پیش بینی خواص ترمودینامیکی محلول های پلیمری پلی وینیل پیرولیدن در آب و اتانول با استفاده از شبکه های عصبی مصنوعی

در این پژوهش برای پیش بینی برخی از خواص ترمودینامیکی (دانسیته، ویسکوزیته و کشش سطحی) محلول پلی وینیل پیرولیدن (pvp) در آب و اتانول با استفاده از فناوری هوش مصنوعی (شبکه های عصبی مصنوعی و الگوریتم های تکاملی) استفاده شده است. دانسیته، ویسکوزیته و کشش سطحی محلول های پلی وینیل پیرولیدن با جرم متوسط مولکولی 10000، 25000، 40000 و 90000 در آب و اتانول در دماهای 20، 25، 30، 35، 40، 45، 50 و 55 درجه سانتی گراد و غلظت های 05/0، 1/0، 2/0، 3/0 و 45/0 بوسیله پیکنومتر و ویسکومتر و تانسیومتر اندازه گیری گردید که مجموعه داده جمع آوری شده شامل 552 داده (232 داده برای دانسیته، 192 داده برای ویسکوزیته و 128 داده برای کشش سطحی) می باشد. از این داده ها برای آموزش و اعتبار سنجی شبکه استفاده شد. با توجه به اینکه استفاده از الگوریتم های آموزشی متداول (مانند الگوریتم لونبرگ مارکوات) گاهاً باعث بروز مشکلاتی (مانند به دام افتادن در اکسترمم های محلی و عدم دستیابی به ضرایب وزنی و بایاس های مناسب) می شوند برای یافتن مینیمم مطلق تابع خطا و تعیین بهترین ضرایب وزنی و بایاس ها از الگوریتم ژنتیک استفاده شد. در این پژوهش برای پیش بینی دانسیته، ویسکوزیته و کشش سطحی محلول پلیمری پلی وینیل پیرولیدن در آب و اتانول از یک شبکه عصبی مصنوعی پیش خور با تابع آستانه تانژانت سیگموئیدی در لایه ای میانی و خروجی، سه نرون در لایه ورودی، هفت نرون در لایه میانی و یک نرون در لایه خروجی استفاده شد که ضریب همبستگی (r) داده های خروجی شبکه برای دانسیته، ویسکوزیته و کشش سطحی محلول ها به ترتیب 999/0، 996/0 و 998/0 بدست آمده است. نتایج بدست آمده از این تحقیق نشان داد در صورت استفاده از الگوریتم ژنتیک در فرایند آموزش شبکه، مدل ارائه شده، توانایی بالایی در پیش بینی خواص ترمودینامیکی دارد.