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 مربع میانگین و زمان آموزش باهم مقایسه شده و مشاهده شد که هر سه شبکه می‌توانند 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 کم‌ترین 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 مدل‌سازی 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