–42

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

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

پاسخ دهید

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