این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
شیمی و مهندسی شیمی ایران، جلد ۳۳، شماره ۱، صفحات ۴۹-۵۵
عنوان فارسی پیش‌بینی حلالیت اکسیژن در حلال های آلی با استفاده از شبکه عصبی مصنوعی
چکیده فارسی مقاله در این مقاله یک شبکه عصبی مصنوعی برای محاسبه حلالیت اکسیژن در حلال‌های آلی مورد بررسی قرار گرفته است. حلال‌های بررسی شده شامل متانول، پروپانول، اکتان، تولوئن، دی اتیل اتر و 2-متیل تترا هیدروفورن هستند. داده‌ها برای بازه وسیعی از دما (K29/348 – 2/298) و فشار (MPa2338/9 - 0535/0) بررسی شده‌اند. ورودی‌های شبکه عصبی شامل جرم مولکولی، ضریب اسنتریک، دمای کاهیده و فشار کاهیده حلال مورد نظر هستند و خروجی شبکه عصبی حلالیت اکسیژن است. بهینه طراحی ممکن برای شبکه عصبی، شبکه پیش‌خور با الگوریتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ مارکوارت، تابع فعال سازی سیگمودی برای لایه مخفی با 13 نرون در این لایه و تابع فعال سازی خطی برای لایه خروجی است. نتیجه‌ ها نشان می‌دهند که توسط شبکه عصبی بهینه می‌توان مقدارهای حلالیت را با ضریب همبستگی (R2) برابر 999997/0، درصد میانگین انحراف نسبی (ARD%) برابر 8103/0 و درصد میانگین انحراف مطلق (AAD%) برابر 0042/0پیش بینی کرد. تحلیل حساسیت نشان می‌دهد که دمای کاهیده بیشترین تأثیر را بر روی خروجی شبکه عصبی یعنی حلالیت داراست.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Prediction of Oxygen Solubility in Organic Solvents Using Artificial Neural Networks
چکیده انگلیسی مقاله In this paper, solubility of oxygen in organic solvents has been estimated using Artificial Neural Networks (ANN). Solubility data were studied for wide ranges of temperature (298.2-348.29 K) and pressure (0.0535 to 9.2338 MPa). Solvents are included of methanol, n-propanol, octane, toluene, dibutyl ether and 2-methyltetrahydrofuran. Network model consists of four inputs in input layer for acentric factor, molecular weight, TR and PR of the system and one neuron in output layer corresponding to solubility of oxygen. The best structure for feed-forward back propagation neural network is logarithmic sigmoid transfer function for hidden layer, 13 neurons in this layer and linear transfer function for output layer. Results show that optimum neural network architecture is able to predict the solubility of oxygen in organic solvents with an acceptable level of accuracy, R2 of 0.999997, ARD % of 0.8103 and AAD% of 0.0042. Sensitivity analysis shows that TR has the greatest effect on the solubility of oxygen.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علی ترجمان نژاد | tarjoman nejad
تبریز، دانشگاه تبریز، دانشکده شیمی، گروه مهندسی شیمی
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

مهناز یاسمی |
ایلام، ایوان غرب، دانشگاه آزاد اسلامی واحد ایوان غرب

نشانی اینترنتی http://www.nsmsi.ir/article_9287_de0afa12df9d5f64d1fbae83635c8520.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/931/article-931-190322.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات