استفاده از مدل شبکه‌ عصبی استخراج شده پاسخ‌های سریع‌تر و ساده‌تری را در اختیار قرار می‌دهد. با استفاده از شبکه­های عصبی، خواص محلول لیتیوم برماید-آب به صورت روابط ریاضی استخراج گردید. نتایج شبیه­سازی دقت بسیار زیاد شبکه­های عصبی را در شناسایی خواص ترمودینامیکی محلول لیتیوم برماید-آب نشان می­دهند.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

استفاده از شبکه های عصبی مصنوعی برای شناسایی خواص ترمودینامیکی محلول لیتیوم برماید-آب

در این مقاله از شبکه­های عصبی برای شناسایی خواص ترمودینامیکی محلول لیتیوم برماید-آب که یکی از پرکاربردترین محلول ها در شبیه سازی های ترمودینامیکی می باشد، استفاده شده است. برای آموزش شبکه عصبی از داده های شبیه سازی شده ناشی از تحلیل ترمودینامیکی استفاده شده است. به جای استفاده از معادلات پیچیده دیفرانسیلی و داده های تجربی محدود، استفاده از مدل شبکه عصبی استخراج شده پاسخ های سریع تر و ساده تری ر...

متن کامل

استفاده از شبکه¬های عصبی مصنوعی برای شناسایی خواص ترمودینامیکی محلول لیتیوم برماید-آب

در این مقاله از شبکه­های عصبی برای شناسایی خواص ترمودینامیکی محلول لیتیوم برماید-آب که یکی از پرکاربردترین محلول ها در شبیه سازی های ترمودینامیکی می باشد، استفاده شده است. برای آموزش شبکه عصبی از داده های شبیه سازی شده ناشی از تحلیل ترمودینامیکی استفاده شده است. به جای استفاده از معادلات پیچیده دیفرانسیلی و داده های تجربی محدود، استفاده از مدل شبکه عصبی استخراج شده پاسخ های سریع تر و ساده تری ر...

متن کامل

شناسایی مدل دینامیکی هواپیما با استفاده از شبکه‌های عصبی مصنوعی

در این مقاله‌، روشی جهت شناسایی مدل دینامیکی هواپیما در حالت 6 درجه آزادی‌، با استفاده از شبکه‌ی عصبی ارائه می‌شود‌. برای مدلسازی با شبکه‌های عصبی‌، آگاهی قبلی نسبت به ویژگی‌های سیستم چندان مورد نیاز نیست و می‌توان با بکارگیری مجموعه‌ای از ورودی‌ها و خروجی‌های ثبت شده‌ی سیستم‌، عملیات شناسایی را انجام داد‌. لذا این شیوه برای هواپیما که تعیین مقادیر دقیق جرم‌، ممانهای اینرسی‌، مشتقات پایداری و ک...

متن کامل

تخمین هدایت هیدرولیکی اشباع در برخی از خاکهای استان ایلام با استفاده از شبکههای عصبی مصنوعی و روشهای رگرسیونی

هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار بوده و در سطوحبزرگ نیز غیرعملی است. افزون بر این، بهدلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازهگیریها غیرقابل ...

متن کامل

بررسی عملکرد سیستم تبرید جذبی تک اثره لیتیوم برماید–آب متصل به گرد‌آورنده فتوولتائیک حرارتی

در پژوهش حاضر به بررسی عملکرد سیستم تبرید جذبی تک اثره لیتیوم برماید-آب متصل به گردآورنده‌های فتوولتائیک حرارتی پرداخته شده است. اجزاء اصلی سیستم شامل ژنراتور گرما، اواپراتور، کندانسور، جذب کننده، مبدل حرارتی، پمپ، شیرهای انبساط و گردآورنده‌های PV/T می‌باشد. معادلات حاکم بر مسئله توسط نوشتن بقای جرم، غلظت و قانون اول ترمودینامیک برای اجزاء سیستم به دست آمده است و به صورت عددی حل شده است. اعتبار...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


عنوان ژورنال

دوره 42  شماره 2

صفحات  37- 45

تاریخ انتشار 2010-09-23

با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023