پژوهش user7-259

TbBoiling Temperature TcCritical TemperatureTotTotalVcCritical VolumeZcCompressibility FactorGreek letters:ωAcentric factorθA critical constant, Tc , Pc or Vcفصل اولمشخصات بحرانی: مباحث تئوری1-1- مقدمهپیش بینی درست خواص بحرانی در تعیین خواص فازی سیستم ها اهمیت زیادی دارد. حالت بحرانی تنها شرایطی است که فازهای […]

سایت دانلود پژوهش ها و منابع علمی

سایت دانلود پژوهش ها و منابع علمی دانشگاهی فنی تخصصی همه رشته ها – این سایت صرفا جهت کمک به گردآوری داده ها برای نگارش پژوهش های علمی و صرفه جویی در وقت پژوهشگران راه اندازی شده است

Toggle navigation

• Home
• درباره ما – تماس با ما

• Home /

پژوهش user7-259

پژوهش user7-259

• By - پژوهش
• دسته‌بندی نشده
• تیر 19, 1396
• 0

پژوهش user7-259

مدلهای پیشنهادی در عین سادگی خطای کمی دارند. از دیگر مشخصات مدلها می توان به عمومیت معادلات و قابل دسترس بودن پارامترهای ورودی نیز اشاره کرد.
در پایان تحقیق با مقایسه بین مدل های پیشنهادی و مدل های برگرفته از هوش مصنوعی و نیز 4 رابطه نیمه تجربی، مشخص می شود که مدلهای پیشنهادی دقت خوبی جهت تخمین خواص بحرانی مواد دارند.
میانگین خطای نسبی مدل نهایی برای دمای بحرانی، حجم بحرانی و فشار بحرانی به ترتیب برابر با 86/3 ، 06/5 و 57/5 می باشد که حاکی از دقت کافی مدلها می باشد.
کلمات کلیدی:
خواص بحرانی، مدلهای نیمه تجربی، شبکه عصبی مصنوعی
فهرست مطالب
عنوان صفحه
TOC \o "1-4" \h \z \u فصل اول: مباحث نظری و تئوری
HYPERLINK \l "_Toc355383316"1-1- مقدمه21-1-1- هدف از انجام تحقیق31-2- تاریخچه3
1-3- روابط موجود در تخمین خواص بحرانی51-3-1- رابطه های کاوت51-3-2- رابطه های لی- کسلر71-3-3- رابطه های وین- ثیم81-3-4- رابطه های تعمیم یافته ریاضی- دابرت91-3-5- رابطه های تعمیم یافته لین- چاوو111-3-6- رابطه های واتنسیری141-3-7- رابطه ارائه شده توسط پازوکی و همکارانش151-3-7-1- مقایسه بین مدل پازوکی با داده های تجربی161-3-8- مدل یاسر خلیل و همکارانش17فصل دوم: روش های انجام تحقیق
2-1- مقدمه ای بر روش های انجام تحقیق202-2- شبکه عصبی مصنوعی202-2-1- سابقه تاریخی شبکه عصبی212-2-2- شبکه عصبی اشتراک به جلو222-2-3- مزیت های شبکه های عصبی232-2-4- انواع یادگیری برای شبکه های عصبی232-2-5- ساختار شبکه‌های عصبی25HYPERLINK \l "_Toc355383315"
2-2-6- تقسیم بندی شبکه‌های عصبی27HYPERLINK \l "_Toc355383315"2-2-6-1- تقسیم بندی داده ها در شبکه عصبی مصنوعی282-2-7- کاربرد شبکه‌های عصبی292-2-7-1-کاربرد شبکه عصبی مصنوعی در این تحقیق30
2-2-8- معایب شبکه‌های عصبی31HYPERLINK \l "_Toc355383315"
2-3- سیستم استنتاج تطبیقی عصبی- فازی (انفیس)31HYPERLINK \l "_Toc355383315"
2-3-1- دسته بندی قواعد انفیس322-3-1-1- مدل تاکاگی- سوگنو-کانگ32
2-4- شاخص های ارزیابی مدل های بدست آمده34
فصل سوم: بحث و نتیجه گیری
3-1-هدف تحقیق363-2- مدل های نیمه تجربی ارائه شده363-2-1- مدل ارائه شده برای دمای بحرانی373-2-2- مدل ارائه شده برای حجم بحرانی373-2-3- مدل ارائه شده برای فشار بحرانی383-3- مقایسه مدل های ارائه شده با داده های تجربی383-3-1- مقایسه مدل ارائه شده برای دمای بحرانی با داده های تجربی383-3-2- مقایسه مدل ارائه شده برای حجم بحرانی با داده های تجربی393-3-3- مقایسه مدل ارائه شده برای فشار بحرانی با داده های تجربی403-4- توزیع خطای نسبی مدل های ارائه شده413-5- مدل های ارائه شده توسط شبکه عصبی مصنوعی423-5-1- مدل ارائه شده توسط شبکه عصبی مصنوعی برای دمای بحرانی423-5-1-1- مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای دمای بحرانی463-5-2- مدل ارائه شده توسط شبکه عصبی مصنوعی برای حجم بحرانی473-5-2-1-مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای حجم بحرانی513-5-3- مدل ارائه شده توسط شبکه عصبی مصنوعی برای فشار بحرانی523-5-3-1- مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای فشار بحرانی56HYPERLINK \l "_Toc355383351"3-6- مدل های ارائه شده توسط انفیس573-6-1- مدل ارائه شده توسط انفیس برای دمای بحرانی573-6-1-1- مقایسه مدل ارائه شده توسط انفیس باداده های تجربی برای دمای بحرانی593-6-2- مدل ارائه شده توسط انفیس برای حجم بحرانی593-6-2-1- مقایسه مدل ارائه شده توسط انفیس با داده های تجربی برای حجم بحرانی613-6-3- مدل ارائه شده توسط انفیس برای فشا ر بحرانی613-6-3-1- مقایسه مدل ارائه شده توسط انفیس باداده های تجربی برای فشار بحرانی633-7- مقایسه مدل های ارائه شده با مدل های دیگر63
3-7-1- مقایسه مدل ارائه شده برای دمای بحرانی643-7-2- مقایسه مدل ارائه شده برای حجم بحرانی653-7-3- مقایسه مدل ارائه شده برای فشار بحرانی663-8- نتیجه گیری683-9- پیشنهادات69
3-10- منابع70
جدول ضمیمه 74
فهرست جدولها
عنوان صفحه
فصل اول: مباحث تئوری و نظری
TOC \h \z \c "جدول" جدول 1-1- ثابت های رابطه برای معادله 1-1 و 1-26جدول 1-2- ثابت های رابطه برای معادله 1-159جدول 1-3- ثابت های رابطه برای معادله 1-1710جدول 1-4- ثابت های رابطه برای معادله 1-1811
جدول 1-5- ثابت های رابطه برای معادله 1-1912جدول 1-6- ثابت های رابطه برای معادله 1-2313جدول 1-7- مقادیر ثابت های ai و bi برای معادله 1-2915جدول 1-8- ثابت های رابطه برای معادله 1-3018فصل سوم: بحث و نتیجه گیری
جدول 3-1- ثابت های معادله 3-137جدول 3-2- مقادیر شاخص های آماری برای عصب های مختلف جهت تخمین دمای بحرانی43جدول 3-3- مقادیر وزن و بایاس های بهینه مربوط به دمای بحرانی44جدول 3-4- شاخص های آماری مربوط به شبکه عصبی بهینه جهت تخمین دمای بحرانی46جدول 3-5- مقادیر شاخص های آماری برای عصب های مختلف جهت تخمین حجم بحرانی48جدول 3-6- مقادیر وزن و بایاس های بهینه مربوط به حجم بحرانی49جدول 3-7- شاخص های آماری مربوط به شبکه عصبی بهینه جهت تخمین حجم بحرانی51جدول 3-8- مقادیر شاخص های آماری برای عصب های مختلف جهت تخمین فشار بحرانی53جدول 3-9- مقادیر وزن و بایاس های بهینه مربوط به فشار بحرانی54جدول 3-10- شاخص های آماری مربوط به شبکه عصبی بهینه جهت تخمین فشار بحرانی56جدول 3-11- شاخص های آماری مطلوب برای دمای بحرانی58جدول3-12- پارامترهای توابع عضویت گوسین برای تخمین دمای بحرانی مواد58جدول 3-13- ضرایب ارائه شده توسط انفیس برای دمای بحرانی58جدول 3-14- شاخص های آماری مطلوب برای حجم بحرانی60جدول 3-15-پارامترهای توابع عضویت گوسین برای تخمین حجم بحرانی مواد60جدول 3-16- ضرایب ارائه شده توسط انفیس برای حجم بحرانی60جدول3-17- شاخص های آماری برای فشار بحرانی62جدول 3-18- پارامترهای توابع عضویت گوسین برای تخمین فشار بحرانی مواد62جدول3-19- ضرایب ارائه شده توسط انفیس برای فشار بحرانی62جدول 3-20- مقایسه مدل ارائه شده جهت تخمین دمای بحرانی با سایر مدل ها64جدول 3-21- مقایسه مدل ارائه شده جهت تخمین حجم بحرانی با سایر مدل ها65جدول 3-22- مقایسه مدل ارائه شده جهت تخمین حجم بحرانی با سایر مدل ها67
فهرست شکل ها
عنوان صفحه
فصل اول: مباحث تئوری و نظری
TOC \h \z \c "جدول" شکل 1-1- مقایسه ی مدل پازوکی با داده های تجربی برای دمای بحرانی16شکل 1-2-مقایسه ی مدل پازوکی با داده های تجربی برای فشار بحرانی16شکل 1-3- مقایسه ی مدل پازوکی با داده های تجربی برای حجم بحرانی17فصل دوم: روش های انجام تحقیق
شکل2-1- نمایی از شبکه عصبی تک لایه26شکل2-2- نمایی ازشبکه عصبی چند لایه27شکل2-3- نمایی از شبکه عصبی اشتراک به جلوی سه لایه30شکل2-4- نمایی از قاعده ی عملکرد روش سوگنو34فصل سوم: بحث و نتیجه گیری
شکل 3-1-داده های تخمینی توسط مدل به دست آمده برای دمای بحرانی در مقابل داده های آزمایشگاهی39شکل 3-2- داده های تخمینی توسط مدل به دست آمده برای حجم بحرانی در مقابل داده های آزمایشگاهی40شکل 3-3-داده های تخمینی توسط مدل به دست آمده برای فشار بحرانی در مقابل داده های آزمایشگاهی41شکل 3-4- نمودار توزیع خطای نسبی مدل ها برای دما،حجم و فشار بحرانی42شکل 3-5-نمایی از مدل شبکه عصبی مصنوعی جهت مدل سازی دمای بحرانی43شکل 3-6-رفتار پارامترها در مرحله ی آموزش شبکه جهت پیش بینی دمای بحرانی45شکل 3-7-نمودار عملکرد شبکه بهینه جهت پیش بینی دمای بحرانی45شکل 3-8-داده های تخمین زده شده توسط شبکه عصبی مصنوعی در مقابل داده های تجربی برای دمای بحرانی46شکل 3-9-نمایی از مدل شبکه عصبی مصنوعی جهت مدل سازی حجم بحرانی48شکل 3-10-رفتار پارامترها در مرحله ی آموزش شبکه جهت پیش بینی حجم بحرانی50شکل 3-11- نمودار عملکرد شبکه بهینه جهت پیش بینی حجم بحرانی50شکل 3-12-داده های تخمین زده شده توسط شبکه عصبی مصنوعی در مقابل داده های تجربی برای حجم بحرانی51شکل 3-13-نمایی از مدل شبکه عصبی مصنوعی جهت مدل سازی فشار بحرانی53شکل 3-14-رفتار پارامترها در مرحله ی آموزش شبکه جهت پیش بینی فشار بحرانی55شکل 3-15-نمودار عملکرد شبکه بهینه جهت پیش بینی فشار بحرانی55شکل 3-16-داده های تخمین زده شده توسط شبکه عصبی مصنوعی در مقابل داده های تجربی برای فشار بحرانی56شکل3-17- داده های تخمینی توسط انفیس در مقابل داده های تجربی برای دمای بحرانی59شکل3-18- داده های تخمینی توسط انفیس در مقابل داده های تجربی برای حجم بحرانی61شکل3-19- داده های تخمینی توسط انفیس در مقابل داده های تجربی برای فشار بحرانی63شکل 3-20- مقایسه ی نمودار توزیع خطای نسبی مدل ارائه شده با دیگر مدل ها برای دمای بحرانی65شکل 3-21- مقایسه ی نمودار توزیع خطای نسبی مدل ارائه شده با دیگر مدل ها برای حجم بحرانی66شکل 3-22- مقایسه ی نمودار توزیع خطای نسبی مدل ارائه شده با دیگر مدل ها برای فشار بحرانی67فهرست علائم و اختصارات (Abbreviations)
FFahrenheit
kWatson Factor
KKelvin
MWMolecular Weight
MREMean Relative Error
Nnumber of atoms in a molecule
PcCritical Pressure
RRankine
R2Coefficient of determination
SG,γSpecific Gravity
TbBoiling Temperature
TcCritical Temperature
TotTotal
VcCritical Volume
ZcCompressibility Factor
Greek letters:
ωAcentric factor
θA critical constant, Tc , Pc or Vc
فصل اول
مشخصات بحرانی: مباحث تئوری
1-1- مقدمه
پیش بینی درست خواص بحرانی در تعیین خواص فازی سیستم ها اهمیت زیادی دارد. حالت بحرانی تنها شرایطی است که فازهای مایع و بخار را شناسایی می کند و در تئوری و عمل به یک اندازه مهم می باشد. در کلیه عملیات تولید و فرآیند هیدروکربن ها دانستن شرایط بحرانی نقش اساسی دارد. زیرا این عملیات ها در شرایط بسیار نزدیک به نواحی نقاط شبنم و حباب صورت می گیرد و اغلب با پدیده های هم دما یا هم فشار عقب رویهمراه است]1[. پیش بینی خواص سیالات و طراحی محاسبات در این ناحیه بسیار مشکل است و دانستن نقطه بحرانی در حل این مشکل به ما کمک می کند.
از دید تئوری، بسیاری از خواص ترمودینامیکی با استفاده از خواص بحرانی تعیین می گردند و از دید عملی بسیاری از روابط تجربی بر پایه این خواص سیستم های مورد مطالعه، بنا نهاده شده است.
هر چند داشتن خواص بحرانی در تئوری و عمل بسیار مهم می باشد ولی تعیین این خواص از طریق آزمایش بسیار مشکل است و از لحاظ اقتصادی نیز روش آزمایشگاهی برای تعیین خواص بحرانی مناسب نمی باشد]2.[
مشخصات بحرانی برای مواد خالص از قبیل فشار بحرانی، دمای بحرانی و حجم بحرانی مشخصات مهمی برای پیش گویی رفتار فازی مواد هستند. همچنین این مشخصات برای تخمین تعادل بین فاز گاز و مایعVLE)) به همراه معادله حالت اندازه گیری می شوند. به عنوان مثال این مشخصات برای صنعت گاز و نفت و پتروشیمی پارامترهای مهمی هستند و نیز برای توصیف فرایند اجزا نفتی تعریف نشده ضروری هستند.
1-1-1- هدف از انجام تحقیق
با توجه به اهمیت مشخصات بحرانی مواد خالص شامل دمای بحرانی، فشار بحرانی و حجم بحرانی در صنعت به ویژه در صنعت نفت و پتروشیمی و همچنین با توجه به این که اندازه گیری این پارامترها توسط آزمایشگاهی کاری دشوار و هزینه بر است، لذا بر آن شدیم تا مدل های مختلفی برای تخمین مشخصات بحرانی مواد خالص ارائه کنیم. همچنین با توجه به حجم کم کارهای پیشین در ارائه ی مدل های جامع، این تحقیق مدل سازی را براساس 7000 ماده آلی صورت داده است. در عین عمومیت داشتن مدل ها، مدل های موجود دارای سادگی و خطای ناچیزی می باشند.
1-2- تاریخچه
اولین روش های یافتن خواص بحرانی، تجربی بوده اند که در مورد سیستم های هیدروکربنی به کار می رفته است. میان این روش ها، کاتز و کاراتا در سال 1942 شناخته شده تر می-باشد]3.[ همچنین شرایط ریاضی نقطه بحرانی اولین بار توسط گیبس ارائه شد و بعدها در سال 1954 تصحیحاتی توسط دیفای و پریگاگین و در سال 1977 توسط رید و بیگل روی آن صورت گرفت]5-4.[
مشخصات فیزیکی مواد خالص در طول سال های اخیر اندازه گیری شده اند. این مشخصات شامل چگالی ویژه، نقطه جوش نرمال، جرم مولکولی، مشخصات بحرانی و ضریب خارج از مرکزی می باشد.
برای تخمین مشخصات بحرانی مواد که گروه ساده ی مولکولی دارند روش هایی مانند جوبک، پیتزر، لیدرسن، فدورس، کلینسویچ و هالم مهمترین روش ها هستند. از مزیت مهم ترین ویژگی این روش ها این است که بدون انجام منابع محاسباتی قابل توجهی می توان مشخصات بحرانی را تخمین زد. در میان روش های فوق روش جوبک آسان تر وخطای کمتری دارد]11-6.[
بسیاری از خواص مواد خالص در طول سالیان متمادی، اندازه گیری و گرد آوری شده اند. این خواص، اطلاعات اساسی را برای مطالعه رفتار حجمی و تعیین خواص ترمودینامیکی مواد خالص و مخلوط هایشان فراهم می آورند. مهم ترین این خواص عبارتند از :
فشار بحرانی، pc
دمای بحرانی، Tc
حجم بحرانی، Vc
ضریب تراکم پذیری بحرانی، Zc
ضریب خارج از مرکزی، ω
وزن مولکولی، MW.
معمولاً خواص مخلوط های هیدروکربنی، بیش از خواص مواد خالص مورد توجه مهندسین نفت می باشد. البته، این ثابت های ویژه مواد خالص، می توانند با متغیر های مستقل مانند فشار، دما و ترکیب به کار روند تا خواص فیزیکی و رفتار فازی مخلوط ها را مشخص و تعریف نمایند[12].
1- 3-روابط موجود در تخمین خواص بحرانی
رابطه های زیادی جهت برآورد خواص بحرانی مواد خالص وجود دارند. اکثر این رابطه ها چگالی نسبی(γ) و دمای نقطه جوش (Tb) را به عنوان پارامتر های رابطه به کار می برند. انتخاب مقادیر مناسب برای پارامترهای فوق، بسیار مهم است، زیرا تغییرات کوچک در این پارامترها، می توانند موجب انحراف قابل توجهی در نتایج مورد انتظار شوند. تعدادی از این رابطه ها در زیر ارائه می شوند:
1-3-1- روابط کاوت
کاوت (1962) روابطی را برای تخمین فشار و دمای بحرانی مواد بیان کرد. این روابط مقبولیت وسیعی در صنعت نفت پیدا کرده اندکه دلیل آن قابلیت برون یابی در شرایطی که اطلاعات مورد استفاده، خارج از محدوده ی رابطه های دیگر است می باشد. رابطه پیشنهاد شده به صورت تحلیلی به عنوان توابعی از نقطه جوش نرمال و چگالی API بیان شده اند. کاوت برای تخمین دما، فشار و حجم بحرانی مواد مدل های زیر را پیشنهاد کرد:
Tc = a0 + a1 Tb + a2 Tb2 + a3 (API)(Tb) + a4 (Tb)3 + a5 (API) (Tb) 2 + a6 (API)2 + (Tb)2
Log(Pc) = b0 + b1 (Tb) + b2(Tb)2 + b3 (API) (Tb) + b4 (Tb)3 + b5 (API) (Tb)2 + b6 (API)2 (Tb) + b7 (API)2 (Tb)2
ضریب های معادله های1-1 و 1-2در جدول 1-1درج شده اند. کاوت این رابطه را بدون ذکر مرجع از نظر نوع و منبع اطلاعات مورد استفاده، ارائه کرد.
جدول 1-1- ثابت های رابطه برای معادله1 -1 و 1-2
bi ai i
2.8290406 768.07121 0
0.94120109×10-3 1.7133639 1
-0.30474749×10-5 -0.0010834003 2
-0.20876110×10-4 -0.0089212579 3
0.15184103×10-8 0.38890584×10-6 4
0.11047899×10-7 0.53094920×10-5 5
-0.48271599×10-7 0.32711600×10-7 6
0.13949619×10-9 --- 7
مدل کاوت برای Vc بر طبق معادله 1- 3 ارائه می شود:
V c= 10.732TcMWPc[3.72+0.265.811+4.919ω-7]جرم مولکولی بر طبق مدل سورید بدست می آید که در رابطه ی 1-4 مشاهده می شود.
مدل سورید برای جرم مولکولی بر اساس حل غیر خطی معادله زیر می باشد.
f(MW) = 1071.28 – 9.417×104 MW0.03522 SG3.266 exp (- 4.922×10-3 MW – 4.7685 SG + 3.462 ×10-3 Mw SG)-k = 0
در حالی که:
API =141.5SG -131.5
k = Tb / 1.8
Tc= دمای بحرانی، °R
Pc= فشار بحرانی،psi
Tb= دمای جوش نرمال ،F°
API= درجه API ماده] 13[.
1- 3-2- روابط لی-کسلر
لی-کسلر (1976) مجموعه معادله هایی برای تخمین دمای بحرانی، فشار بحرانی و حجم بحرانی مواد ارائه کردند. این معادله ها چگالی نسبی و نقطه جوش بر حسب رانکین را به عنوان پارامترهای ورودی به کار می برند.
دمای بحرانی:
Tc= 341.7 + 811.1 γ+ (0.4244 + 0.1174 γ)Tb + ( 0.4669 - 3.26238 γ) 105 / Tb
فشار بحرانی:
Ln(Pc)=8.3634-0.0566/γ-(0.24244+2.2898/γ +0.11857/γ2)10- 3Tb+(1.4685+3.648/γ+0.47277/γ2)10-7 Tb2-(0.42019+1.6977/ γ2)10-10 Tb3
حجم بحرانی: در این مدل بر اساس رابطه 1-9 تعریف می شود:
Vc= RTcZcMWPc
در معادله بالا Tc بر حسب °Rو طبق معادله 1-7بدست می آید.Pc بر حسب psia و طبق معادله 1-8 بدست می آید.
مقادیرMW و Zc طبق معادلات زیر محاسبه می شوند:
جرم مولکولی(MW):
اگر SG و Tb برای مواد داده شوند، جرم مولکولی بر طبق معادله 1-10 تخمین زده می شود:
MW = -12272+9486.4SG+(8.3741– 5.9917SG)k + (1-0.77084SG- 0.02058SG2) (0.7465-222.466k) 107k + (1-0.80882SG+0.02226SG2)(0.3228-17.335k)1012/k3
در حالی که:
k = Tb/1.8
ضریب تراکم پذیری بحرانی (Zc) طبق معادله 1-12 پیروی می کند.
Zc= 0.2905- 0.0850ω
در معادله فوق ω برابر ضریب خارج از مرکزی می باشد]14[.
1- 3-3- روابط وین-ثیم
وین و دابرت(1980) به این نتیجه رسیدند که منحنی های وین(1957) دقیق ترین روش جهت تخمین مشخصات بحرانی می باشند. به همین دلیل ثیم و دابرت منحنی های وین را برای محاسبه فشار بحرانی، دمای بحرانی و وزن مولکولی به شکل تحلیلی طی معادله های زیر ارائه کردند:
Tc= exp ( 3.9934718 Tb0.8615 γ0.04614 )
Pc= 3.48242 × 109 Tb-2.3177 γ2.4853
در رابطه ی فوق:
Tc= دمای بحرانی، °R
Pc= فشار بحرانی، psi
Tb= نقطه ی جوش،R °
γ = چگالی ویژه]15[.
1- 3-4- رابطه های تعمیم یافته ریاضی- دابرت
ریاضی و دابرت (1980)، معادله دو پارامتری سادهای را برای پیش بینی خواص فیزیکی مواد خالص و مخلوط های هیدروکربن های نامعلوم5 ارائه دادند.معادله ی تجربی عمومی پیشنهاد شده، بر اساس استفاده از نقطه جوش نرمال و چگالی نسبی به عنوان پارامترهای رابطه می باشد. این معادله عبارت است از:
θ = a.Tbb.γc
θ= هر خاصیت فیزیکی
Tb= نقطه جوش نرمال، °R
γ= چگالی نسبی
a,b,c= ثابت های رابطه، داده شده در جدول زیر، برای هر یک از خواص.
جدول1-2- ثابت های رابطه برای معادله 1-15
c b a ()
0.3596 0.5884 24.2787 Tc (R)
2.3201 2.3125 3.1228×109 Pc (psia)
0.7666- 0.2896 ×10-37.5214 Vc (ft3/lb)
دقت پیش بینی در گستره ی نقطه ی جوش 100 الیF°850 در حد قابل قبول است.
ریاضی و دابرت (1987)، با ارائه رابطه های جدیدتر برای بهبود پیش بینی خواص فیزیکی، عوامل مختلفی را در نظر گرفتند. این عوامل عبارت بودند از: دقت، سادگی، عمومی بودن، قابل دسترس بودن پارامترهای ورودی، قابلیت برون یابی و سرانجام سازگاری با رابطه های مشابه ارائه شده در سال های اخیر.
مولفین، تغییر زیر را برای معادله 1-16 پیشنهاد کردند. این تغییر، سادگی رابطه قبلی را حفظ کرده در حالی که به میزان قابل توجهی بر دقت آن افزوده است.
θ = a θ1bθ2c exp[d θ1 + e θ2 + f θ1θ2]
θ = هر خاصیت فیزیکی
a تا= f ثابت های هر خاصیت
بر طبق نظر ریاضی و دابرت، θ1 و θ2 می توانند، دو پارامتری باشند که قابلیت مشخص سازی نیروهای بین مولکولی و اندازه مولکول یک جز را دارند. آنها (γ و Tb ) و یا (γ و MW ) را به عنوان پارامترهای ورودی مناسب در معادله بالا، تشخیص دادند. سرانجام مولفین دو شکل رابطه عمومی زیر را پیشنهاد کردند:
شکل اول رابطه: در این شکل، نقطه جوش (Tb) و چگالی نسبی (γ) برش نفتی، به عنوان پارامترهای رابطه به کار می روند:
θ = a Tbb γc exp[d Tb + e γ + f Tb γ]
ثابت های a تا f برای هر یک از خواص θ در جدول 1-2 آمده است:
جدول1-3- ثابت های رابطه برای معادله 1-17
f e d c b a ()
3.5995×10-4 -0.5444 -5.1747×10-4 0.5369 0.8106 10.6443 Tc (R)
3.1939×10-3 -4.8014 -4.7250×10-3 4.0846 -0.4844 6.1620×106 Pc (psia)
1.0950×10-3 -0.2640 -1.4679×10-3 -1.2028 0.7506 6.2330×10-4 Vc(ft3/lb)
شکل دوم رابطه: در این شکل، وزن مولکولی (MW) و چگالی نسبی (γ) ماده، به عنوان پارامترهای رابطه به کار رفته اند:
θ = a.(MW)b. γc.exp[d.(MW)+e. γ+f.(MW). γ]
ثابت های رابطه، درجدول 1-4 ارائه شده اند.
جدول 1-4- ثابت های رابطه برای معادله1-18
f e d c b a ()
0.0 -0.6164 -1.347×10-4 1.0555 0.2998 544.4 R ° Tc
0.0 -0.3364 -1.807×10-3 1.6015 -0.8063 4.5203×104 Pc (psia)
2.60×10-3 0.5287 -2.65×10-3 -1.303 0.2037 1.206×10-2 Vc (ft3/lb)
برای بدست آوردن ضریب های دو رابطه ی بالا، ریاضی و دابرت از اطلاعات موجود بر روی خواص 38 هیدروکربن خالص در گستره ی تعداد کربن 1 تا 20، شامل پارافین ها، اولفین ها، نفتین ها و آروماتیک ها در محدوده ی وزن مولکولی 70 تا 300 و محدوده ی نقطه جوش 80 تا F°650 استفاده کردند]17-16.[
1- 3-5- رابطه ی تعمیم یافته لین- چاوو
لین و چاوو (1984) خواص فیزیکی اجزای هیدروکربنی را توسط وزن مولکولی، چگالی نسبی و نقطه جوش نرمال به هم مربوط کردند. رابطه پیشنهاد شده با استفاده از تئوری اغتشاشتهیه شده است. این تئوری شامل 33 ثابت عددی برای هر خاصیت فیزیکی می باشد. خواص فیزیکی نرمال آلکان ها (نرمال پارافین ها) از C1 تا C20 توسط وزن مولکولی به هم مربوط می شوند. خواص هیدروکربن های دیگر و مشتقات آنها به عنوان انحراف از نرمال پارافین ها با نقطه
جوش و چگالی نسبی به عنوان پارامترهای رابطه، بیان شده اند.
لین و چاوو خواص فیزیکی نرمال آلکان ها از از C1 تا C20 را با استفاده از معادله عمومی زیر بیان کردند:
θA= C1 + C2 (MW) + C3 (MW)2 + C4 (MW) 3 + C5 / MW
در این رابطه θA بیانگر (Tc، ln(Pcیک نرمال آلکان است. ضریب های C1 تا C20 در جدول1-5 گزارش شده است.
جدول1-5- ثابت های رابطه ی 1-19
C5 C4 C3 C2 C1 θA
- 4100202 2.6762×10-5 - 0.021 7.0559 490.8546 Tc (R)
3.5073 - 3.7377×10-8 5.5110×10-5 -0.1018 6.7534 ln Pc (psi)
خواص فیزیکی گزارش شده در بالا پروژه 44 موسسه نفت آمریکا (API) ایجاد می کند. خواص هیدروکربن های دیگر و مشتقات آن ها از طریق میزان تفاوتشان با نرمال آلکان ها طبق معادله ی زیر به هم مربوط شده اند:
θ= θA+A1∆γ+A2∆Tb+A3(∆γ)2+A4(∆γ)( ∆Tb)+A5(∆Tb)2+A6(∆γ)3+ A7(∆γ)2 (∆Tb)+ A8 (∆γ)( ∆Tb)2+ A9 (∆Tb)3
که در معادله ی 1-20:
∆γ= γ- γa
∆Tb=Tb-( Tb)a
γ= چگالی نسبی ماده مورد نظر
Tb= نقطه جوش ماده مورد نظر، °R
Tb)a)، γa= نقطه جوش و چگالی نسبی یک نرمال آلکان فرضی با وزن مولکولی (MW) ماده مورد نظر.
ضریب های A1تا A9 در معادله 1-23با استفاده از معادله زیر، داده شده اند:
Ai = ai+bi MW
مقادیر ضریب ها ی ai و bi در جدول 1-6 ارائه شده اند[18.[
جدول 1-6- ثابت های رابطه برای معادله 1-23
θ
Tc. ω ln(Pc), psia Tc , °R ضریب ها
103×2.088792 9.71572 2844.45 a1
3.48210 -1.84446666×10-2 5.58509- a2
5.009706×104 -86.0375 -2.189862×104 a3
-2.05257×102 0.3056211111 75.0653 a4
0.2532038889 -2.77788889×10-4 -5.3688056×10-2 a5
-7.13722×104 1.85927×102 3.908016×104 a6
5.08888×102 -0.8395277778 -1.57999×102 a7
-0.3390405556 1.33582716×10-3 0.20029 a8
-0.52071649×10-3 0.65419410×10-6 -0.85111728×10-4 a9
3.415698 -7.5037×10-2 -21.31776 b1
2.41662×10-2 1.753983333×10-2 5.77384×10-2 b2
-4.814316×102 0.842854 1.992546×102 b3
2.06071 -2.89702222×10-3 -0.658450 b4
-2.90058333×10-3 2.43001543×10-6 4.34616666×10-4 b5
7.66070×102 -1.85430 -367.641 b6
-5.75141 0.75583888×10-2 1.32064 b7
4.814816667×10-3 -0.99978084×10-5 -1.26440556 b8
0.540706790×10-5 0.3753412×10-8 2.69844135×10-7 b9
1- 3-6-رابطه وتانسیری
وتانسیری و همکاران (1985)، مجموعه رابطه هایی جهت محاسبه ی خواص بحرانی مواد از زغال سنگ و هیدروکربن های دیگر و مشتقات آنها را ارائه داداند. این رابطه ها پارامترهای مشخصه را به عنوان توابعی از نقطه جوش نرمال، چگالی نسبی و وزن مولکولی نشان می دهند. این رابطه ها به صورت زیر است:
دمای بحرانی:
ln(Tc)= -0.0650504- 0.0005217 Tb+0.3095 ln(MW)+1.11067
فشار بحرانی:
ln(Pc)=6.6418853+0.01617283(Tc/Vc)0.8-8.712(MW/Tc)- 0.08843889(Tb/MW)
حجم بحرانی:
Ln(Vc)= 76.313887-129.8038 γ +63.1750 γ2-13.175 γ3+1.10108 ln(MW)+42.1958ln(γ)
که در رابطه های فوق داریم:
Tc= دمای بحرانی، °R
Pc= فشار بحرانی، psia
Vc= حجم بحرانی، ft3/lb.mole
γ= چگالی نسبی
MW= جرم مولکولی]19[.
1- 3-7- رابطه ارائه شده توسط پازوکی و همکارانش
پازوکی و همکارانش یک مدل ساده مبتنی بر جرم مولکولی و دمای جوش برای آلکان ها ارائه داده اند. این معادلات شبیه به معادله ی ریاضی و دابرت می باشد.
رابطه ارائه شده برای مشخصات بحرانی توسط معادله 1-27 تعریف می شود.
θ=θm + A1(∆Tb) + A2 (∆Tb)2 +A3(∆Tb)3
در حالی که:
-Tb,mTb =∆Tb
Ai=ai+ biMW
در فرمول فوق θ برابر است باTc بر اساس کلوین، Pcبر اساس MPa وVc برحسب cm3/g می باشد. واحد MW برحسب kg/kgmol و پسوند m اشاره به ماده متان دارد]20[.
ضرایب aiو biدر جدول 1-7 تخمین زده شده است.
جدول1-7- مقادیر ثابت ai و biبرای معادله 1-29
Vc, cm3/g Pc , MPa Tc , K ثابت
-0.01897 --- 1.6712 a1
1.4000×10-4 1.1000×10-4 7.3300×10-3 b1
1.7000×10-4 4.0319×10-4 8.2000×10-4 a2
-8.9900×10-7 -7.3875×10-7 4×10-5 b2
1.6656×10-7 -9.5769×10-8 -9.3193×10-6 a3
7.1281×10-10 1.3086×10-9 -2.8946×10-8 b3
1- 3-7-1- مقایسه بین مدل پازوکی و داده های تجربی
مقایسه بین این مدل با داده های آزمایشگاهی برای دمای بحرانی، فشار بحرانی و حجم بحرانی به ترتیب در شکل های 1-1، 1-2 و 1-3 مشاهده می شوند.

شکل1-3- مقایسه ی مدل پازوکی و همکارانش برای حجم بحرانی با داده های آزمایشگاهی1- 3-8- مدل یاسر خلیل و همکارانش
این مدل فقط برای حجم بحرانی ارائه شده و همچنین تنها برای34 ماده مختلف می باشد به طوری که حجم بحرانی به دمای بحرانی، فشار بحرانی و وزن مولکولی ماده ارتباط پیدا می کند.
معادله ارائه شده یاسرخلیل و همکارانش بر طبق معادله 1-30 می باشد]21[.
Vc=(A1+ A2TcA3 PcA4MW A5)( A6+ A7Tc2+A8Pc0.5+ A9MW)
ثابت های A1 تا A9 برای معادله 1-30بر طبق جدول1-8 می باشند.
جدول 1-8- ثابت های رابطه برای معادله 1-30
-0.0103 A1
0.4517 A2
0.7386 A3
-0.7282 A4
0.0256 A5
3171.3620 A6
0.0006 A7
-10.8599 A8
-0.5534 A9
با توجه به مدل های ارائه شده در بالا همان طور که مشخص است معادلات برای تعداد کمی از مواد پیش بینی شده اند، همچنین بعضی از معادلات دارای پیچیدگی هستند لذا بر آن شدیم تا معادلاتی با خطای کم، ساده و برای تعداد زیادی از مواد آلی(7000 ماده) ارائه دهیم.
فصل دوم
روش های انجام تحقیق
2-1- مقدمه ای بر روش های انجام تحقیق
در این تحقیق با در دست داشتن مشخصات بحرانی 7000 ماده آلی، مدلسازی در سه بخش انجام شده است.
1- ارائه مدلهای نیمه تجربی برای مشخصات بحرانی.
2- ارائه مدلهای جدید با استفاده از شبکه عصبی مصنوعی.
3- ارائه مدلهای جدید با استفاده از سیستم استنتاج تطبیقی عصبی- فازی.
2-2- شبکه عصبی مصنوعی
یک شبکه عصبی مصنوعی ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد. عنصرکلیدی این ایده، ساختار جدید سیستم پردازش اطلاعات است. یک ANN برای انجام وظیفه های مشخص، مانندشناسایی الگوها و دسته بندی اطلاعات، درطول یک دوره یاد گیری، تنظیم می شود. در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است. این روش ANN ها هم می باشد.
شبکه های عصبی مصنوعی دارای تعداد زیادی از واحدهای محاسباتی به نام عصب می باشند، همچنین در یک ساختار انبوه موازی متصل شده اند و نیازی به یک فرمول بندی واضح از روابط ریاضیاتی و فیزیکی ندارند. رایج ترین استفاده ANN ها شبکه های عصبی پیشخور هستند]22 [(در این تحقیق نیز از این روش استفاده شده است)، که بر اساس یک لایه ی ورودی و یک لایه ی خروجی همراه با لایه ی مخفی طراحی شده اند]23[.
تعداد عصب ها در لایه های ورودی و خروجی به ترتیب برابر است با تعداد کمیات فیزیکی ورودی و خروجی ها. مشکل FNN ها تعداد عصب ها در لایه ی مخفی می باشد. تعداد عصب کم باعث می شود که شبکه اندازه گیری دقیق نداشته باشد. البته تکنیک های بایاسین]24[ همچنین الگوریتم لونبرگ- مارکوارت]25[ می تواند باعث رفع این مشکل شود.
2-2-1- سابقه تاریخی شبکه عصبی
به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد. اگر چه این موضوع پیش از ظهور کامپیوترها بنیانگذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است. خیلی از پیشرفت های مهم با تقلیدها وشبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه، یک دوره ی بی میلی و بدنامی را هم پشت سر گذاشته است.
در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت. که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کنندهای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط مینسکی و پاپرت شناسانده شد. مینسکی و پاپرت، کتابی را درسال 1969 منتشرکردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را درمیان محققان معین کرده بود و بدین صورت این عقیده بدون تجزیه و تحلیل های بیشتر پذیرفته شد. هم اکنون، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد.
اولین سلول عصبی مصنوعی درسال 1943 بوسیله یک منطق دان به نام والتر پیتس ساخته شد. اما محدودیت های تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد]26 [.
2-2-2- شبکه عصبی پیشخور
در روش FNN، لایه ی ورودی شبکه تمام داده های ورودی را دریافت و به شبکه معرفی می کند. داده ها از عصب های ورودی از میان شبکه منتشر می شوند. از طریق اتصالات میانی هر عصب i در یک لایه ی k متصل می شود و به هر عصب در لایه ی همجوار عصب i بدون لایه ی مخفی k کار زیر را دنبال می کند:
مجموع ورودی های وزن ها (ورودی بردار Ii = [Ii,1,...Ii,Nk-1]) و جمع نتایج از میان یک تابع غیر خطی f، به عصب های مجاور لایه ی مخفی بعدی یا عصب های ورودی تابع انتقال حلقوی اکسپتنشیالی طبق معادله 2-1 می باشد:
∈ [0 1]x در حالی کهf(x)=1 1+e-xاصطلاح مجموع وزنی (S) برای i امین عصب در k امین لایه(k≥2 ) طبق معادله 2-2 است:
Sk,i = j=1Nk-1wk-1, j,iIk-1,j+bk,j
در حالی که w پارامتر وزنی بین هر عصب می باشد]27[.
با استفاده از این شبکه ی ساده همراه با تابع حلقوی غیرخطی، خروجی O برای عصب i-ام بدون در نظر گرفتن لایه ی مخفی k بر طبق معادله 2-3 است:
Ok,i=11+e-(j=1Nk-1[wk-1, j,iIk-1,j+bk,j])=11+e-Sk,j
2-2-3- مزیت های شبکه های عصبی
یادگیری انطباق پذیر: قابلیت یادگیری نحوه انجام و ظایف بر پایه اطلاعات داده شده برای تمرین و تجربه های مقدماتی.
سازماندهی توسط خود: یکANN می تواند سازماندهی یا ارائه اش را، برای اطلاعات یکه در طول دوره یادگیری دریافت می کند، خودش ایجاد کند. عملکرد بهنگام محاسباتANN می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوص طراحی و ساخته شده است که می تواند از این قابلیت استفاده کند.
تحمل اشتباه بدون ایجاد وقفه درهنگام کدگذاری اطلاعات: خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگرچه تعدادی ازقابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند]28[.
2-2-4- انواع یادگیری برای شبکه های عصبی
1.یادگیری با ناظر
در یادگیری با ناظر به قانون یادگیری مجموعه ای از زوج های داده ها به نام داده های یادگیری (Pi,Ti)i={1 … l } می دهند که در آن Pi ورودی به شبکه وTi خروجی مطلوب شبکه برای ورودی Pi است. پس ازاعمال ورودی Pi به شبکه عصبی در خروجی شبکه ai با Ti مقایسه شده وسپس خطای یادگیری محاسبه و از آن در جهت تنظیم پارامترهای شبکه استفاده می شود به گونه ای که اگردفعه بعد به شبکه همان ورودی Pi اعمال شود خروج ی شبکه به Ti نزدیکتر می گردد. باتوجه به این نکته که معلم سیستمی است که بر محیط وقوف دارد (مثلا می داند که برای ورودی Pi خروجی مطلوب Ti است). توجه داریم که محیط برای شبکه عصبی مجهول است. در لحظه k بردار ورودیPi(k) با تابع توضیع احتمال معینی که برای شبکه عصبی نامعلوم است انتخاب و بطور همزمان به شبکه عصبی و معلم اعمال می شود . جواب مطلوب (Ti(k نیز توسط معلم به شبکه عصبی داده می شود. درحقیقت پاسخ مطلوب پاسخ بهینه ای است که شبکه عصبی برای ورودی مفروض باید به آن برسد. پارامترهای شبکه عصبی توسط دو سیگنال ورودی و خطا تنظیم می شود. به این صورت که پس از چند تکرار الگوریتم یادگیری که عموما توسط معادله تفاضلی بیان می شود به پارامترهایی در فضای پارامترهای شبکه همگرا می شوند که برای آنها خطای یادگیری بسیار کوچک است و عملا شبکه عصبی شبکه عصبی معادل معلم می شود. یا به عبارتی دیگر اطلاعات مربوط به محیط (نگاشت بین TiوPi )که برای معلم روشن است به شبکه عصبی منتقل می شود و پس از این مرحله عملا می توان بجای معلم از شبکه عصبی استفاده کرد تا یادگیری تکمیل شود]29[.
2.یادگیری تشدیدی:
یک اشکال یادگیری با ناظر این است که شبکه عصبی ممکن است بدون معلم نتواند مواضع جدیدی را که توسط مجموعه داده های جدید تجربی پوشانده نشده است یاد بگیرد. یادگیری از نوع تشدید یا محدودیت را برطرف می کند . این نوع یادگیری بطور درون خطیصورت می گیرد در حالی که یادگیری با ناظر را به دو صورت برون خطی و درون خطی میتوان انجام داد. درحالت آفلاین میتوان از یک سیستم محاسب با در اختیار داشتن داده های یادگیری استفاده کرد و طراحی شبکه عصبی را به پایان رساند. پس از مرحله طراحی و یادگیری شبکه عصبی به عنوان یک سیستم استاتیکی عمل می کند. اما در یادگیری درون خطی شبکه عصبی همراه با خود سیستم یادگیر در حال انجام کار است و از این رو مثل یک سیستم دینامیکی عمل می کند .
یادگیری از نوع تشدیدی یک یادگیری آنلاین از یک نگاشت ورودی- خروجی است. این کار از طریق یک روش سعی و خطا به صورتی ا نجام می پذیرد که یک شاخص اجرایی موسوم به سیگنال تشدید ماکزیمم شود و بنابراین الگوریتم نوعی از یادگیری با ناظر است که در آن به جای فراهم نمودن جواب واقعی، به شبکه عددی که نشانگر میزان عملکرد شبکه است ارایه می شود. این بدین معنی است که اگر شبکه عصبی پارامترهایش را به گونه ای تغییر داد که منجر به یک حالت مساعد شد آنگاه تمایل سیستم یادگیر جهت تولید آن عمل خاص تقویت یا تشدید می شود. درغیر این صورت تمایل شبکه عصبی جهت تولید آن عمل خاص تضعیف می شود. یادگیری تقویتی مثل یادگیری با ناظر نیست و این الگوریتم بیشتر برای سیستم های کنترلی کاربرد دارد]29[.
3. یادگیری بدون ناظر
دریادگیری بدون ناظر یا یادگیری خود سامانده پارامترهای شبکه عصبی تنها توسط پاسخ سیستم اصلاح و تنظیم می شوند. به عبارتی تنها اطلاعات دریافتی از محیط به شبکه را ورودی تشکیل می دهند. و در مقایسه با مورد بالا (یادگیری باناظر) بردارجواب مطلوب به شبکه اعمال نمی شود. به عبارتی به شبکه عصبی هیچ نمونه ای از تابعی که قرار است بیاموزد داده نمی شود. درعمل میبینیم که یادگیری با ناظر در مورد شبکه های یکه از تعداد زیادی لایه های عصبی تشکیل شده باشند بسیار کند عمل می کند و در این گونه موارد تلفیق یادگیری با ناظر و بدون ناظر پیشنهاد می گردد]29[.
2-2-5- ساختار شبکه‌های عصبی
یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه عصبی وجود دارد:
لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده‌است.
لایه‌های پنهان: عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین می‌شود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود.
لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی می‌باشد]30[.
شبکه‌های تک لایه و چند لایه‌ای نیز وجود دارند که سازماندهی تک لایه که در آن تمام واحدها به یک لایه اتصال دارند بیشترین مورد استفاده را دارد و پتانسیل محاسباتی بیشتری نسبت به سازماندهی‌های چند لایه دارد. در شبکه‌های چند لایه واحدها به وسیله لایه‌ها شماره گذاری می‌شوند (به جای دنبال کردن شماره گذاری سراسری.(
هر دو لایه از یک شبکه به وسیله وزن‌ها و در واقع اتصالات با هم ارتباط می‌یابند. در شبکه‌های عصبی چند نوع اتصال و یا پیوند وزنی وجود دارد:
پیشرو: بیشترین پیوندها از این نوع است که در آن سیگنال‌ها تنها در یک جهت حرکت می‌کنند. از ورودی به خروجی هیچ بازخوردی (حلقه) وجود ندارد. خروجی هر لایه بر همان لایه تاثیری ندارد.
پسرو: داده‌ها از گره‌های لایه بالا به گره‌های لایه پایین بازخورانده می‌شوند.
جانبی: خروجی گره‌های هر لایه به عنوان ورودی گره‌های همان لایه استفاده می‌شوند.

شکل2-1- نمایی از شبکه عصبی تک لایه ]30[.

شکل2-2- نمایی از شبکه عصبی چند لایه]30[.
2-2-6- تقسیم بندی شبکه‌های عصبی
شبکه‌های عصبی بر مبنای روش آموزش به چهار دسته تقسیم می‌شوند:
وزن ثابت: آموزشی درکار نیست و مقادیر وزن‌ها به هنگام نمی‌شود.کاربرد: بهینه سازی اطلاعات (کاهش حجم، تفکیک پذیری وفشرده سازی) وحافظه‌های تناظری.
آموزش بدون سرپرست: وزن‌ها فقط بر اساس ورودی‌ها اصلاح می‌شوند و خروجی مطلوب وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزن‌ها اصلاح شود. وزن‌ها فقط بر اساس اطلاعات الگوهای ورودی به هنگام می‌شوند. هدف استخراج مشخصه‌های الگوهایو رودی براساس راهبرد خوشه یا دسته ‌بندی و تشخیص شباهت‌ها (تشکیل گروه‌هایی با الگوی مشابه) می‌باشد، دو ناین که خروجی یا کلاس‌های متناظر با الگوهای ورودی از قبل مشخص باشد. این یادگیری معمولاً بر پایه شیوه برترین همخوانی انجام می‌گیرد. شبکه بدون سرپرست وزن‌های خود را برپایه خروجی حاصل شده از ورودی تغییرمی‌دهد تا در برخورد بعدی پاسخ مناسب یرابر این ورودی داشته باشد. در نتیجه شبکه یاد می‌گیرد چگونه به ورودی پاسخ بدهد. اصولا هدف این است که با تکنیک عصب غالب عصبی که بیشترین تحریک آغازین را دارد برگزیده شود. بنابراین در شبکه‌های بدون سرپرست یافتن عصب غالب یکی از مهمترین کارها است.
آموزش با سرپرست: به ازای هر دسته از الگوهای ورودی خروجی‌های متناظر نیز به شبکه نشان داده می‌شود و تغییر وزن‌ها تا موقعی صورت می‌گیرد که اختلاف خروجی شبکه به ازای الگوهای آموزشی از خروجی‌های مطلوب در حد خطای قابل قبولی باشد. دراین روش‌ها یا ازخروجی‌ها به وزن‌ها ارتباط وجود دارد یا به صورت پس انتشار ازلایه خروجی به ورودی توزیع شده ‌است ووزن‌ ها اصلاح می‌شوند. هدف طرح شبکه ‌ای است که ابتد ابا استفاده از داده‌ها یآموزشی موجود، آموزش ببیند و سپس با ارائه بردار ورودی به شبکه که ممکن است شبکه آن را قبلا فراگرفته یا نگرفته باشدکلاس آن راتشخیص دهد. چنین شبکه ‌ای به طورگسترده برای کارهای تشخیص الگو به کارگرفته می‌شود.
آموزش تقویتی: کیفیت عملکرد سامانه به صورت گام به گام نسبت به زمان بهبود می‌یابد. الگوهای آموزشی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی ازخوب و یا بد بودن رفتار سامانه بدست می‌آید (حالتی بین یادگیری با سرپرست و بدون سرپرست).
2-2-6-1- تقسیم بندی داده ها در شبکه عصبی مصنوعی
برای توسعه ی شبکه عصبی مصنوعی، مجموعه داده ها به سه قسمت آموزش، تست و اعتبارسنجی تقسیم می شوند. بعد از تقسیم بندی مجموعه داده ها، مجموعه آموزش به عنوان تنظیم کننده پارامترها کاربرد دارند. تمام وزن ها و بایاس های سیناپسی در ابتدا به صورت رندمی مقدار دهی می شوند]31[.
برای روش بهینه سازی می توان از روش الگوریتم لونبرگ-مارکوارت همراه با تکنیک بایاسین استفاده کرد. این الگوریتم به صورت ویژه به بهینه سازی شبکه های عصبی مصنوعی با استفاده از حجم نمونه ی یادگیری کوچک اشاره دارد]35-32.[ مجموعه داده های تست برای تنظیم وزن های سیناپسی شبکه کاربرد دارند، تا عملکرد الگوریتم ها را روی داده هایی که استفاده نمی شوند ارزیابی کنند و نیز برای تنظیم یا جلوگیری از تنظیم زمانی که خطا روی داده های تست افزایش می یابند کاربرد دارند.
در پایان داده های اعتبارسنجی، قابلیت عمومیت یافتن مدل را اندازه گیری می کنند.
2-2-7- کاربرد شبکه‌های عصبی
شبکه های عصبی مصنوعی به طور گسترده درعلوم مختلف از قبیل تخمین مشخصات فیزیکی و شیمیایی کاربرد دارند.
این ابزار قدرتمند معمولا برای مطالعه ی سیستم های پیچیده بکار گرفته می شوند.
شبکه‌های عصبی مصنوعی دارای دامنه کاربرد وسیعی می‌باشند از جمله سامانه‌های آنالیز ریسک، کنترل هواپیما بدون خلبان، آنالیز کیفیت جوشکاری، آنالیز کیفیت کامپیوتر، آزمایش اتاق اورژانس، اکتشاف نفت و گاز، سامانه‌های تشخیص ترمز کامیون، تخمین ریسک وام، شناسایی طیفی، تشخیص دارو، فرآیندهای کنترل صنعتی، مدیریت خطا، تشخیص صدا، تشخیص هپاتیت، بازیابی اطلاعات راه دور، شناسایی مین‌های زیردریایی، تشخیص اشیاء سه بعدی و دست نوشته‌ها و چهره و... در کل می‌توان کاربردهای شبکه‌های عصبی را به صورت زیر دسته بندی کرد: تناظر (شبکه الگوهای مغشوش وبه هم ریخته را بازشناسی می‌کند)، خوشه یابی، دسته بندی، شناسایی، بازسازی الگو، تعمیم دهی (به دست آوردن یک پاسخ صحیح برای محرک ورودی که قبلا به شبکه آموزش داده نشده) بهینه سازی]36[.
امروزه شبکه‌های عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو که خود شامل مسائلی مانند تشخیص خط، شناسایی گفتار، پردازش تصویر و مسائلی از این دست می‌شود و نیز مسائل دسته بندی مانند دسته بندی متون یا تصاویر، به کار می‌روند. در کنترل یا مدل سازی سامانه‌هایی که ساختار داخلی ناشناخته یا بسیار پیچیده‌ای دارند نیز به صورت روز افزون از شبکه‌های عصبی مصنوعی استفاده می‌شود. به عنوان مثال می‌توان در کنترل ورودی یک موتور از یک شبکه عصبی استفاده نمود که در این صورت شبکه عصبی خود تابع کنترل را یاد خواهد گرفت]37[.
2-2-7-1-کاربرد شبکه عصبی مصنوعی در این تحقیق
برای مدلسازی مشخصات بحرانی از شبکه عصبی استفاده شده است. شبکه عصبی اشتراک به جلوی سه لایه برای رفع این مشکل به کار برده شده است.نمایی معمولی برای شبکه های عصبی سه لایه در شکل 2-1 نشان داده شده است.

شکل2-3- نمایی از شبکه عصبی اشترک به جلوی سه لایه
فرم ساده شده ارتباط بین پارامترهای ورودی و خروجی طبق معادله ی 2-4 تعریف می شود.
ycal(n) = W2 × (tansig(W1 × Ti + b1)) +b2
tansig(n) = 21+exp⁡(-2 ×Ti)-1
در معادله فوق:
Ti برابر ماتریس پارامترهای ورودی
W1 برابر ماتریس وزن اولیه ی لایه ی مخفی
W2برابر ماتریس وزن لایه ی خروجی
b1برابر بایاس لایه ورودی
b2برابر بایاس لایه خروجی
ycal(n) برابر خروجی شبکه می باشد]39-38[.
2-2-8- معایب شبکه‌های عصبی
با وجود برتری‌هایی که شبکه‌های عصبی نسبت به سامانه‌های مرسوم دارند، معایبی نیز دارند که پژوهشگران این رشته تلاش دارند که آنها را به حداقل برسانند، ازجمله:
قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.
درمورد مسائل مدلسازی، صرفاً نمی‌توان با استفاده از شبکه عصبی به فیزیک مساله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرآیند معمولاً غیرممکن است.
دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.
آموزش شبکه ممکن است مشکل و یا حتی غیرممکن باشد.
پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکانپذیر نیست.
2-3- سیستم استنتاج تطبیقی عصبی- فازی (انفیس)
سیستم استنتاج تطبیقی عصبی- فازی (انفیس) یک نوعی از شبکه عصبی مصنوعی است که بستگی به سیستم استنتاجی فازی تاکاگی-سوگنو دارد. این روش در اوایل سال 1990 میلادی رشد یافت]41-40[.
این سیستم استنتاجی مطابق با قوانین فازی اگر-پسکه قابلیت تخمین زدن توابع غیر خطی را فرا می گیرد می باشد]42[.
انفیس به عنوان یک برآورد کننده جهانی مطرح می شود]43[.
2-3-1- دسته بندی قواعد انفیس
به طور کلی انفیس یک مدل منطق فازی مبتنی بر قواعد می باشد که قواعد آن به چهار گروه دسته بندی می شوند:
زبان شناختی(ممدانی]44[).
رابطه فازی.
بر اساس شبکه عصبی.
روش تاکاگی-سوگنو-کانگ(TSK). بر اساس مدل TSK یک سیستم استنتاج فازی منطبق بر شبکه(انفیس) است که توسط جانگ]45[ معرفی می شود.
2-3-1-1- مدل تاکاگی- سوگنو-کانگ
در ابتدا باید متذکر شد در این تحقیق از این روش بهره برده ایم. این مدل به سوگنو معروف است و برای روش استنتاج فازی می باشد]46[. این روش در تعداد زیادی از موارد به روش ممدانی شبیه است.تفاوت اصلی بین این دو روش در توابع عضویت خروجی می باشد. به طوری که توابع عضویت برای مدل سوگنو خطی یا ثابت هستند. همچنین این روش برای توابع غیر خطی مناسب می باشد.
یک قانون معمولی در مدل فازی سوگنو به صورت زیر است:
فرض می کنیم سیستم استنتاجی ما دارای دو ورودی xو y و خروجی z = f(x,y) می باشد. سپس ما فرض می کنیم سیستم شامل دو قانون فازی اگر- پس بر طبق زیر می باشد:
قانون i : اگر x برابر Ai و y برابر Bi باشد سپس داریم:
fi = pix +qiy + ri , i = 1,2
قانون اول: هر i در این قانون یک گره انطباقی همراه معادله ی زیر است:
O1,i = μAi(x)
در حالی که O1,i برابر خروجی iام قانون اول و μAi یک تابع عضویت ویژه می باشد(MF). شبیه تابع عضویت گوسینکه طبق رابطه ی زیر می باشد.
μAi = exp[-0.5(x-ciσi)2]
در حالی که iϭ و ciپارامتر های فرض منطقی نامیده می شوند.
قانون دوم: خروجی هر گره در این قانون حاصلضربی از μ ها می باشد:
O2,i = wi= μAi(x)×μBi(x) i = 1,2
wi برابر قدرت شلیک قانون i ام می باشد.
قانون سوم: خروجی این لایه بر طبق معادله ی زیر محاسبه می شود:
O4,i = wi fi= wi(pix +qiy + ri)
قانون چهارم: در نهایت در این قسمت خروجی بر طبق معادله ی زیر محاسبه می شود:
O5,i= i=1NWifii=1NWiیک نمایی ازقاعده ی عملکرد روش سوگنو توسط شکل 2-4 نشان داده می شود.

شکل 2-4- نمایی از قاعده ی عملکرد روش سوگنو
2-4- شاخص های ارزیابی مدل های بدست آمده
برای ارزیابی عملکرد مدل های بدست آمده، میانگین خطای نسبیMRE)) و ضریب همبستگی R2)) بر طبق معادلات زیر مورد استفاده قرار گرفته اند.
%MRE = 100Ni=1N(θexp-θcalθexp)
R2 = 1-i=1N(θexp-θcal)2i=1N(θexp-θmean)2
در دو معادله ی فوق داریم:
expθ = مقدار داده تجربی مشخصات بحرانی
calθ = مقدار داده محاسبه شده مشخصات بحرانی
meanθ = میانگین کل داده های تجربی مشخصات بحرانی.
فصل سوم
بحث و نتیجه گیری
3-1- هدف تحقیق
هدف از انجام این تحقیق ارائه فرمول های جدید با حداقل خطا و در عین حال ساده برای مشخصات بحرانی مواد آلی می باشد. بنابراین ابتدا تعداد 7000 ماده آلی طبق جدول ضمیمه در جدول وارد شد، سپس بهترین ورودی های ممکن برای مشخصات بحرانی بررسی شد. با وارد کردن دو ستون Tb(نقطه جوش) و MW (جرم مولکولی) به عنوان ورودی های Tc(دمای بحرانی) مشاهده شد که این دو مشخصه ورودی های مناسبی برای دمای بحرانی می باشند.
برای فشار بحرانی و حجم بحرانی نیز همانند فوق عمل شد به طوری که برای حجم بحرانی دو مشخصه ی N (تعداد اتم در هر ماده) و MW (جرم مولکولی) بهترین ورودی برای حجم بحرانی و دو مشخصه Tc (دمای بحرانی) وVc (حجم بحرانی) ورودی های Pc (فشار بحرانی) در نظر گرفته شدند.
3-2- مدل های نیمه تجربی ارائه شده
پس از انجام مدل سازی در نهایت فرمول مورد نظر به شکل زیر ارائه می شود.
Θ = (a xb yc)d + m
جدول 3-1- ثابت های معادله 3-1
R2 m d c b a ورودی ها θ
0.9140 138.3318 0.8523 1.1004 0.0035 1.6366 x = MW
y = Tb Tc
0.9892 37.1851 0.8284 0.8402 0.4311 12.6940 x = MW
y = n Vc
0.9615 -19.9213 0.7280 -0.8620 0.7405 359.1090 x = Tc
y = Vc Pc
3-2-1- مدل ارائه شده برای دمای بحرانی
با توجه به جدول 3-1 مدل بدست آمده برای Tc مطابق زیر می باشد:
Tc = (1.7366 × MW 0.0035×Tb 1.1004 ) 0.8523 + 138.3318
طبق معادله ی 3-2:

راهبری نوشته‌ها

پژوهش user7-229

پژوهش user7-267

پژوهش

دسته‌بندی نشده

No description. Please update your profile.

LEAVE COMMENT

لغو پاسخ