محاسبه و یافته های تحقیق
4-1 مقدمه
هدف از انجام این پروژه، تخمین آنتالپی تبخیر برخی مایعات خالص در دماهای مختلف است که مدلسازی آن با بهره گرفتن از شبکه عصبی مصنوعی در نرم افزار matlab صورت می گیرد. به همین منظور ابتدا داده های تجربی انتخاب شده برای ورود به شبکه را بیان می کنیم. بعد از آن نوبت به طراحی شبکه به منظور شبیه سازی می رسد و نتایج شبیه سازی با شبکه مورد نظر ارائه می شود. در نهایت نیز این روش تخمین آنتالپی تبخیر با برخی روش های محاسباتی بیان شده در منابع مقایسه می گردد.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

4-2 پایگاه داده ها
با بررسی روابط آنتالپی تبخیر که در فصل دوم نیز بیان شده است، می توان پارامتر های تأثیر گذار بر آنتالپی تبخیر را شناخت. پارامتر های دمای جوش نرمال، دمای بحرانی، فشار بحرانی، جرم مولکولی و ضریب بی مرکزی^[64]در اکثر آنها مشترک است. می توان از همین پارامتر ها برای ورودی به شبکه ی عصبی استفاده کرد.
به همین منظور داده های آنتالپی تبخیر در نقطه جوش نرمال برای 182 مایع به همراه دمای جوش نرمال، دما و فشار بحرانی، جرم مولکولی و ضریب بی مرکزی از مراجع جمع آوری شد. این مایعات شامل آلکان، آلکن، متیل و دی متیل آلکان، متیل و دی متیل آلکن، ترکیبات حلقوی، الکل خطی و غیر خطی، مرکاپتان، اتر و .. است.]41-38[
همچنین برای بررسی آنتالپی تبخیر در دماهای مختلف، پارامتر های ذکرشده برای الکل های خطی درجه اول نیزجمع آوری شده تا به صورت جداگانه در شبکه ای دیگر اعمال شوند. این داده ها متشکل از آنتالپی تبخیر 20 الکل خطی در184 دمای مختلف، همراه با پارامتر هایی که پیش تر بیان شده است.]40-38[
در جهت بهبود عملکرد شبکه بهتر است داده ها نرمال سازی^[65] شده و به شبکه وارد شوند. در این تحقیق داده ها را با بهره گرفتن از رابطه زیر در بازه ]1و0[ نرمال سازی شده است.]42[
(4-1)
4-3 انتخاب شبکه عصبی
هدف ما طراحی شبکه ای است که با بهره گرفتن از داده های ورودی آموزش ببیند تا بتواند آنتالپی تبخیر در نقطه جوش نرمال را برای شبکه اول و آنتالپی تبخیر در دماهای مورد نظر را برای الکل های خطی در شبکه ای دیگر محاسبه کند. در این تحقیق 70% از داده ها به صورت تصادفی برای آموزش و 30% دیگر به منظور تست و ارزیابی^[66] در نظر گرفته می شود.
به این منظور از یک شبکه عصبی پیشخور و پس انتشار خطا (FFBP) یا اصطلاحاً شبکه پرسپترون دو لایه استفاده می کنیم. الگوریتم آموزشی به کار گرفته شده، لونبرگ-مارکوارت است. از تابع انتقال لگاریتم سیگموئید در لایه میانی وتابع انتقال خطی در لایه خروجی استفاده می کنیم.
مرحله بعدی تعیین تعداد نورون در لایه میانی است. همان طور که پیش تر بیان شده تعداد نورون ها در لایه مخفی با روش حدس و خطا تعیین می شود. به همین دلیل داده ها را به شبکه وارد کرده و با تغییر تعداد نورون ها در لایه مخفی و دریافت خروجی های شبکه، مقدار MSE و RMSE شبکه را در هر مرحله محاسبه و ارزیابی می کنیم. مشاهدات در شکل(4-1) و (4-2) نشان داده شده است.
شکل(4-1): نتایج تغییر تعداد نورون ها در لایه میانی شبکه، پیش بینی آنتالپی تبخیر در نقطه جوش نرمال
شکل(4-2): نتایج تغییر تعداد نورون ها در لایه میانی شبکه، پیش بینی آنتالپی تبخیر الکل ها
با توجه به شکل ها واضح است10 نورون در شبکه اول و 14 نورون در شبکه دوم، خطا را حداقل خواهد کرد. تعداد نورون ها در لایه ورودی با تعداد پارامترهای ورودی برابر است. بنا بر این در شبکه اول در لایه ورودی 5 نورون و در شبکه دوم چون پارامتر دما به پارامتر های قبلی اضافه می شود، تعداد نورون در لایه ورودی 6 خواهد بود. نمایی از شبکه های به کار گرفته شده در شکل (4-3) و (4-4) نشان داده شده است.
شکل(4-3): شبکه عصبی پرسپترون دولایه با 10 نورون در لایه مخفی برای پیش بینی آنتالپی تبخیر در نقطه جوش نرمال
شکل(4-4): شبکه عصبی پرسپترون دولایه با 14 نورون در لایه مخفی برای پیش بینی آنتالپی تبخیر الکل ها
4-4 نتایج شبکه عصبی
با طراحی شبکه ها و اعمال ماتریس ورودی و ماتریس هدف به شبکه ها، نتایج با کمک نمودارهایی نمایش داده می شود. شکل(4-5) نشان دهنده خطای آموزش، ارزیابی و تست در هر چرخه از شبکه ی اول است. زمانی که نمودار ها به یک مقدار ثابت از خطا رسید شبکه متوقف می شود. شبکه اول بعد از 19 چرخه متوقف شد و کمترین خطای ارزیابی در چرخه 13 حاصل شده است.
شکل (4-5): نمودارخطای شبکه نسبت به چرخه، برای پیش بینی آنتالپی تبخیر در نقطه جوش نرمال
شکل (4-6) نمودار رگرسیون خروجی شبکه در مقابل داده های تجربی به ترتیب در مراحل آموزش، ارزیابی و تست است و نمودار آخر نیز رگرسیون تمام داده های خروجی شبکه در برابر داده های تجربی است و در واقع ادغام سه نمودار قبل است. معیار عملکرد شبکه در این نمودار ها با ضزیب تبیین مشخص می شود. هرچه این مقدار به یک نزدیک تر باشد نشان دهنده عملکرد خوب شبکه است. مقدار ضریب تبیین در هر مرحله بالای هر نمودار نشان داده شده که برای کل داده ها این معیار 99608/0 است.
شکل(4-6): رگرسیون خروجی شبکه در مقابل داده های تجربی در مراحل آموزش، ارزیابی و تست در پیش بینی آنتالپی تبخیر در نقطه جوش نرمال
برای شبکه دوم نیز نمودار خطای آموزش، تست و ارزیابی در هر چرخه در شکل (4-7) نشان داده شده است. شبکه بعد از 58 چرخه با ثابت ماندن خطا متوقف شد. کمترین خطای مرحله ارزیابی در چرخه 52 بوده است.
شکل (4-7): نمودارخطای شبکه نسبت به چرخه، برای پیش بینی آنتالپی تبخیر الکل های خطی
همچنین رگرسیون داده های خروجی در مقابل داده های تجربی برای شبکه دوم نیز در شکل (4-8) نشان داده شده است. ضریب تبیین برای کل داده ها 99865/0 است.
شکل(4-8):رگرسیون خروجی شبکه در مقابل داده های تجربی در مراحل آموزش ارزیابی و تست در پیش بینی آنتالپی تبخیر الکل ها
4-5 مقایسه با سایر روش ها
قدر مطلق خطای نسبی^[67] پیش بینی آنتالپی تبخیر در نقطه جوش توسط شبکه و معادلات گیاکلن، چن، ریدل و وتر(2-37) در جدول (4-1) برای تمام مایعات مجموعه ارائه شده است. رابطه ای که برای محاسبه میانگین قدر مطلق خطای نسبی که در انتهای جدول به کار گرفته شده به جهت یادآوری بیان می شود.]29[
(4-2)
(3-8)
جدول(4-1)مقایسه پیش بینی آنتالپی تبخیر در نقطه جوش نرمال توسط شبکه عصبی با سایر روش های متداول

component
Network ARD%
Giacalon ARD%
Riedel ARD%
Chen ARD%
Vetere ARD%

1,1,2-Trichloroethane

4.54