مدلسازی جذب ناپیوسته در راکتورهای بهم خورنده توسط مدل HSD ومدل های هوشمند ANN و LS-SVM
محل انتشار: پانزدهمین کنگره ملی مهندسی شیمی ایران
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 494
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICHEC15_405
تاریخ نمایه سازی: 19 تیر 1394
چکیده مقاله:
فرآیند جذب برای حذف مواد محلول در یک سیال با استفاده از برقراری تماس آن سیال با یک جاذب جامد محلول دریک سیال دیگر استفاده می شود. در این تحقیق اثر پارامترهای سیستم بر روی جذب برمو فنول توسط کربن فعال، مانند دور همزن، و غلظت اولیه بررسی شده است. مدل شبکه عصبی مصنوعی ANN و مدل هوشمند سیستم ماشین برداری با حداقل مربعات SVM-LS به عنوان دو مدل هوشمند و مدل نفوذ سطحی همگن HSD به عنوان مدل تحلیلی برای مدلسازی فرآیند جذب در راکتورهای بهم خورنده در این مطالعه بکار گرفته شده اند. به منظور تعیین دقت این مدلها، مقایسه ای از لحاظ آماری بین نتایج آزمایشات و مقادیر پیش بینی شده توسط مدلها صورت گرفته است. آنالیز آماری انجام گرفته شامل تابع های خطای ضریب همگرایی 2R خطای نسبی متوسط ARE ، مجموع خطای مطلق SAE ( و آزمون آماری ) 2χ میباشد. نتایج مدلسازی نشان می دهد که هر سه مدل ANN ، LS-SVM و HSD در پیش بینی نتایج آزمایش جذب ناپیوسته در راکتور بهم خورنده، کارآمد بوده و از دقت خوبی برخوردارند.
کلیدواژه ها:
مدلسازی ، جذب ناپیوسته در راکتورهای بهم خورنده ، مدل شبکه عصبی مصنوعی ، مدل هوشمند سیستم ماشین برداری با حداقل مربعات ، مدل نفوذ سطحی همگن ، مقایسه آماری
نویسندگان
محمدرضا کوثری
فارغ التحصیل کارشناسی ارشد دانشکده مهندسی انرژی، دانشگاه صنعتی شریف، تهران
علی نادری
فارغ التحصیل کارشناسی ارشد دانشکده مهندسی انرژی، دانشگاه صنعتی شریف، تهران
محمد اتوکش
دانشیار دانشکده مهندسی انرژی، دانشگاه صنعتی شریف، تهران
داوود قدوسی نژاد
دانشجوی دکتری مهندسی شیمی دانشکده مهندسی شیمی، دانشگاه صنعتی نوشیروانی بابل، بابل
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :