پیش بینی کشش سطحی مایعات خالص با استفاده از شبکه عصبی مصنوعی

پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه کاشان - دانشکده مهندسی
نویسنده ساناز فتحیان پور
استاد راهنما ابراهیم نعمتی لای
تعداد صفحات: ۱۵ صفحه ی اول
سال انتشار 1390

چکیده

با توجه به اهمیت خاص پدیده کشش سطحی مایعات خالص در تحقیقات علمی و تکنولوژیکی و همچنین اهمیت اندازه گیری آن و ارائه نتایج قابل قبول در محدوده گسترده ای از دما، ارائه مدلی برای پیشگویی هر چه دقیق تر کشش سطحی و ایجاد ارتباط میان این پدیده و دیگر خواص مواد همواره مطرح بوده است. از طرفی اندازه گیری این پدیده ترموفیزیکی توسط دستگاه های موجود گاهی بسیار وقت گیر و پر هزینه بوده و یا در مورد بعضی مایعات در دماهای خاص امکان پذیر نمی باشد. در این پروژه پس از معرفی وسایل و دستگاه های اندازه گیری کشش سطحی، یک مرور کلی روی مدل های ارائه شده در زمینه تخمین و پیشگویی کشش سطحی مایعات خالص صورت گرفته و نقاط ضعف و قوت آنها بررسی شده است. در پروژه حاضر سه شبکه عصبی مصنوعی با ساختار های متفاوت برای رسیدن به ابزاری قابل اعتماد و قدرتمند برای پیش بینی کشش سطحی مایعات خالص دردماهای متفاوت و فشارثابت اتمسفر طراحی شده است. مدل اول، شبکه پیشخور3 لایه ای است با الگوریتم آموزشی پس انتشارخطا و روش بهینه سازی لونبرگ مارکارد متشکل از تعداد 3120 داده متعلق به 250 مایع خالص از 7 گروه مختلف از مایعات، شامل مایعات آلی، غیر آلی (معدنی)، آلی- فلزی، مایعات آلی ارسنیک دار، مایعات آلی – برون دار، مایعات آلی- سیلیکون دار و مایعات آلی- فسفردار می باشد که به عنوان ورودی شبکه در نظر گرفته شده اند. مشخصه های ورودی شبکه در این مدل عبارتند از دمای بحرانی، tc ،فشار بحرانی، pc ، دانسیته بحرانی، ?c ، حجم بحرانی، vc ، ضریب تراکم پذیری بحرانی، zc ، ضریب بی مرکزی، ? ، دمای جوش نرمال، tb ، جرم ملکولی، mw و دمای متناظر با کشش سطحی در هر نقطه برای مایعات. مدل دوم به گونه ای طراحی شده است که می تواند در مواردی که فقط خاصیت دمای بحرانی یک ماده در دسترس باشد، به جهت سهولت در محاسبه جرم ملکولی، کشش سطحی آن ماده را در هر دمای دلخواه با سرعت بالا و تقریب نسبتا" خوبی پیش بینی کند. به این ترتیب این مدل فقط با سه پارامتر ورودی دمای بحرانی، tc ، جرم ملکولی، mw و دمای متناظر با کشش سطحی در هر نقطه برای مایعات طراحی شده است. در مدل سوم فقط از مایعات آلی به عنوان ورودی برای شبکه عصبی استفاده شده است. در این مدل نیز 9 مشخصه ورودی مدل اول در طراحی شبکه مورد استفاده قرار گرفته اند. دقت و اعتبار مدل های ارائه شده به طور ویژه با معادلات حالت و به همان نسبت با سایر مدل های تئوری مورد مقایسه قرارگرفته و نتایج نشان می دهد که از این شبکه می توان به عنوان یک جدول مرجع برای تعیین کشش سطحی مایعات خالص به صورت تابعی ازخواص فیزیکی استفاده کرد.

۱۵ صفحه ی اول

برای دانلود 15 صفحه اول باید عضویت طلایی داشته باشید

ثبت نام

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

پیش بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم با بکارگیری شبکه عصبی مصنوعی

امروزه با پیشرفت تکنولوژی برای حل مسائلی که روابط دقیق ریاضی بین ورودی و خروجی برقرار نمی باشد از شبکه های عصبی مصنوعی استفاده می شود. در این پژوهش برای پیش‎بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم دو شبکه عصبی پرسپترون چند لایه شامل شبکه عصبی مصنوعی پیشرو (FFANN) و شبکه عصبی آبشاری (CANN) پیشنهاد شد. برای بررسی صحت مدل ها، از 1251 داده آزمایشگاهی گردآوری شده از مقالات مختلف شامل کشش سطحی...

متن کامل

پیش بینی کشش سطحی و خواص سطحی مخلوطهای دوجزئی حاوی مایعات یونی با استفاده از مدلهای ترمودینامیکی و شبکه عصبی مصنوعی

در این مقاله، کشش سطحی و خواص سطحی سیستمهای دو جزئی حاوی الکل (متانول و اتانول) و مایع یونی{1- بوتیل پیریدینیوم تترا فلوئورو بورات(1-bptf)، 1- بوتیل -3- متیل پیریدینیوم تترا فلوئورو بورات(1-b-3-mptf)، 1- بوتیل -4- متیل پیریدینیوم تترا فلوئورو بورات (1-b-4-mptf)} با استفاده از مدلهای تئوری و ترمودینامیکی در دماهای بین15/293 تا 15/323کلوین تعیین شدند. ابتدا مدل های ترمودینامیکی از قبیل مدل فو و ه...

متن کامل

پیش بینی کشش سطحی و خواص سطحی مخلوطهای دوجزئی حاوی مایعات یونی با استفاده از مدلهای ترمودینامیکی و شبکه عصبی مصنوعی

متن کامل

پیش بینی نشست سطحی ناشی از حفر تونل با استفاده از شبکه های عصبی مصنوعی؛ مطالعۀ موردی: تونل متروی مشهد

در هنگام حفر تونل در فضاهای شهری، جلوگیری از آسیب و تخریب سازههای مجاور اهمیت ویژهای دارد. برای کاهش این آسیبها باید از نشست سطحی زمین جلوگیری کرد. در سالهای اخیر بررسی‌های گستردهای در زمینۀ پیشبینی نشست سطحی زمین در اثر حفر تونل انجام شده است. انتخاب روش مناسب به عوامل مختلفی بستگی دارد. نشست سطحی ناشی از حفر تونل با کمک متغیرهای ورودی که تأثیر فیزیکی چشم‌گیری بر نشست دارند، پیشبینی شده...

متن کامل

پیش بینی رسوب آسفالتین با استفاده از شبکه عصبی مصنوعی بر مبنای الگوریتم ازدحام ذرات

متن کامل

پیش بینی درصد متان موجود در گاز مراکز دفن زباله با استفاده از شبکه عصبی مصنوعی

Backgrounds and Objectives:A number of different technologies have recently been studied todetermine the best use of biogas, however, to choose optimize technologies of using biogas for energy recovery it is necessary to monitor and predict the methane percentage of biogas. In this study, a method is proposed for predicting the methane fraction in landfill gas originating from Labscalelandfill ...

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 @}

نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه کاشان - دانشکده مهندسی

کلمات کلیدی

کشش سطحی شبکه عصبی مصنوعی الگوریتم پس انتشار خطا مایعات خالص

میزبانی شده توسط پلتفرم ابری doprax.com