متن کامل پایان نامه را در سایت منبع fuka.ir می توانید ببینید متن کامل پایان نامه را در سایت منبع 2 fuka.ir می توانید ببینید

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

2-4-پیشینه روش شبکه های عصبی در تخمین خواص ترمودینامیکی182-5-پیش بینی فشاربخار مواد با استفاده از شبکه عصبی مصنوعی19فصل سوم: روش تحقیق21HYPERLINK l "_Toc376368160"3-1-مقدمه22
HYPERLINK l "_Toc376368161"3-2-تاریخچه پیدایش شبکه های عصبی مصنوعی22
3-3-ویژگی های شبکه های عصبی مصنوعی24HYPERLINK l "_Toc376368163"3-3-1-قابلیت آموزش243-3-2-قابلیت تعمیم243-3-3-پردازش توزیعی(موازی)24HYPERLINK l "_Toc376368157"3-3-4-تحمل پذیری خطا25
3-4-ساختار شبکه‌ها‌ی عصبی مصنوعی25
3-4-1-مدل نرون با یک ورودی25HYPERLINK l "_Toc376368164"3-4-2- مدل نرون با یک بردار به عنوان ورودی263-4-3-ساختار یک لایه از شبکه های عصبی273-4-4-شبکه های چندلایه273-4-5-توابع انتقال283-4-5-1-تابع انتقال سخت محدود293-4-5-2-تابع انتقال خطی293-4-5-3-تابع انتقال لگاریتمی سیگموئید303-4-5-4-تابع انتقال شعاع مبنا303-4-5-5-تابع انتقال آستانه ای خطی متقارن313-4-5-6-تابع انتقال تانژانت-سیگموئید313-5-روش های آموزش شبکه عصبی32
HYPERLINK l "_Toc376368165"3-6-قواعد یادگیری شبکه های عصبی32
HYPERLINK l "_Toc376368166"3-6-1-قواعد یادگیری نظارت شده323-6-2-قواعد یادگیری غیرنظارتی333-7- شبکه های عصبی پرسپترون33
HYPERLINK l "_Toc376368167"HYPERLINK l "_Toc376368157"3-7-1-محدودیت های شبکه پرسپترون34
HYPERLINK l "_Toc376368165"3-8- شبکه های عصبی پیشخور35
3-9-الگوریتم پس انتشار خطا36
3-10-آموزش شبکه های پس انتشار373-11-بیش برازش شبکه37HYPERLINK l "_Toc376368175"3-12-بهبود عمومیت شبکه38
HYPERLINK l "_Toc376368175"3-13-پارامترهای اساسی برای طراحی یک شبکه عصبی39
3-13-1-انتخاب مناسب ترین اطلاعات ورودی به شبکه393-13-2-نحوه ورود داده ها393-13-3-تقسیم بندی داده ها393-13-4-انتخاب مناسب ترین تعداد نرون های لایه پنهان403-12-معیارهای ارزیابی کارایی مدل403-12-نرم افزار استفاده شده در این تحقیق41فصل 4: محاسبات و یافته های تحقیق424-1-مقدمه434-2-طراحی شبکه عصبی مصنوعی برای هیدروکربن های آروماتیکی43
4-3- طراحی شبکه عصبی مصنوعی برای آلکان ها و آلکن ها52HYPERLINK l "_Toc376368191"4-4- طراحی شبکه عصبی مصنوعی برای الکل ها .6
HYPERLINK l "_Toc376368191"4-5- طراحی شبکه عصبی مصنوعی برای آلکیل سیکلو هگزان ها68
فصل پنجم: نتیجه گیری و پیشنهادها775-1-نتیجه گیری785-2-پیشنهادات برای تحقیقات آتی79HYPERLINK l "_Toc376368196"مراجع80
چکیده انگلیسی86فهرست جداولعنوانصفحه TOC h z c "جدول 2-" جدول 4- 1: مشخصات داده های تجربی درنظرگرفته شده برای هیدروکربن های آروماتیکی44جدول 4- 2بررسی خطاوضریب تعیین ساختار مختلف شبکه های عصبی برای هیدروکربن های آروماتیکی46 TOC h z c "جدول 3-" جدول 4- 3: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای هیدروکربن های آروماتیکی51 TOC h z c "جدول 4-" جدول 4- 4: خلاصه شبکه عصبی طراحی شده برای گروه هیدروکربن های آروماتیکی52جدول 4- 5: مشخصات داده های تجربی درنظرگرفته شده برای آلکان ها و آلکن ها53جدول 4- 6: بررسی میزان خط و ضریب تعیین ساختار مختلف شبکه های عصبی برای آلکان ها و آلکن ها54جدول 4- 7: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای آلکان ها و آلکن ها59جدول 4-8: خلاصه شبکه عصبی طراحی شده برای گروه آلکان ها و آلکن ها60جدول 4- 9: مشخصات داده های تجربی درنظرگرفته شده برای الکل ها61جدول 4- 10: بررسی میزان خطا وضریب تعیین ساختار مختلف شبکه های عصبی برای الکل ها62جدول 4- 11: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای الکل ها67HYPERLINK l "_Toc376641607"جدول 4- 12: خلاصه شبکه عصبی طراحی شده برای گروه الکل ها68
HYPERLINK l "_Toc376641608"جدول 4- 13: مشخصات داده های تجربی درنظرگرفته شده برای آلکیل سیکلوهگزان ها69
HYPERLINK l "_Toc376641609"جدول 4- 14: بررسی میزان خطا وضریب تعیین ساختارمختلف شبکه های عصبی برای آلکیل سیکلوهگزان ها70
جدول 4- 15: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای آلکیل سیکلو هگزان ها75 جدول 4- 16: خلاصه شبکه عصبی طراحی شده برای گروه آلکیل سیکلو هگزان ها76فهرست شکلها
عنوانصفحه
TOC h z c "شکل 1-" شکل 3- 1: نمایی از مدل نرون تک ورودی26شکل 3- 2:مدل نرون با R ورودی27 TOC h z c "شکل 3-" شکل 3- 3:یک لایه از شبکه های عصبی27شکل 3- 4: مدل خلاصه شده شبکه تک لایه27شکل 3- 5: مدل شبکه های چند لایه28شکل 3- 6: تابع انتقال سخت محدود29شکل 3- 7: تابع انتقال خطی29شکل 3- 8: تابع انتقال لگاریتمی سیگموئید30شکل 3- 9: تابع انتقال شعاع مبنا30 TOC h z c "شکل 4-" شکل 3- 10: تابع انتقال آستانه ای خطی متقارن31شکل 3- 11:تابع انتقال تانژانت-سیگموئید31شکل 3- 12:یک نرون پرسپترون34HYPERLINK l "_Toc376641732"شکل 4- 1: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای هیدروکربن های آروماتیکی47
HYPERLINK l "_Toc376641733"شکل 4- 2: ساختار بهینه شبکه عصبی برای هیدروکربن های آروماتیکی47
شکل 4- 3: خطای مربعات میانگین شبکه در مراحل آموزش، ارزیابی و تست برای هیدروکربن های آروماتیکی48شکل 4- 4: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله آموزش برای هیدروکربن های آروماتیکی49شکل 4- 5: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله ارزیابی برای هیدروکربن های آروماتیکی49HYPERLINK l "_Toc376641737"شکل 4- 6: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله تست برای هیدروکربن های آروماتیکی50
HYPERLINK l "_Toc376641738"شکل 4- 7: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در کل مراحل برای هیدروکربن های آروماتیکی50
HYPERLINK l "_Toc376641739"شکل 4- 8: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای آلکان ها و آلکن ها55
HYPERLINK l "_Toc376641733"شکل 4- 9: ساختار بهینه شبکه عصبی برای آلکان ها و آلکن ها55
شکل 4- 10: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای آلکان ها و آلکن ها56شکل 4- 11: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله آموزش برای آلکان ها و آلکن ها57شکل 4-12: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله ارزیابی برای آلکان ها و آلکن ها57شکل 4- 13: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله تست برای آلکان ها و آلکن ها58HYPERLINK l "_Toc376641738"شکل 4- 14: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در کل مراحل برای آلکان ها و آلکن ها58
HYPERLINK l "_Toc376641739"شکل 4- 15: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای الکل ها63
شکل 4- 16: ساختار بهینه شبکه عصبی برای الکل ها63شکل 4- 17: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای الکل ها64شکل 4- 18: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله آموزش برای الکل ها65شکل 4- 19: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله ارزیابی برای الکل ها65شکل 4- 20: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله تست برای الکل ها66شکل 4- 21: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در کل مراحل برای الکل ها66HYPERLINK l "_Toc376641739"شکل 4- 22: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای آلکیل سیکلوهگزان ها71
شکل 4- 23: ساختار بهینه شبکه عصبی برای آلکیل سیکلوهگزان ها71شکل 4- 24: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای آلکیل سیکلوهگزان ها72شکل 4- 25: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله آموزش برای آلکیل سیکلوهگزان ها73شکل 4- 26: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله ارزیابی برای آلکیل سیکلوهگزان ها73شکل 4- 27: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله تست برای آلکیل سیکلوهگزان ها74شکل 4- 28: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در کل مراحل برای آلکیل سیکلوهگزان ها74
فصل اول
مقدمه و کلیات تحقیق

1-1-مقدمه
فشار بخار خاصیت ترمودینامیکی مهمی در بسیاری از فرآیند های مختلف مهندسی شیمی نظیر تعادل شیمیایی، تقطیر ، تبخیر و مانند آنها به شمار می رود. تعیین این مشخصه می تواند به محاسبه مشخصات مهم دیگری نظیر انتالپی تبخیر بیانجامد. در صنایع نفت وگاز هم تعیین فشار بخار دارای اهمیت ویژه ای می باشد. در این حوزه در دو مورد عمده با فشار بخار برخورد می شود؛ یکی از این موارد، فشار بخار در مخازن می باشد. یکی از روش های مهم برای تقسیم بندی انواع مخازن نگهداری سیالات در صنعت نفت و گاز، تقسیم بندی آنها بر اساس فشار بخار سیالات مورد نظر می باشد. برای هر محدوده از فشار بخار مواد (فشار پایین، فشار متوسط، فشار بالا) از انواع مخصوصی از مخازن استفاده می شود. به عنوان مثال برای سیالات با فشار بخار پایین، از مخازن سقف ثابت استفاده می شود. برای سیالات با فشاربخار متوسط، مخازن سقف متحرک یا به عبارتی سقف شناور مورد استفاده قرار می گیرد.
فشار بخار محصولات مایع، از دیگر مواردی است که در صنعت مورد اندازه گیری واقع می شود. یکی از راههای اندازه گیری غیر مستقیم میزان سرعت تبخیر حلال های نفتی فرار، فشار بخار آن ها می باشد.محصولات تولیدی پالایشگاه نیز می بایست دارای مشخصات ویژه ای بوده و استانداردهایی در آن ها رعایت شده باشد تا در بازارهای جهانی امکان حضور و فروش خوب داشته باشد. بر همین اساس میزان فشاربخار از جمله مهمترین خصوصیت های مورد توجه است که علاوه بر کیفیت و قیمت از نقطه نظر ایمنی هنگام انتقال و ذخیره سازی نیز بسیار مهم می باشد و همواره مورد آزمایش و کنترل واقع می شود. از این رو اهمیت تعیین دقیق فشاربخار سیالات در حوزه صنایع نفت برکسی پوشیده نیست.
1-2-تعریف فشار بخار
فشار بخار به صورت فشار جزئی اعمال شده توسط بخار بالای سطح مایع تعریف می شود که این بخار در یک دمای معینی با مایع به تعادل می رسد. زمانی که لحظه ی تعادل نزدیک می شود، تعداد مولکول های بخار شده با تعداد مولکول های متراکم شده برابر می شود. در واقع سرعت تبخیر با سرعت تراکم برابر می گردد و فشار مشخص شده در این حالت، فشار بخار آن مایع در آن دما است.] 1 [
1-3-عوامل مؤثر بر فشار بخار
در کل فشار بخار یک مایع به دو عامل زیر بستگی دارد:
ماهیت و طبیعت مایع
دمای مایع
1-3-1- ماهیت مایع
مایعاتی که دارای نیروهای بین مولکولی ضعیفی هستند، فرارترند و فشار بخار بالاتری دارند. برای مثال، فشار بخار اتیل الکل بیشتر از فشار بخار آب است.
1-3-2-دمای مایع
فشار بخار با افزایش دما، افزایش می یابد. این مسئله بدین علت است که با افزایش دما، سرعت تبخیر نیز، افزایش می یابد.
1-4-بیان مسأله
فشار بخار مواد مختلف از جمله خواص مورد نیاز برای انجام محاسبات مهندسی شیمی نظیر محاسبات تعادلی و عملیات واحد مهندسی شیمی است که پژوهشهای فراوانی در مورد آن در حال انجام است. رایج ترین روش های تعیین فشاربخار شامل اندازه گیری های آزمایشگاهی، معادله های حالت، روابط تجربی و روابط بر مبنای قانون حالت های متناظر می باشند. ضرورت محاسبه فشاربخار با استفاده از روابط ریاضی زمانی افزایش می یابد که داده های آزمایشگاهی در دسترس نباشد. از آنجایی که شرایط بسیاری از فرایندهای شیمیایی به گونه ای است که عملاً تعیین فشار بخار مواد به صورت تجربی امکان پذیر نمی باشد و اندازه گیری آن در برخی فشارها ودماهای خاص سخت ومقادیر به دست آمده خیلی قابل اعتماد نیست، لذا ارائه مدل ها و روشهای پیش بینی فشار بخار، سهم عمده ای در تعیین این خاصیت ترمودینامیکی خواهند داشت. بنابراین روشهای پرشماری برای پیش بینی این مشخصه ارائه شده اند و هر ساله روش های جدیدتری معرفی و یا روشهای قدیمی تصحیح می شوند. ] 5-2 [
1-5-توجیه ضرورت انجام تحقیق
از آنجایی که بسیاری از روابط تجربی ویا روابط حالت های متناظر دارای محدودیت هایی در تعیین فشار بخار هستند و برای تعیین فشار بخار در تمام محدوده دمایی مورد نیاز قابل استفاده نیستند ودقت قابل قبولی ندارند از این رو استفاده از روش های جدیدی که به دور از این محدودیت ها باشند ،توصیه می گردد. یکی از روش های مدلسازی که در سالهای اخیر مورد توجه بسیاری از محققین در علوم مختلف واقع شده است، مدلسازی به روش شبکه عصبی مصنوعی می باشد. شبکه های عصبی مصنوعی به عنوان زیر مجموعه ای از روش های هوش مصنوعی، با ساختار و عملکردی شبیه به مغز انسان در طیف وسیعی برای حل بسیاری از مسائل شامل ارزیابی، بهینه سازی، پیش بینی، تشخیص و کنترل مورد استفاده قرار می گیرند.] 6 [ یکی از مزیت های استفاده از شبکه های عصبی مصنوعی نسبت به مدل های قدیمی این است که نیازمند تعیین یک تابع خاص برای بیان رابطه میان داده های ورودی و خروجی نیست. رابطه بین داده های ورودی و خروجی ازطریق فرایند آموزش به دست می آید. ] 7 [
1-6-اهداف تحقیق
مطالعه روش های مختلف برای محاسبه فشار بخار
بررسی میزان دقت و چگونگی اعمال روش های موجود برای محاسبه فشار بخار مواد مختلف
ارتقای روش های پیش بینی فشار بخار با اعمال روش نوین شبکه عصبی و مقایسه آن با روش های قدیمی
ارزیابی نتایج حاصل از مدل سازی به وسیله شبکه ی عصبی با داده های تجربی و بررسی دقت آن
1-7-مراحل انجام تحقیق
در بخش اول این پایان نامه روش های مختلف برای محاسبه فشار بخار بصورت جامع و کامل مورد بررسی قرار گرفت و پارامترهای هریک از روابط ، دقت تخمین فشار بخار و محدوده مطلوب دمایی هرکدام از روش ها ذکر گردید.
در بخش دوم به معرفی وبررسی روش شبکه عصبی به عنوان یک روش محاسباتی دقیق برای پیش بینی فشار بخار مواد پرداخته شد. در این مرحله از پایان نامه، مدل شبکه عصبی مصنوعی به عنوان روش تحقیق، بررسی شد و توضیحات جامعی از این روش و کاربردها و ویژگی های آن و چگونگی اعمال این روش برای پیش بینی فشاربخار مواد ارائه شد.
در بخش سوم پایان نامه، روش نوین شبکه عصبی برای پیش بینی دقیق تر فشار بخار چندین گروه از مواد اعمال شد و شبکه عصبی مطلوب طراحی و نتایج حاصل از مدلسازی توسط روش شبکه عصبی مصنوعی برای گروههای مختلف مواد ارائه گردید. در این بخش با استفاده از منابع معتبر و داده های تجربی مورد اعتماد، میزان دقت و چگونگی اعمال مدل های مرسوم مختلف برای تخمین فشاربخار بررسی شد. در ادامه سعی شد تا کارایی روش های مختلف پیش بینی فشار بخار مواد در شرایط و برای مواد مختلف مورد بررسی قرار گیرد . در خاتمه نتایج به دست آمده از تحقیق حاضر و پیشنهادهایی برای تحقیقات آتی ارائه شده است.
1-8-ساختار تحقیق
کاربردی ترین و معروف ترین روابط محاسبه فشار بخار در فصل دوم پایان نامه ذکر گردید. در این فصل، هشت رابطه معرفی وبررسی گردید. در ادامه، پیشینه استفاده از روش شبکه عصبی برای تعیین خواص ترمودینامیکی مواد از جمله فشار بخار ترکیبات مختلف بیان شد. از مهم ترین ویژگی های شبکه های عصبی مصنوعی وابسته نبودن آن ها به فرضیه های اولیه درباره داده های ورودی است؛ به این معنا که داده های ورودی می توانند هرگونه توزیع آماری دلخواهی داشته باشند ] 8 [ این ویژگی مهم شبکه های عصبی امتیاز ویژه آن ها در مقابل روش های آماری است و به آن ها این توانایی را می دهدکه به طور یکسان از انواع مختلف داده های ورودی با هر توزیع دلخواه استفاده کنند.] 9 [حاصل تحقیقات و پژوهش های صورت گرفته طی سالهای اخیر برای پیش بینی و تخمین خواص فیزیکی و ترمودینامیکی با استفاده از انواع مدل های شبکه عصبی مصنوعی،در این فصل ارائه شده است.

متن کامل در سایت امید فایل 

در فصل سوم، ساختار شبکه عصبی به طور کامل تشریح گردید. انواع شبکه های عصبی ، الگوریتم های آموزش شبکه ومراحل کار با شبکه عصبی برای رسیدن به هدف مورد نظر بیان شد.
در فصل چهارم، مراحل آموزش و تست شبکه عصبی برای 4 گروه از مواد اعمال شد.تعداد 176 داده از گروه هیدروکربن های آروماتیکی، 254 داده از گروه آلکان ها و آلکن ها ، 202 داده از گروه الکل ها و 224 داده از گروه آلکیل سیکلو هگزان ها در این تحقیق مورد استفاده قرار گرفته است. هرکدام از گروه های بالا به طور جداگانه به شبکه معرفی شد ونتایج عملکرد شبکه برای هر خانواده از مواد ارائه گردید. مراحل رسیدن به بهترین ساختار شبکه، به تفکیک بیان شد ونتایج حاصل از مدلسازی فشاربخار مواد توسط شبکه عصبی، با روش ها و روابط ریاضی موجود مقایسه گردید و میزان خطای هریک از روش ها و همینطور مدل شبکه عصبی مصنوعی، تعیین گردید. در ادامه بهترین نتیجه ازیافته ها ومحاسبات این تحقیق، ارائه گردید.در فصل پنجم، از نتایج حاصل از پایان نامه، نتیجه گیری صورت گرفت و برای تحقیقات آتی، پیشنهادهایی بیان شد.

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 [

پاسخ دهید

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

متن کامل پایان نامه را در سایت منبع 23333 fuka.irمی توانید ببینید