پیش‌بینی حلالیت اکسیژن در حلال های آلی با استفاده از شبکه عصبی مصنوعی

در این مقاله یک شبکه عصبی مصنوعی برای محاسبه حلالیت اکسیژن در حلال‌های آلی مورد بررسی قرار گرفته است. حلال‌های بررسی شده شامل متانول، پروپانول، اکتان، تولوئن، دی اتیل اتر و 2-متیل تترا هیدروفورن هستند. داده‌ها برای بازه وسیعی از دما (K29/348 – 2/298) و فشار (MPa2338/9 - 0535/0) بررسی شده‌اند. ورودی‌های شبکه عصبی شامل جرم مولکولی، ضریب اسنتریک، دمای کاهیده و فشار کاهیده حلال مورد نظر هستند و خروجی شبکه عصبی حلالیت اکسیژن است. بهینه طراحی ممکن برای شبکه عصبی، شبکه پیش‌خور با الگوریتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ مارکوارت، تابع فعال سازی سیگمودی برای لایه مخفی با 13 نرون در این لایه و تابع فعال سازی خطی برای لایه خروجی است. نتیجه‌ ها نشان می‌دهند که توسط شبکه عصبی بهینه می‌توان مقدارهای حلالیت را با ضریب همبستگی (R2) برابر 999997/0، درصد میانگین انحراف نسبی (ARD%) برابر 8103/0 و درصد میانگین انحراف مطلق (AAD%) برابر 0042/0پیش بینی کرد. تحلیل حساسیت نشان می‌دهد که دمای کاهیده بیشترین تأثیر را بر روی خروجی شبکه عصبی یعنی حلالیت داراست.