پیش بینی خواص مکانیکی نانو الیاف با استفاده از شبکه های هوش مصنوعی

نانو الیاف الکتروریسی شده ، اهمیت خاصی در کاربردهایی مانند فیلتراسیون،تقویت کامپوزیت ها ، مهندسی بافت، مواد تحویل دهنده دارو و. . . پیدا کرده است و امروزه توجهات زیادی به استفاده از این نانو الیاف معطوف شده است. در اکثر کاربردهای نانو الیاف نیاز به دانستن استحکام نانو اتلیاف احساس می شود. به خاطر اندازه کوچک نانو الیاف دست زدن بدون صدمه زدن به آنها بسیار مشکل می باشد.سیستم های میکرو برای جابه جایی و اتصال انتهای نانو الیاف به فکها استفاده می شود ولی ممکن است برای انواع خاصی از نانو الیاف که بعداً توضیح داده خواهد شد مناسب نباشد. اغلب این سیستم ها برای مشاهده نیاز به میکروسکپ روبشی الکترونی دارند که باعث محدودیت در نمونه ها می شود. این سیستم ها به صورت آزمایشی و بسیار گران و زمان بر هستند .این تحقیق به دنبال این است که روشی بسیار ساده تر ، ارزانتر، بدون صدمه زدن به نانو الیاف ،در کوتاهترین زمان ، قابل گسترش برای تمامی نانوالیاف و با خطایی قابل قبول برای استحکام نانو الیاف ارائه دهد. با توجه به این که خواص ساختاری الیاف مثل درجه بلورینگی ، درصد آرایش یافتگی ، اندازه بلورها ، فاصله صفحات بلوری و طول زنجیر های پلیمری بر خواص استحکام الیاف اثر می گذارد در این تحقیق سعی بر این است که ارتباطی بین خواص ساختاری الیاف و خواص مکانیکی آنها بدست آورده شود و سپس خواص مکانیکی نانوالیاف را از این طریق پیش بینی کرد. در این تحقیق ابتدا درجه بلورینگی ، درصد آرایش یافتگی ، اندازه بلورها ، فاصله صفحات بلوری را از پراش اشعه ایکس و شاخص بلورینگی را از طیف مادون قرمز برای 8 نمونه الیاف پلی اکریلو نیتریل و5 نمونه ی نانو الیاف پلی اکریلونیتریل با شرایط مختلف تولید، بدست آورده شد. سپس تنش – کرنش الیاف معمولی پلی اکریلو نیتریل و دسته نانو الیاف پلی اکریلو نیتریل را از آزمایش استحکام وتنش –کرنش الیاف اندازه گیری شد.سپس داده های الیاف معمولی همراه با 40 درصد نانو الیاف به عنوان داده های آموزش شبکه عصبی با خطای پسرو به کار برده شد.و60 درصد بقیه نانو الیاف به عنوان داده های تست شبکه عصبی به کاربرده شده است. شبکه ، تنش- کرنش نانو الیاف را پیشبینی می کند .در نهایت خطای بین نتایج پیشبینی شده و نتایج واقعی تنش -کرنش دسته نانو الیاف پلی اکریلو نیتریل را از آزمایش استحکام اندازه گیری شد. برای بهینه سازی تعداد ند های لایه های مخفی و پارامترهای آموزش شبکه عصبی از آلگوریتم ژنتیک استفاده شد و بهترین شبکه با سه لایه ، تابع آموزش trainbr ،22 تعدادند در لایه ی مخفی ،نرخ یادگیری 04277/0،ثابت ممنتم 6483/0 ،پارامتر تعدیل mu 0646/0، فاکتور کاهش mu9909/0و فاکتو افزایش mu 515/4 انتخاب شد. به طور متوسط درصد خطای تست این شبکه 9046/8 و درصد خطای آموزش 0068/0می باشد.کمترین درصد خطایی که با این آموزش بدست آمد 89009/0 بود که وزنهای مربوط به آن را ذخیره شد.