در این پروژه مدل های ترکیب موضعی e-nrtl و e-uniquac براساس تئوری غیر گسترده تسلیس1 برای تخمین ضرایب فعالیت متوسط یونی محلول های الکترولیتی آبی توسعه داده شده اند. برای استفاده از تئوری غیر گسترده یک شکل اصلاح شده از تابع توزیع بولتزمن در نظر گرفته شده است و پارامترهای انرژی جدید برای محلول های الکترولیتی تخمین زده می شوند. مدل های e-nrtl و e-uniquac اصلاح شده هر دو دارای یک پارامتر تنظیمی جدید اضافه شده می باشند که نشان دهنده اغتشاش و بی نظمی در اطراف فضای یونی می باشد. پارامترهای تنظیمی با استفاده از مقادیر تجربی ، ضرایب فعالیت یونی متوسط برای محلول های الکترولیتی در دمای 25 درجه سانتیگراد تخمین زده شده است. نتایج به دست آمده در این کار نشان می دهد که مدل های توسعه داده شده بر اساس فرض غیر گستردگی با دقت مناسبی می تواند ضرایب فعالیت متوسط یونی الکترولیت ها را در محلول های آبی الکترولیتی در مقایسه با مدل های بولتزمن تخمین بزند.

استفاده از روش های خشک کردن و آب زدایی مواد غذایی یکی از قدیمی ترین و پر کاربردترین روش ها برای حفاظت و نگهداری مواد غذایی برای طولانی مدت می باشد. از آنجائیکه برای قرن ها سیب زمینی، به عنوان منبع غذایی اصلی برای مردم در بسیاری از نقاط جهان بوده است، بنابراین فرآیند خشک کردن سیب زمینی می تواند در بسیاری موارد مهم باشد، از این رو تلاش های بسیاری در مدل سازی این فرآیند انجام شده است. به علاوه چون ضریب هدایت حرارتی یک ویژگی ترموفیزیکی اساسی در هر ماده ای می باشد، مدل های پیش بینی ضریب هدایت حرارتی ماده غذایی باید برای خصوصیات فیزیکی آن ماده محاسبه شود. در نتیجه در طول سال های متمادی، مطالعات زیادی در جهت مدل سازی ضریب هدایت حرارتی انجام شده است که هر کدام تنها به بخشی از فاکتورهای موثر توجه کرده اند اما در این پایان نامه سعی شده تا تمام آن ها یکجا مورد توجه قرار گیرند. در این تحقیق، یک سیستم شبکه عصبی سازمان یافته gmdh و یک سیستم شبکه عصبی ann برای پیش بینی ضریب هدایت حرارتی سیب زمینی بر اساس خواص فیزیکی آن نظیر میزان رطوبت محصول، دمای محصول، تخلخل و دانسیته ارائه شده است. بر این اساس رطوبت محصول، دما، تخلخل و دانسیته به عنوان متغیر های ورودی شبکه در نظر گرفته شده است و ضریب هدایت حرارتی به عنوان خروجی در نظر گرفته می شود. تعداد داده های آزمایشگاهی 37 داده تجربی است که 80 % آن داده ها برای آموزش شبکه عصبی و حدود 20% برای تست در نظر گرفته شده اند. از مقایسه بین نتایج تجربی ضریب هدایت حرارتی و نتایج بدست آمده از شبکه عصبی gmdh و شبکه عصبی ann، می توان بیان داشت مدل gmdh دارای دقت خوبی برای پیش بینی ضریب هدایت حرارتی سیب زمینی می باشد.