–42

بسم الله الرحمن الرحیم

وزارت علوم،تحقیقات وفناوری
دانشگاه علوم وفنون مازندران
پایان نامه
مقطع کارشناسی ارشد
رشته : مهندسی شیمی
عنوان :
ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف
استاد راهنما :
دکتر کامیار موقرنژاد
استاد مشاور :
دکتر غلامرضا باکری
دانشجو :
سیده عاطفه تقوی سنگدهی
(زمستان 1392)
تقدیر وسپاسگزاری
خداوند متعال را شاکرم به پاس تمامی الطافش
برخود لازم می دانم سپاسگزار همه عزیزانی باشم که در راه کسب علم ودانش یاری گر من بودند.به ویژه خانواده عزیزم که بودنشان وامیدشان در تمامی مراحل زندگی راهگشای من بوده وهست.
از استاد گرامی ام جناب آقای دکتر کامیار موقرنژاد به پاس راهنمایی های کارگشا و مؤثر وزحمات بی دریغشان در به انجام رسیدن این پایان نامه و همچنین استاد ارجمند جناب آقای دکتر غلامرضا باکری به پاس مشاوره در تهیه این رساله کمال تشکر وقدردانی را می نمایم وضمن آرزوی توفیق روزافزون برای آن بزرگواران، پاداش زحمات وتلاشهایشان را از سر صدق از خداوند سبحان خواستارم.
تقدیم به
پدر و ما در عزیزم
که هستی و علم و هنرم مدیون وجود نازنینشان و حمایتهای بی دریغشان است.
و خواهرم که وجودش ما یه دلگرمی و شا دی بخش زندگی من است.
چکیده
فشار بخار یک خاصیت ترمودینامیکی مهم در طراحی تجهیزات فرایندی و عملیات واحد مهندسی شیمی است. از این رو،داده های فشاربخار تجربی که تمام محدوده فشار بخار را پوشش دهند خیلی ارزشمند هستند اما به دلیل فقدان اندازه گیری های دقیق برای فشاربخار 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 باشنداما به دلیل شرایط ومحدودیت های موجود در بسیاری از روابط موجود، استفاده از روش های جدیدی که به دور از این محدودیت ها باشند ،توصیه می گردد.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.در این پژوهش، با استفاده از روش شبکه های عصبی مصنوعی، مدلی برای پیش بینی فشار بخار مواد مختلف ارائه شد.در کارحاضر،از 4 گروه از مواد شامل هیدروکربن های آروماتیکی،آلکان ها و آلکن ها، الکل ها و آلکیل سیکلوهگزان ها استفاده شد.مناسب ترین نوع شبکه عصبی مصنوعی برای پیش بینی فشاربخار این مواد، یک شبکه سه لایه پیشخور با الگوریتم پس انتشارخطا می باشد که در آن از تابع انتقال تانژانت سیگموئید در لایه پنهان و تابع انتقال خطی در لایه خروجی بهره گرفته شده است . پارامترهای ورودی شبکه عبارتند از: دما، دمای بحرانی، فشاربحرانی و ضریب بی مرکزی. داده های مورد نیاز جهت آموزش وتست شبکه از مقادیرمعتبر آزمایشگاهی گردآوری شدند.میزان خطای روش شبکه عصبی با مقادیر خطای حاصل از روش ها ی مختلف تخمین فشاربخار مقایسه شد. نتایج شبیه سازی نشان می دهند که روش شبکه عصبی توانسته پیش بینی دقیقی از فشاربخار مواد ارائه دهد و از دقت بالاتری نسبت به سایر روش ها برخوردار است.
کلمات کلیدی: فشار بخار، مدل سازی، پیش بینی خواص ترمودینامیکی، روش های هوشمند
فهرست مطالب
صفحهعنوان TOC o “1-5” h z u
فصـل اول : مقدمه وکلیات تحقیق11-1-مقدمه21-2-تعریف فشار بخار2 1-3–عوامل مؤثر برفشار بخار31-3-1-ماهیت مایع31-3-2-دمای مایع3HYPERLINK l “_Toc376368149″1-4-بیان مسأله3
HYPERLINK l “_Toc376368149″1-5-توجیه ضرورت انجام تحقیق4
1-6-اهداف تحقیق41-7-مراحل انجام تحقیق41-8-ساختار تحقیق5فصل دوم:ادبیات و پیشینه تحقیق7HYPERLINK l “_Toc376368152″2-1-مقدمه8
HYPERLINK l “_Toc376368153″2-2-روابط ریاضی تخمین وپیش بینی فشاربخار مواد مختلف92-2-1-معادله کلازیوس-کلاپیرون9
2-2-2-معادله آنتوان102-2-2-1-محدودیت های معادله آنتوان102-2-3-معادله آنتوان توسعه یافته10HYPERLINK l “_Toc376368157″2-2-4-معادله واگنر11
HYPERLINK l “_Toc376368157″2-2-4-1-محدودیت های معادله واگنر12
2-2-5-رابطه حالتهای متناظر ریدل122-2-6-معادله لی-کسلر142-2-6-1-محدودیت های رابطه لی-کسلر152-2-7-معادله فشاربخار آمبروز-پاتل152-2-7-1-ملاحظات معادله آمبروز-پاتل16HYPERLINK l “_Toc376368157″2-2-8-روش حالتهای متناظر آمبروز-والتون16
HYPERLINK l “_Toc376368160″2-3-اهمیت روش های نوین پیش بینی و تخمین خواص مواد17
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.
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 [
(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 [
3-3-1-قابلیت آموزش
این ویژگی در واقع توانایی شبکه در استخراج روابط حاکم بر یک پدیده پیچیده است که از طریق بررسی چند مورد مثال داده شده توسط شبکه صورت می گیرد. اهمیت این ویژگی در این است که کشف این روابط با یک الگوریتم معمولی ممکن نبوده ودر صورت امکان نیز به دقت ومراقبت زیادی نیاز دارند، به ویژه که دریک ساختار دارای قابلیت یادگیری، این امکان وجود دارد تا در صورت افزودن اطلاعات مربوط به رخدادها ومثال های بعدی پدیده مورد نظر، شبکه با ایجاد اندکی تغییر در شرایط محیطی و تعویض کلیه کارهای انجام شده قبلی، ساختارخود را با وضعیت جدید تنظیم نموده و با مختصر آموزشی که به آن داده شود، کارایی خود رابرای شرایط جدید حفظ نماید.
3-3-2-قابلیت تعمیم
در این مورد شبکه پس از ورود مثال های اولیه، در مقابل ورودی آموزش داده نشده نیز خروجی مناسب وقابل قبولی را ارائه می نماید، یعنی شبکه با یادگیری تابع، الگوریتم مربوطه را آموزش دیده و رابطه تحلیلی مناسبی از پدیده را به دست ِمی آورد که این مهم از طریق فرایند تعمیم صورت می پذیرد.
3-3-3-پردازش توزیعی(موازی)
به منظور پیاده سازی شبکه به عنوان یک عملگر محاسباتی در قالب یک ساختار مناسب طراحی شده، نرون هایی که در یک تراز واقع می شوند در مقابل ورودی ها به طور همزمان پاسخ می دهند یعنی در این وضعیت، وظیفه پردازش اطلاعات داده شده به شبکه بین تمامی پردازشگرهای مستقل آن توزیع می گردد که منجر به افزایش سرعت پردازش داده ها توسط شبکه خواهد شد.

این نوشته در مقالات ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.

دیدگاهتان را بنویسید

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