بررسی و مقایسه روش های کلاسیک پیش بینی جرم حجمی مایعات با روش های نوین ریاضی

در این پژوهش با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان به پیش بینی جرم حجمی مایعات اشباع شماری از ترکیبات آلی پرداخته ایم. درشبکه عصبی مصنوعی، شبکه پیش خور با الگوریتم پس انتشار خطا و تابع آموزش انتشار رو به عقب لونبرگ مارکوارت به کارگرفته شده است و در ماشین بردار پشتیبان، تابع شعاعی استفاده شده است. مقادیر سیگما و اپسیلون به روش حدس و خطا بهینه شده اند. پارامترهای ورودی برای شبکه عصبی و ماشین بردار پشتیبان شامل فشار، حجم بحرانی، وزن مولکولی، ضریب بی مرکزی، نقطه ی جوش متعارفی و تجزیه ساختمانی ترکیبات به روش جوبک هستند. چهار خانواده ی مورد بررسی الکل، هیدروکربن، آمین و آلدهید می باشند. شبکه با استفاده از داده های تجربی، آموزش داده می شود و به این ترتیب تعداد نرون های لایه ی مخفی به دست می آید. از آموزش شبکه برای دستیابی به داده های تست استفاده شده است. مقادیر درصد خطای نسبی برای الکل ها 0048/0، برای آلدهیدها 0034/0، برای آمین ها 0054/0 و برای هیدروکربن ها 0125/0 در شبکه عصبی و به ترتیب 6242/0، 4885/0، 5628/0 و 7157/0 در ماشین بردار پشتیبان به دست آمد. نتایج نشان می دهد که این دو روش که روشهای نوین ریاضی محسوب می شوند پیش بینی های منطقی، با دقت بالایی را ارائه می دهند.