استفاده از شبکه های عصبی مصنوعی جهت شناسایی خواص ترمودینامیکی محلول لیتیوم برماید آب

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,569

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ISME15_214

تاریخ نمایه سازی: 8 فروردین 1386

چکیده مقاله:

در این مقاله از شبکه های عصبی جهت شناسایی خواص ترمودینامیکی محلول لیتیوم برماید – آب استفاده شده است. جهت آموزش و تست شبکه عصبی، از مقادیر معتبر ازمایشگاهی موجود در مقالات استفاده شده است. به کمک شبکه های عصبی خواص محلول LiBr – آب نظیر آنتالپی، انتروپی، فشار، چگالی، ظرفیت حرارتی و گرانروی را بر اساس دما و غلظت محلول بهصورت روابط تحلیلی استخراج گردید. جهت شناسایی روابط ترمودینامیکی محلول از شبکه عصبی پرسپترون، دو لایه استفاده شده است. الگوریتمهای آموزشی لونبرگ – مارکوارت (LM) و گرادیان نزولی (GD) جهت اموزش شبکه بکار گرفته شده اند. توابع فعال سازی لایه ورودی خطی می باشند، ولی در لایه میانی از توابع غیر خطی پیوسته و مشتق پذیر تانژانت سیگموئید استفاده شده است. نتایج شبیه سازی دقت بسیار زیاد شبکه های عصبی را در شناسایی خواص ترمودینامیکی محلول لیتیوم برماید – آب نشان می دهند.

نویسندگان

سیدمحمدابراهیم درخشانی

کارشناسی ارشد، دانشگاه علم و صنعت ایران، دانشکده مهندسی مکانیک

سیدمصطفی حسینعلی پور

کارشناسی ارشد، دانشگاه علم و صنعت ایران، دانشکده مهندسی مکانیک

محمدمهدی عارفی

کارشناسی ارشد، دانشگاه علم و صنعت ایران، دانشکده مهندسی مکانیک

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 :
  • . Kalogirou SA, Panteliou S, Dentsoras A. Artificial neural -networks ...
  • a thermosiphon solar water-heater .Renew energy (1999). ...
  • . Chow TT, Zhang GQ, Lin Z, Song CL. Global ...
  • . Kalogirou SA, Panteliou S, Dentsoras A. Modeling of solar ...
  • . Kalogirou SA, Neocleous CS, Schizas CN.Artificial n eu ral-networks ...
  • . Kalogirou SA, Bojic M. Artificial neural -networks for the ...
  • . Pacheco-Vega A, Sen M, Yang KT, McClain RL. Neu ...
  • . Palau A, Velo E, Puigjaner L. Use of neural ...
  • . Chouai A, Laugier S, Richon D. Modeling of th ...
  • . Sharma R, Singhal D, Ghosh R, Dwivedi A. Potential ...
  • . Bechtler H, Browne MW, Bansal PK, Kecman V. New ...
  • . Sencan A., Soteris A., Kalogirou A. new approach using ...
  • . Sencan A., Kemal A., Yakuta B., Soteris A. Kalogiroub ...
  • . Sencan A., Artificial intelligent methods for th ermodynamic evaluation ...
  • . Kaita Y., Th ermodynamic properties of lithium broma ile-water ...
  • . Sozen A., Arcaklioglu E., oozalp M., Formulation based on ...
  • . Florides G.A., Kalogirou S.A., Tassou S.A. _ Wrobel L.C., ...
  • . Hagan M.T. and Menhaj M., Training feedforward networks with ...
  • . Haykin S., Neural Networks: A Co mprehensive Foundation, Prentice ...
  • نمایش کامل مراجع