–42

متن کامل پایان نامه را در سایت منبع fuka.ir می توانید ببینید

فصل دوم
ادبیات و پیشینه تحقیق
2-1-مقدمه
داده های فشار بخار تجربی که تمام محدوده فشار بخار را پوشش دهند بسیار ارزشمند هستند اما به دلیل فقدان اندازه گیری های دقیق فشار بخار برخی از مواد در نزدیکی نقطه سه گانه و بحرانی، معادله هایی که قادر به پیش بینی فشاربخار در چنین شرایطی باشند بسیار حائز اهمیت می باشند. در این فصل به بررسی و معرفی روشهای متداول پیش بینی فشار بخار مواد مختلف پرداخته می شود و روابط و معادله هایی که طی سالهای متمادی توسط نویسندگان و محققین پیشنهاد شده است ارائه می گردد. پارامترهای هریک از روابط، دقت پیش بینی و محدودیت های استفاده از آنها به تفکیک توضیح داده خواهد شد. معادله های فشار بخار پرشماری منتشر شده است که از این بین، بهترین انواع شناخته شده عبارتند از :‌کلازیوس-کلاپیرون ، آنتوان ، فراست – کالکوارف ، کاکس ،‌گومز – تودوس ، لی – کسلر ، واگنر ،‌آمبروز – والتون ، ریدل ولمون – گودوین ،آمبروز-پاتل .
در حالت کلی روابط فشار بخار ذکرشده، در یکی از دو گروه روابط تجربی یا روابط بر مبنای قانون حالتهای متناظر دسته بندی می شوند.] 10 [
در میان معادله های فشار بخار تجربی، معروف ترین ها ، معادله کلازیوس-کلاپیرون ،آنتوان ومعادله واگنر می باشند.
از میان روابط حالات متناظر ، روابط ریدل، لی-کسلر، آمبروز-پاتل و آمبروز-والتون، مورد توجه بسیاری از محققین قرار گرفتند ودر سالهای اخیر مبنای ارائه یک رابطه جدید برای تعیین فشاربخار مواد شدند.
2-2-روابط ریاضی تخمین وپیش بینی فشار بخار مواد مختلف
2-2-1- معادله کلازیوس-کلاپیرون
وقتی فاز بخار از یک سیال خالص در تعادل با فاز مایع باشد، دما و فشار و پتانسیل شیمیایی در هر دو فاز با هم برابر خواهند بود. از این برابری و با به کارگیری معادله گیبس-دوهم، معادله کلاپیرون حاصل می شود ] 11 [ که در این رابطه تغییرات فشار بخار نسبت به تغییرات دما به صورت زیر بیان می شود:
(2-1)
(2-2)
آنتالپی تبخیراست که همان اختلاف آنتالپی مایع و بخار اشباع می باشد. تغییرات ضریب تراکم پذیری بین دو فاز مایع و بخار است. Pvp فشار بخار می باشد.
اغلب برآورد فشاربخار با انتگرال گیری از معادله (2-2) حاصل می شود. برای ساده سازی در انتگرال گیری فرض می شود که ثابت و مستقل از دماست. بنابراین یک ثابت انتگرال گیری به نام A شکل می گیرد و انتگرال معادله کلاپیرون به معادله زیر منجر می شود:
(2-3)
که معادله(2-3) ، معادله کلازیوس-کلاپیرون نامیده می شود. در این رابطه می باشد.
معادله کلازیوس-کلاپیرون، یک رابطه تقریبی فشار بخار برای تمام محدوده دمایی از نقطه سه گانه تا نقطه بحرانی را فراهم می نماید.
2-2-2- معادله آنتوان
معادله آنتوان یک رابطه تعیین فشاربخار بر پایه دمای مطلق است. آنتوان در سال ١٨٨٨ یک تغییر واصلاح ساده ای بر روی معادله کلازیوس-کلاپیرون انجام داد وآن را برای محدوده وسیعی از دمای مجاز پیشنهاد داد.] 12 [ شکل معادله آنتوان به صورت زیر است:
(2-4)
A ,B,C ثوابت معادله آنتوان هستند که از طریق داده های تجربی به دست می آیند. مقدار این ثوابت در مراجع بسیاری آورده شده است.] 15-13T [،دمای مطلق برحسب کلوین k)) است و Pvp فشاربخار برحسب بار (bar)است.
٢-٢-2-1-محدودیت های معادله آنتوان
محدوده عملیاتی دما وسیع نیست و از این رو نمی توان معادله آنتوان را در خارج از محدوده دمایی
مجاز جهت تعیین فشار بخار مورد استفاده قرار داد. پیش بینی های خارج از این محدوده با خطای بسیاری همراه است و نتایج حاصله نامطمئن می باشد.] 10 [
در بسیاری از موارد محدوده مربوط به فشار بین ١ ۰/۰تا ٢ بار است.
A ,B,C یک مجموعه هستند و هرگز نباید یک ثابت را از یک جدول و ثابت دیگر را از جدول دیگر استخراج کرد.
2-٢-٣-معادله آنتوان توسعه یافته
معادله آنتوان توسعه یافته به شکل رابطه (2-5) برای بسط رفتار فشار بخار در دماهای بالا مورد استفاده قرار می گیرد.] 12 [
(2-5)
در این رابطه، می باشد.
مقادیر ثوابت t0, F, E, n, C, B, A و نیز در ضمیمه A از] 12 [ برای تعدادی از سیالات درج گردیده است. مقادیر و به عنوان محدوده دمایی مجاز نیز در آن آورده شده است.
در دماهای پایین ، وقتی X منفی می شود، ترم های شامل X از رابطه بالا حذف می شوند و معادله (2-5) به معادله (2-4) تبدیل می شود.
٢-2-۴ -معادله واگنر
معادله واگنر فشار و دمای نقصانی را به عنوان پارامترهای نقصانی با هم ترکیب می کند و یک شکل عمومی و کلی دارد: ] 16 [
(2-6)
در معادله (2-6) ، n ، تعداد ترم های رابطه می باشد که معمولاً ۴ یا ۵ می باشد. شکل هایی از معادله واگنر که یک ترم پنجم را در نظر می گیرند تنها برای موادی چون آب، اکسیژن و بعضی الکل ها می تواند توجیه داشته باشد.
دمای نقصانی است و تعریف آن است. فشار نقصانی نامیده می شود و برابر با می باشد. و دما و فشار بحرانی هستند. و پارامترهای قابل تنظیم است که به وسیله تحلیل رگرسیون به دست می آید.
واگنر در سالهای١٩٧٣و١٩٧٧ معادلاتی را برای نشان دادن رفتار فشار بخار نیتروژن وآرگون در تمام محدوده دمایی در دسترس ارائه داد. ] 12 [
( 2-7)
a, b,c,d ثوابت معادله واگنر هستند که در مراجع مقدار آنها آورده شده است.] 17 [
فشار بخار نقصانی می باشد و در این رابطه برای ترم τ داریم:
از آنجایی که این معادله اولین شکل ارائه شده معادله واگنر بود، رابطه (2-8) ترجیح داده می شود] 16 [ (2-8)
در این رابطه نیز، ثوابت و پارامترها همانند رابطه (2-7) تعریف می شوند.
هر دو رابطه ارائه شده توسط واگنر می توانند نشان دهنده رفتار فشار بخار بیشتر مواد در کل محدوده مایع باشند.
2-2-4-1-محدودیت معادله واگنر
معادله واگنر فشاربخار را با دقت قابل قبولی تا دمای نقصانی 5/ 0 = پیش بینی می کند و در دماهای نقصانی کم تر از این مقدار ، فشار بخار محاسبه شده با خطای قابل توجهی همراه است.] 10 [
از طرف دیگر نتایج نشان می دهد که دقت بالای تخمین فشار بخار به وسیله این رابطه، در دماهای نقصانی بین 5/0 و 1 می باشد. ]18 [دمای نقصانی 1 به این معنی است که فشاربخار در دمای بحرانی محاسبه شده باشد. از این رو این رابطه تا نزدیکی دمای بحرانی ، یک رابطه قابل اطمینان برای محاسبه فشار بخار خواهد بود.
در ادامه به بیان روابط معروف و پرکاربردی که بر مبنای تئوری حالتهای متناظر ، شکل گرفتند، پرداخته می شود.
2-٢- 5-رابطه حالت های متناظر ریدل
ریدل] 12 [در سال 1954 یک معادله فشار بخار به فرم رابطه (2-9) پیشنهاد داد:
(2-9)
A,B,C,D ، پارامترهای رابطه هستند که تابعی از دما و دمای بحرانی ودمای نقطه جوش نرمال وفشار بحرانی می باشند.
در ناحیه فشاربالا برای تعیین ثوابت معادله، ریدل یک پارامتر α تعریف کرد:
( 2-10)
پلانک و ریدل با مطالعه داده های فشار بخار تجربی، نشان دادند که در داریم:
ریدل با استفاده از این قید بر روی معادله فشار بخار دریافت که رابطه فشاربخار به صورت زیر تعریف می شود:
( 2-11)
تعریف هرکدام از پارامترهای رابطه ( 2-11) به صورت زیر می باشد:

ریدل Q را چنین تعیین نمود:
که ، همان در نقطه بحرانی است. ریدل در آغاز K را ۰٨٣٨/۰ انتخاب کرد اما وتر در سال 1991 دریافت که اگر برای الکل ها و اسیدها به ترتیب از مقادیر k=0.373-0.030 h و k=-0.120+0.025h استفاده کند نتایج پیش بینی ها بهبود خواهد یافت. h از رابطه زیر تعیین می شود:
(2-12)
برای تعیین ، به کمک معادله ( 2-11) و پارامترهای تعریف شده آن و با قرار دادن P = 1.01325 barو T = معادلات زیر حاصل می شوند:
( 2-13)
(2-14)
دمای جوش نرمال نقصانی است که از به دست می آید. همان نقطه جوش نرمال است و دمای بحرانی است.
معادله ریدل برای تعیین فشار بخار به داده های دمای جوش نرمال، دمای بحرانی و فشار بحرانی به عنوان پارامترهای ورودی رابطه نیاز دارد.
2-2-6-معادله لی-کسلر
معادله لی کسلر یکی از روش های موفق برای پیش بینی فشار بخار بر پایه تئوری حالات متناظر است. این معادله فشار بخار نقصانی را به صورت مجموع دو ترم بیان می کند ] 19 [ (2-15)
و به ترتیب فشار بخار نقصانی یک سیال ساده و انحراف از سیالات ساده می باشند.
، ضریب بی مرکزی است که توسط پیتزر و همکارانش به صورت زیر تعریف شد: ] 20 [
(2-16)
فشار بخار نقصانی است که برای تعیین ضریب بی مرکزی در دمای نقصانی در نظر گرفته می شود.
ترم های معادله لی کسلر ، به صورت زیر است:
(2-17)
( 2-18)
رابطه لی-کسلر برای تعیین فشار بخار به اطلاعات دمای بحرانی و فشار بحرانی وضریب بی مرکزی سیال به عنوان پارامترهای ورودی نیاز دارد. مقادیر این پارامترها در مراجع برای خیلی از مواد خالص آورده شده است. مطالعه بر روی معادله لی-کسلر نشان می دهد که این معادله فشار بخار را تابعی از و در نظر می گیرد.] 10 [
2-2-6-1-محدودیت های رابطه لی-کسلر
معادله لی-کسلر برای هیدروکربن ها توصیه شده است اما فشار بخار مواد غیرهیدروکربنی ومواد قطبی را نمی تواند دقیق پیش بینی کند. به طوری که برای مواد قطبی و فشارهای پایین تا ١۰% خطا گزارش شده است و برای فشارهای بالا یعنی دمای جوش نرمال بالا این خطا به کم تر از ٢% می رسد. ] 12 [معادله لی-کسلر برای پیش بینی فشار بخار در دماهای نقصانی 8/0 و کم تر توصیه شده است و برای مقادیر بیشتر از این و در نزدیکی دمای بحرانی ، در پیش بینی مقادیر دقیق فشار بخار شکست می خورد.
٢-2- 7-معادله فشار بخار آمبروز-پاتل
معادله فشار بخار آمبروز-پاتل بر پایه رابطه حالتهای متناظر2 سیال مرجع ساخته شده است.] 21 [یک رابطه به شکل زیر ارائه شده است:
(2-19)
بالا نویس های R1 و به دو ماده مرجع بر می گردند. آمبروز و پاتل در سال 1984 از دو ماده پروپان و اکتان یا بنزن و پنتا فلوئوروتولوئن به عنوان سیالات مرجع استفاده کردند. هر کدام از این دو ماده که از لحاظ شیمیایی شبیه سیالات ناشناخته ای که رفتار فشار بخار آنها به خوبی تعیین شده است، باشند به عنوان سیالات مرجع انتخاب می گردند.
و از پارامترهای رابطه آمبروز-پاتل می باشند که شکل عینی معادله واگنر می باشند.
٢-2-7-١-ملاحظات معادله آمبروز-پاتل
این معادله برای مواد غیر هیدروکربنی و مواد قطبی معرفی و توصیه شده است. ] 10 [
تخمین دقیق تر فشار بخار زمانی به دست می آید که برای ضریب بی مرکزی دو سیال مرجع رابطه زیر برقرار باشد: ] 12 [
(2-20)
معادله آمبروز-پاتل برای پیش بینی فشار بخار در دمای نقصانی بین 5/0 تا 1 برای ترکیبات قطبی مناسب است. ] 21 [
٢-2-8-روش حالتهای متناظر آمبروز-والتون
رابطه آمبوز-والتون یکی از معادله های موفق سه پارامتری برای تعیین فشار بخار است.] 22 [این رابطه به صورت زیر تعریف می شود:
(2-21)
و و پارامترهای معادله آمبروز-والتون می باشد که به صورت زیر تعیین شده اند:
(2-22)
(2-23)
(2-24)
کمیت فقط برای سیالات با ضریب بی مرکزی بزرگ و دمای نقصانی پایین مهم است.
در حقیقت این کمیت در دمای نقصانی ٧/۰ برابر صفر است. ] 12 [ معادله آمبروز-والتون، فشار بخار را بر اساس ورودی های فشار بحرانی و دمای بحرانی و ضریب بی مرکزی پیش بینی میکند. ] 10 [
در این معادله، ضریب بی مرکزی تابعی از دمای جوش نرمال است وبه صورت زیر تعریف می شود:
(2-25)
ω ضریب بی مرکزی است .کمیتی بدون بعد است که برای توصیف ویژگی های یک ترکیب مانند شکل مولکول ونیز قطبیت مولکولها به کار می رود.
دمای جوش نرمال نقصانی است . در معادله آمبروز-والتون است.
این معادله فشار بخار ان-آلکان ها را با دقت بیشتری نسبت به معادله لی-کسلر پیش بینی می کند.
2-3-اهمیت روش های نوین پیش بینی و تخمین خواص مواد
در این فصل به بررسی روش های متداول ریاضی پیش بینی فشاربخار مواد پرداخته شد. هرکدام از روابط ارائه شده دارای شرایط و ملاحظاتی برای تعیین فشار بخار هستند. محدودیت هایی نیز در تعیین فشار بخاربه وسیله برخی از این روابط ذکر گردید. توجه به همه این عوامل سبب شد که طی سالهای اخیر نگاه ویژه ای به روش های جدید تخمین فشاربخار مواد شود. امروزه پیش بینی خواص ترمودینامیکی از جمله فشار بخار توسط روش های عددی مورد توجه بسیاری از محققین و مهندسین قرار گرفته است. ] 27-23 [این امر ناشی از سرعت و دقت بالای محاسبات این روشها است.
یکی از روش های عددی که در سالهای اخیر جایگاه خاصی در محاسبات مهندسی شیمی پیدا کرده است، روش محاسبه بر اساس شبکه های عصبی می باشد.
2-4-پیشینه روش شبکه های عصبی در تخمین خواص ترمودینامیکی
امروزه محققان تمایل زیادی به محاسبه خواص ترمودینامیکی سیستمهای تعادلی توسط روششبکه های عصبی از خود نشان میدهند که این امر ناشی از توان بالای روشهای عددی در شبیه سازی تعادلهای ترمودینامیکی میباشد. نووین و همکاران] 28 [برخی از داده های تعادلی بخار-مایع را برای سیستم های 3 جزئی با استفاده از شبکه های عصبی مصنوعی پیش بینی نمودند. نتایج حاصل از تخمین جزء مولی بخار نشان داد که خطای مطلق میانگین محاسبه توسط شبکه عصبی برای این خاصیت در مورد داده های آموزش، ارزیابی وتست به ترتیب01666 /0 و 0177/0 و01519 /0 شدند و این نتایج دقت بالای پیش بینی شبکه را نسبت به مدل های ترمودینامیکی موجود نشان می دهد.
لشکربلوکی و همکاران ]29 [نیز در زمینه تعادلات فازی به پیش بینی فشار نقطه حباب و شبنم در یک سیستم دو جزئی شامل دی اکسید کربن و گروهی از هیدرو کربن ها پرداختند. در این پژوهش از شبکه عصبی با ورودی های دمای نقصانی ،فشار بحرانی و ضریب بی مرکزی استفاده شد. محدوده دمایی مورد استفاده، 15/263 تا 15/393 کلوین(k) و محدوده فشار از 18/0 تا 06/12 مگا پاسکال(MP) انتخاب شد.
قادری و همکاران] 30 [ویسکوزیته 6 مبرد را بر اساس روش شبکه عصبی پیش بینی نمودند. شبکه مورد استفاده یک شبکه پرسپترون چند لایه بود. دما وفشار و جرم حجمی به عنوان پارامترهای ورودی به شبکه وارد شدند و 2 لایه پنهان با تعداد نرون های به ترتیب برابر 10 و 25 در لایه اول و دوم به عنوان ساختار بهینه مشخص شد. در این پژوهش ویسکوزیته مواد هم درجرم حجمی های بالا و هم درجرم حجمی های پایین با استفاده از روش های ریاضی موجود محاسبه گردید. سپس نتایج آن با مقادیر حاصل از شبکه عصبی مقایسه گردید.. نتایج نشان داد که ویسکوزیته محاسبه شده توسط روش های ریاضی تنها در جرم حجمی های پایین و متوسط ، دقیق می باشد ولی شبکه عصبی قادر به تخمین ویسکوزیته در جرم حجمی های بالا نیز می باشد.
موسوی و سلطانی،] 31 [جرم حجمی هیدروکربن ها را با استفاده از روش شبکه عصبی-مشارکت گروهی در دماها وفشارهای بالا پیش بینی نمودند. در این تحقیق 40 هیدروکربن مختلف شامل آلکان های زنجیرکوتاه وبلند زنجیررا مورد بررسی قرار دادند وهمچنین سیکلوآلکان ها وهیدروکربن های آروماتیکی مختلفی برای آموزش ، ارزیابی وتست مدل مورد استفاده قرار گرفتند. در این کار 75% داده ها برای آموزش، 10% داده ها برای ارزیابی و 15% داده ها برای تست تعیین شدندو نیز21 نرون به عنوان تعداد بهینه نرون های لایه پنهان انتخاب شد. مقایسه ای که بین نتایج به دست آمده از روش استفاده شده در این پژوهش و سایر روابط تخمین دانسیته صورت گرفت، نشان داد که روش ارائه شده دقیق تر می باشد و خطای نسبی میانگین برابر 39/0 دارد.
2-5-پیش بینی فشاربخار مواد با استفاده ازشبکه عصبی مصنوعی
کان و همکاران ] 32 [ برای تخمین فشار بخار هیدروکربن ها از روش شبکه عصبی بهره بردند. آنها در این تحقیق ساختار شیمیایی ترکیبات را در 22 گروه مختلف دسته بندی کردند و آنها را به عنوان پارامترهای ورودی به شبکه اعمال نمودند. خطای مطلق میانگین حاصل از شبیه سازی شبکه نسبت به مقادیر آزمایشگاهی فشار بخار برابر 08/0 شده است.
لازیوس] 33 [فشار بخارترکیبات آلی و غیر آلی را به وسیله روش شبکه عصبی پیش بینی کرد. پارامترهای ورودی به شبکه، دمای نقطه سه گانه، فشار نقطه سه گانه، ممان دوقطبی و وزن مولکولی و دمای جامدات مورد نظر انتخاب شدند. ساختاربهینه شبکه 1-15-20-5 (نرون لایه خروجی-نرون لایه پنهان دوم-نرون لایه پنهان اول-نرون لایه ورودی) تعیین گردید و جهت آموزش شبکه، از الگوریتم لونبرگ-مارکوارت استفاده شد. 152 ماده(1520داده) برای آموزش شبکه مورد استفاده قرار گرفت و فشار بخار60 ماده جامد دیگر توسط شبکه پیش بینی شد و نتایج حاصل از شبیه سازی شبکه با داده های آزمایشگاهی موجود در مراجع مقایسه شد. نتایج نشان داد که روش پیشنهاد شده تخمین خوبی از فشار بخار مواد ارائه داد و خطای مطلق میانگین پیش بینی توسط شبکه در مرحله آموزش و تست کمتر از 5% به دست آمد.
مقدسی و همکاران] 34 [فشار بخار و دانسیته دی اکسید سولفور را با استفاده از شبکه عصبی مصنوعی تخمین زدند. در این پژوهش از یک شبکه پرسپترون 3 لایه برای تخمین خواص استفاده شد و از الگوریتم لونبرگ-مارکوارت جهت آموزش شبکه بهره گرفته شد.نتایج شبیه سازی خطای کمتراز 67/0 % را برای مقادیر فشاربخار به دست آمده از شبکه نسبت به داده های آزمایشگاهی نشان می دهد.
گل و جورس] 35 [از روش شبکه عصبی برای پیش بینی فشاربخار هیدروکربن ها و هیدروکربن های هالوژنه استفاده کردند. بهترین ساختار شبکه با 3 نرون در لایه پنهان شکل گرفت و از داده های 353 ترکیب در دمای ℃ 25 برای مدلسازی استفاده شد. خطای مربعات میانگین حاصل از داده های تست 209/0 به دست آمد.
فصل سوم
روش تحقیق

3-1-مقدمه
در این فصل به معرفی و بررسی روش شبکه های عصبی به عنوان یک روش نوین برای پیش بینی فشار بخار مواد پرداخته خواهد شد. شبکه های عصبی از عناصر عملیاتی ساده ای ساخته می‌شوند که به صورت موازی در کنار هم عمل می کنند. ] 36 [ این عناصر از سیستم های عصبی زیستی الهام گرفته شده اند. در طبیعت ، عملکرد شبکه های عصبی از طریق نحوه اتصال بین اجزا تعیین می شود.] 37 [بنابراین ما می توانیم یک ساختار مصنوعی به تبعیت از شبکه های طبیعی بسازیم و با تنظیم مقادیر هراتصال، تحت عنوان وزن اتصال، نحوه ارتباط بین اجزای آن را تعیین نماییم. پس از تنظیم یا همان آموزش شبکه عصبی، اعمال یک ورودی خاص به آن منجر به دریافت پاسخ خاصی می شود.
از شبکه های عصبی برای پیاده سازی توابع پیچیده در زمینه های مختلف از جمله مدلسازی غیرخطی ، کنترل فرآیند، مدلسازی پویا از فرآیندهای شیمیایی اشاره می شود.] 38 [همچنین از شبکه های عصبی می توان به جای تجهیزات گرانی که در گذشته در صنعت مورد استفاده بوده اند ، استفاده نمود. به عنوان مثال از شبکه های عصبی می توان برای پیش بینی مقدار گازهای خروجی از کوره در برخی از فرآیندهای صنعتی استفاده نمود و نیز در زمینه نفت و گاز در بخش اکتشاف کاربردهای قابل قبولی دارد.
کاربرد شبکه های عصبی در علوم یاد شده روز به روز در حال گسترش می باشد و هر روزه کاربرد جدیدی از این شبکه ها در مقالات معتبر توسط پژوهشگران مطرح می گردد .امروزه از شبکه های عصبی برای حل مسائل دشواری که حل آنها با روش های معمول دشوار می باشد، استفاده می کنند.به طورکلی شبکه عصبی مصنوعی را می‌توان به عنوان یک مدل ریاضی که توانایی مدلسازی و ایجاد روابط ریاضی غیرخطی برای درون‌یابی را دارد، خلاصه کرد] 39 [
3-2-تاریخچه پیدایش شبکه های عصبی مصنوعی
در سال 1943 مک کلوچ وپیتز، نخستین افرادی بودند که مغز را به عنوان یک ساختار محاسباتی مطرح نموده و با ارائه یک مدل ریاضی ساده از نرون های مصنوعی، شبکه های عصبی مصنوعی را با دید امروزی بیان کردند. ] 40 [ این مرحله درحقیقت نقطه شروع به کار شبکه های عصبی مصنوعی به حساب می آید. ایشان با ارائه شبکه مزبور نشان دادند که هر تابع جبری ومنطقی را می توان شبیه سازی نمود.اما نقص کارشان این بود که هیچ قانونی برای آموزش و تنظیم اجزای شبکه ارائه نکردند. در سال 1949 توسط دونالد هب ، عمل شرط گذاری به عنوان روش آموزش ارائه شد. روزنبلات وهمکاران در سال 1958 شبکه ای به نام پرسپترون تک لایه ((SLP را به همراه قانون آموزشی آن ارائه دادند که به عنوان اولین کاربرد عملی شبکه های عصبی مصنوعی می توانست الگوها را از یکدیگر شناسایی نماید. در سال 1960 ویدرو شبکه ای مشابه با ساختار SLP و به نام شبکه تک لایه آدالاین طرح وبا همکاری هوف، قانون یادگیری حداقل میانگین مربعات ((LMS را ارائه نمود. شبکه های ارائه شده تا این زمان به سبب تک لایه بودن قادر به شناسایی الگوهای مستقل خطی بودند. از این رو سازندگان در صدد رفع این نقص برآمدند و شبکه های چند لایه را ارائه کردند. اما به دلیل تعمیم نیافتن قوانین یادگیری ارائه شده برای شبکه های جدید این شبکه ها همچنان ناقص باقی ماندند. ] 41 [
در سال 1974 توسط وربز، الگوریتم پس انتشار مطرح شد که با رشد و توسعه فناوری ریزپردازنده ها ایده های جدیدی راجع به شبکه های عصبی مصنوعی پدید آمد. ایده اول که شامل استفاده شبکه های پسخورد برای ذخیره سازی اطلاعات می باشد در سال 1982 توسط هاپفیلد مطرح شد. دومین ایده که منجر به معرفی بیشتر و توسعه گسترده شبکه های عصبی مصنوعی بر مبنای همان الگوریتم پس انتشار شد.در سال های 1985 و 1986 توسط پارکر،یان لی چان،روملهارت،هینتونو ویلیامز ارائه گردید.با بروز این دو ایده نوین بود که دنیای شبکه های عصبی مصنوعی متحول شد و جایگاه خود را در بین پژوهشگران علوم مختلف پیدا نمود. با توجه به پیچیدگی مغز و محدود بودن اطلاعات بیشتر از عملکرد آن، انتظار می رود با کشف حقایق بیشتری از ساختار عصب های طبیعی، پیشرفت های قابل توجهی در گستره شبکه های عصبی مصنوعی پدیدار شود. ] 42 [
3-3-ویژگی های شبکه عصبی مصنوعی] 43 [

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *