فرمت فایل : WORD (قابل ویرایش)
تعداد صفحات:96
پایان نامه مقطع کارشناسی ارشد
رشته : مهندسی شیمی
فهرست مطالب:
صفحه عنوان
فصـل اول : مقدمه وکلیات تحقیق 1
1-1-مقدمه 2
1-2-تعریف فشار بخار 2
1-3--عوامل مؤثر برفشار بخار 3
1-3-1-ماهیت مایع 3
1-3-2-دمای مایع 3
1-4-بیان مسأله 3
1-5-توجیه ضرورت انجام تحقیق 4
1-6-اهداف تحقیق 4
1-7-مراحل انجام تحقیق 4
1-8-ساختار تحقیق 5
فصل دوم:ادبیات و پیشینه تحقیق 7
2-1-مقدمه 8
2-2-روابط ریاضی تخمین وپیش بینی فشاربخار مواد مختلف 9
2-2-1-معادله کلازیوس-کلاپیرون 9
2-2-2-معادله آنتوان 10
2-2-2-1-محدودیت های معادله آنتوان 10
2-2-3-معادله آنتوان توسعه یافته 10
2-2-4-معادله واگنر 11
2-2-4-1-محدودیت های معادله واگنر 12
2-2-5-رابطه حالتهای متناظر ریدل 12
2-2-6-معادله لی-کسلر 14
2-2-6-1-محدودیت های رابطه لی-کسلر 15
2-2-7-معادله فشاربخار آمبروز-پاتل 15
2-2-7-1-ملاحظات معادله آمبروز-پاتل 16
2-2-8-روش حالتهای متناظر آمبروز-والتون 16
2-3-اهمیت روش های نوین پیش بینی و تخمین خواص مواد 17
2-4-پیشینه روش شبکه های عصبی در تخمین خواص ترمودینامیکی 18
2-5-پیش بینی فشاربخار مواد با استفاده از شبکه عصبی مصنوعی 19
فصل سوم: روش تحقیق 21
3-1-مقدمه 22
3-2-تاریخچه پیدایش شبکه های عصبی مصنوعی 22
3-3-ویژگی های شبکه های عصبی مصنوعی 24
3-3-1-قابلیت آموزش 24
3-3-2-قابلیت تعمیم 24
3-3-3-پردازش توزیعی(موازی) 24
3-3-4-تحمل پذیری خطا 25
3-4-ساختار شبکه‌ها‌ی عصبی مصنوعی 25
3-4-1-مدل نرون با یک ورودی 25
3-4-2- مدل نرون با یک بردار به عنوان ورودی 26
3-4-3-ساختار یک لایه از شبکه های عصبی 27
3-4-4-شبکه های چندلایه 27
3-4-5-توابع انتقال 28
3-4-5-1-تابع انتقال سخت محدود 29
3-4-5-2-تابع انتقال خطی 29
3-4-5-3-تابع انتقال لگاریتمی سیگموئید 30
3-4-5-4-تابع انتقال شعاع مبنا 30
3-4-5-5-تابع انتقال آستانه ای خطی متقارن 31
3-4-5-6-تابع انتقال تانژانت-سیگموئید 31
3-5-روش های آموزش شبکه عصبی 32
3-6-قواعد یادگیری شبکه های عصبی 32
3-6-1-قواعد یادگیری نظارت شده 32
3-6-2-قواعد یادگیری غیرنظارتی 33
3-7- شبکه های عصبی پرسپترون 33
3-7-1-محدودیت های شبکه پرسپترون 34
3-8- شبکه های عصبی پیشخور 35
3-9-الگوریتم پس انتشار خطا 36
3-10-آموزش شبکه های پس انتشار 37
3-11-بیش برازش شبکه 37
3-12-بهبود عمومیت شبکه 38
3-13-پارامترهای اساسی برای طراحی یک شبکه عصبی 39
3-13-1-انتخاب مناسب ترین اطلاعات ورودی به شبکه 39
3-13-2-نحوه ورود داده ها 39
3-13-3-تقسیم بندی داده ها 39
3-13-4-انتخاب مناسب ترین تعداد نرون های لایه پنهان 40
3-12-معیارهای ارزیابی کارایی مدل 40
3-12-نرم افزار استفاده شده در این تحقیق 41
فصل 4: محاسبات و یافته های تحقیق 42
4-1-مقدمه 43
4-2-طراحی شبکه عصبی مصنوعی برای هیدروکربن های آروماتیکی 43
4-3- طراحی شبکه عصبی مصنوعی برای آلکان ها و آلکن ها 52
4-4- طراحی شبکه عصبی مصنوعی برای الکل ها .6
4-5- طراحی شبکه عصبی مصنوعی برای آلکیل سیکلو هگزان ها 68
فصل پنجم: نتیجه گیری و پیشنهادها 77
5-1-نتیجه گیری 78
5-2-پیشنهادات برای تحقیقات آتی 79
مراجع 80
چکیده انگلیسی 86
فهرست جداول
عنوان صفحه
جدول 4- 1: مشخصات داده های تجربی درنظرگرفته شده برای هیدروکربن های آروماتیکی 44
جدول 4- 2بررسی خطاوضریب تعیین ساختار مختلف شبکه های عصبی برای هیدروکربن های آروماتیکی 46
جدول 4- 3: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای هیدروکربن های آروماتیکی 51
جدول 4- 4: خلاصه شبکه عصبی طراحی شده برای گروه هیدروکربن های آروماتیکی 52
جدول 4- 5: مشخصات داده های تجربی درنظرگرفته شده برای آلکان ها و آلکن ها 53
جدول 4- 6: بررسی میزان خط و ضریب تعیین ساختار مختلف شبکه های عصبی برای آلکان ها و آلکن ها 54
جدول 4- 7: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای آلکان ها و آلکن ها 59
جدول 4-8: خلاصه شبکه عصبی طراحی شده برای گروه آلکان ها و آلکن ها 60
جدول 4- 9: مشخصات داده های تجربی درنظرگرفته شده برای الکل ها 61
جدول 4- 10: بررسی میزان خطا وضریب تعیین ساختار مختلف شبکه های عصبی برای الکل ها 62
جدول 4- 11: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای الکل ها 67
جدول 4- 12: خلاصه شبکه عصبی طراحی شده برای گروه الکل ها 68
جدول 4- 13: مشخصات داده های تجربی درنظرگرفته شده برای آلکیل سیکلوهگزان ها 69
جدول 4- 14: بررسی میزان خطا وضریب تعیین ساختارمختلف شبکه های عصبی برای آلکیل سیکلوهگزان ها 70
جدول 4- 15: مقایسه خطای مطلق میانگین روابط متعارف پیش بینی فشاربخار و روش شبکه عصبی برای آلکیل سیکلو هگزان ها 75
جدول 4- 16: خلاصه شبکه عصبی طراحی شده برای گروه آلکیل سیکلو هگزان ها 76
فهرست شکل¬ها
عنوان صفحه
شکل 3- 1: نمایی از مدل نرون تک ورودی 26
شکل 3- 2:مدل نرون با R ورودی 27
شکل 3- 3:یک لایه از شبکه های عصبی 27
شکل 3- 4: مدل خلاصه شده شبکه تک لایه 27
شکل 3- 5: مدل شبکه های چند لایه 28
شکل 3- 6: تابع انتقال سخت محدود 29
شکل 3- 7: تابع انتقال خطی 29
شکل 3- 8: تابع انتقال لگاریتمی سیگموئید 30
شکل 3- 9: تابع انتقال شعاع مبنا 30
شکل 3- 10: تابع انتقال آستانه ای خطی متقارن 31
شکل 3- 11:تابع انتقال تانژانت-سیگموئید 31
شکل 3- 12:یک نرون پرسپترون 34
شکل 4- 1: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای هیدروکربن های آروماتیکی 47
شکل 4- 2: ساختار بهینه شبکه عصبی برای هیدروکربن های آروماتیکی 47
شکل 4- 3: خطای مربعات میانگین شبکه در مراحل آموزش، ارزیابی و تست برای هیدروکربن های آروماتیکی 48
شکل 4- 4: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله آموزش برای هیدروکربن های آروماتیکی 49
شکل 4- 5: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله ارزیابی برای هیدروکربن های آروماتیکی 49
شکل 4- 6: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله تست برای هیدروکربن های آروماتیکی 50
شکل 4- 7: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در کل مراحل برای هیدروکربن های آروماتیکی 50
شکل 4- 8: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای آلکان ها و آلکن ها 55
شکل 4- 9: ساختار بهینه شبکه عصبی برای آلکان ها و آلکن ها 55
شکل 4- 10: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای آلکان ها و آلکن ها 56
شکل 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 ها 57
شکل 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 ها 57
شکل 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 ها 58
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 ها 58
شکل 4- 15: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای الکل ها 63
شکل 4- 16: ساختار بهینه شبکه عصبی برای الکل ها 63
شکل 4- 17: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای الکل ها 64
شکل 4- 18: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله آموزش برای الکل ها 65
شکل 4- 19: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله ارزیابی برای الکل ها 65
شکل 4- 20: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله تست برای الکل ها 66
شکل 4- 21: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در کل مراحل برای الکل ها 66
شکل 4- 22: تغییرات میزان خطای مطلق میانگین با افزایش نرون در لایه پنهان برای آلکیل سیکلوهگزان ها 71
شکل 4- 23: ساختار بهینه شبکه عصبی برای آلکیل سیکلوهگزان ها 71
شکل 4- 24: خطای مربعات میانگین شبکه در مراحل آموزش،ارزیابی و تست برای آلکیل سیکلوهگزان ها 72
شکل 4- 25: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله آموزش برای آلکیل سیکلوهگزان ها 73
شکل 4- 26: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله ارزیابی برای آلکیل سیکلوهگزان ها 73
شکل 4- 27: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در مرحله تست برای آلکیل سیکلوهگزان ها 74
شکل 4- 28: فشاربخار محاسبه شده توسط شبکه عصبی(output) در مقایسه با داده های فشاربخار تجربی(target) در کل مراحل برای آلکیل سیکلوهگزان ها 74
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
