CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Estimation of LLE Data for Binary Systems of N-Formylmorpholine with Alkanes Using Artificial Neural Network–Genetic Algorithm (ANN–GA) Model

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۶ | تعداد نمایش خلاصه: ۲۳ | نظرات: ۰
سال انتشار: ۱۳۹۸
کد COI مقاله: JR_CHM-3-1_006
زبان مقاله: انگلیسی
حجم فایل: ۹۲۷.۲۱ کیلوبایت (فایل این مقاله در ۱۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۶ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Estimation of LLE Data for Binary Systems of N-Formylmorpholine with Alkanes Using Artificial Neural Network–Genetic Algorithm (ANN–GA) Model

  Reza Beigzadeh - Department of Chemical Engineering, Faculty of Engineering, University of Kurdistan, Sanandaj, Iran

چکیده مقاله:

The purpose of this work was to predict liquid-liquid equilibrium of binary systems including N-formylmorpholine (NFM) with alkanes (heptane, nonane, and 2,2,4-trimethylpentane) over the temperature range from around 300 K to 420 K. Therefore, three feed-forward artificial neural network (ANN) models were developed for the three systems. Compositions of alkanesin light phase and heavy phase were considered as network inputs, and the temperature was the output variable. Genetic algorithm (GA) method was used to design the neural network. It minimized the total mean squared error (MSE) between net output and desired output with optimizing weights and biases of the ANN. The validity of the models was evaluated through a test data set, which was not used in the training data set. The results of this work show that the hybrid of artificial neural network and genetic algorithm (ANN–GA) can estimate the LLE of the binary systems with high precision.

کلیدواژه‌ها:

Artificial neural network (ANN), Binary system, Genetic algorithm (GA), Liquid-liquid Equilibrium (LLE), N-formylmorpholine

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-JR_CHM-JR_CHM-3-1_006.html
کد COI مقاله: JR_CHM-3-1_006

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Beigzadeh, Reza, ۱۳۹۸, Estimation of LLE Data for Binary Systems of N-Formylmorpholine with Alkanes Using Artificial Neural Network–Genetic Algorithm (ANN–GA) Model, Chemical Methodologies 3 (1), https://www.civilica.com/Paper-JR_CHM-JR_CHM-3-1_006.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Beigzadeh, Reza, ۱۳۹۸)
برای بار دوم به بعد: (Beigzadeh, ۱۳۹۸)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • Houshyar S., Torab-Mostaedi M., Moosavian S.M.A., Mousavi S.H., Asadollahzadeh M. ...
  • Hassan M.S., Fahim M.A., Mumford C.J. J. Chem. Eng. Data, ...
  • Cele N.P., Bahadur I., Redhi G.G., Ebenso E.E. J. Chem. ...
  • Ko M., Im J., Sung J.Y., Kim H. J. Chem. ...
  • Im J., Lee H., Lee S., Kim H. Fluid Phase ...
  • Symoniak M.F., Ganju Y.N., Vidueira J.A. Hydrocarbon Process., 1981, 60:139 ...
  • Nicolae M., Oprea F., Fendu E.M. Chem. Eng. Res. Des., ...
  • Cincotti A., Murru M., Cao G., Marongiu B., Masia F., ...
  • Chen D., Ye H., Hao W. J. Chem. Thermodyn., 2007, ...
  • Ko M., Na S., Lee S., Kim H. J. Chem. ...
  • Mahmoudi J., Lotfollahi M.N. Korean J. Chem. Eng., 2010, 27:214 ...
  • Mahmoudjanloo H., Izadpanah A.A., Osfouri S., Mohammadi A.H. Chem. Eng. ...
  • Mahmoudjanloo H., Izadpanah A.A., Rajaei H., karamian S., Esmaeilzadeh F. ...
  • Abrams D.S., Prausnitz J.M. AIChE J., 1975, 21:116 ...
  • Domínguez I., González E.J., Palomar J., Domínguez Á. J. Chem. ...
  • HorstmannS., Fischer K., Gmehling J., Kolář P. J. Chem. Thermody., ...
  • De Los Ríos A.P., Hernández Fernández F.J., Gómez D., Rubio ...
  • Behrooz H.A., Boozarjomehry R.B. Fluid Phase Equilib., 2017, 433:174 ...
  • Fernández L., Ortega J., Wisniak J. Comput. Chem. Eng., 2017, ...
  • Roosta A., Hekayati J., Javanmardi J. Neural Comput. Appl., 2017, ...
  • Fazlali A., Koranian P., Beigzadeh R., Rahimi M. Korean J. ...
  • Karimi H., Yousefi F. Fluid Phase Equilib., 2012, 336:79 ...
  • Wang Z., Xia S., Ma P., Liu T., Han K. ...
  • Hagan M.T., Demuth H.B., Beale, M.H. Neural network design; PWS ...
  • Hussain M.A. Artif. Intell. Eng., 1999, 13:55 ...
  • Basheer I.A., Hajmeer M. J. Microbiol. Method., 2000, 43:3 ...
  • Beigzadeh R., Rahimi M., Parvizi M., Eiamsa-ard S. Numer. Heat. ...
  • Chang Y.T., Lin J., Shieh J.S., Abbod, M.F. Adv. Fuzzy ...
  • Beigzadeh R., Rahimi M., Parvizi M. Heat Mass Transf., 2013, ...
  • Yazdanmehr M., Mousavi Anijdan S.M., Bahrami A. Comput. Mater. Sci., ...
  • Levenberg K. SIAM J. Numer. Anal., 1944, 16:588 ...
  • Marquardt D.W. J. Soc. Indust. Appl. Math., 1963, 11:431 ...
  • Hagan M.T., Menhaj M.B. IEEE Trans. Neural Net., 1994, 5:989 ...
  • Haykin S. Neural Networks; M. Horton ed. , 1999 ...
  • Renon H., Prausnitz J.M. AIChE J., 1968, 14:135 ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۳۸۹۱
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.