پیش بینی و تخمین ویسکوزیته مایعات خالص با استفاده از شبکه عصبی مصنوعی

در این مقاله روش نظری برای پیش بینی ویسکوزیته مایعات خالص در دماهای مختلف با استفاده از ساختار مولکولی آنها ارائه شده است ترکیبی از شبکه های عصبی مصنوعی و روش سهم گروهی برای تخمین ویسکوزیته مورد استفاده قرار گرفته است. برای تخمین ویسکوزیته 62 ماده شامل 1247 نقطه مورد بررسی قرار گرفته است. ویسکوزیته به عنوان تابعی از دما، جرم مولکولی، دمای بحرانی، فشار بحرانی و گروه های ساختاری موجود در ساختار مولکول ها تخمین زده شده است. 23 گروه ساختاری برای تعیین ویسکوزیته در نظر گرفته شده اند. طراحی بهینه ممکن برای شبکه عصبی، شبکه پیش خور با الگوریتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ مارکوارت، تابع فعال سازی تانژانت هایپریولیک برای لایه مخفی با 10 نرون در این لایه و تابع فعال سازی خطی برای لایه خروجی است. نتایج نشان می دهند که توسط شبکه عصبی بهینه شده می توان مقادیر ویسکوزیته را با ضریب همبستگی (R(2) برابر 0/9999 درصد میانگین انحراف نسبی (ARD%) برابر 0/782 و ریشه میانگین مربع خطا (RMSE) برابر 0/014 پیش بینی کرد. همچنین نتایج نشان می دهند که شبکه عصبی از توانایی بالایی برای پیش بینی و درونیابی داده های ویسکوزیته برای مواد خالص برخوردار است.

کلیدواژه ها:

ویسکوزیته ، شبکه عصبی ، روش سهم گروهی ، ساختار مولکولی