CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Estimation of carbon dioxide solubility in pure water using artificial neural network

اعتبار موردنیاز: ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۱۵۵۱ | نظرات: ۰
سال انتشار: ۱۳۸۵
کد COI مقاله: NICEC11_092
زبان مقاله: انگلیسی
حجم فایل: ۲۲۹.۱۵ کلیوبایت (فایل این مقاله در ۷ 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. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله Estimation of carbon dioxide solubility in pure water using artificial neural network

Heydari - Department of Chemical Engineering , Mohaghegh-e-Ardebily University, Ardebil, I.R.Iran
Shayesteh - Department of Chemical Engineering , Mohaghegh-e-Ardebily University, Ardebil, I.R.Iran
Kamalzadeh - Department of Chemical Engineering , Mohaghegh-e-Ardebily University, Ardebil, I.R.Iran
Yazdanshenas - Iran Behnoosh Co, Research and Development Sector, Karaj special Rd, Tehran, I.R.Iran.

چکیده مقاله:

Vapour liquid equilibrium (VLE) data are important for designing and modeling of process equipments. The phase behavior of the CO2+H2O system is of importance for many industrial processes. Since it is not always possible to carry out experiments at all possible temperatures and pressures, generally thermodynamic models based on equations of state are used for estimation of VLE. In this paper, an alternate tool, i.e. the artificial neural network (ANN) technique has been applied for estimation of solubility of carbon dioxide in water. ANN was applied to the raw data of the 105 experiments were carried out in R&D sector of Iran Behnoosh Co in range of 278.15–348.15K and 0.1–1MPa for temperature and pressure respectively. To check the ANN model, the samples were divided into two groups. One of them contained 85 samples and was used to train the network and the remaining 20 samples were used as the test set. For the training of the different networks, the standard feed forward
back propagation algorithm was used and several types of structures were tested to obtain the most suitable network for the prediction of solubility. To check the reproducibility of the results, each of the networks studied was trained three times. Finally the best ANN structure
was determined as 28-19-1. In comparison of performance analysis of ANN, the relative error (RE) was studied and maximum error found 6.98 percent and R2 was equal to 0.9957. To ensure, the results of ANN was compared with the results of software presented by L.W Diamond & N.N Akinfiev. To sum up ANN shows the better results in comparison with it. So it can be concluded that ANN provides a good method in predicting the solubility of carbon dioxide in pure water.

کلیدواژه‌ها:

Artificial neural network, Solubility, Carbon dioxide, Water

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-NICEC11-NICEC11_092.html
کد COI مقاله: NICEC11_092

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:
Heydari, ; Shayesteh; Kamalzadeh & Yazdanshenas, ۱۳۸۵, Estimation of carbon dioxide solubility in pure water using artificial neural network, یازدهمین کنگره ملی مهندسی شیمی ایران, تهران, دانشگاه تربیت مدرس, https://www.civilica.com/Paper-NICEC11-NICEC11_092.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: (Heydari, ; Shayesteh; Kamalzadeh & Yazdanshenas, ۱۳۸۵)
برای بار دوم به بعد: (Heydari; Shayesteh; Kamalzadeh & Yazdanshenas, ۱۳۸۵)
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 :

  • Larryn W. Diamond.., Nikolay N. Akinfiev, Solubility of CO2 in ...
  • Guor-Shiarn Shyu, Nishawn S.M. Hanif, Kenneth R. Hall, Philip T. ...
  • M. Ali Akcayol, Can Cinar, Artificial neural network based modeling ...
  • Abolghasem Jouybana, ., Mir-Reza Majidib, Farnaz Jabbaribarc, Karim As adp ...
  • Vimon Tanti shaiyakul, Prediction of the aqueous solubility of benzylamine ...
  • Swati Mohanty, Estimation of vapour liquid equilibria of binary systems, ...
  • J. Zupan, J. Gasteiger, Neural Networks in Chemistry and Drug ...
  • A. Chouai _ S. Laugier , D. Richon _ Modeling ...
  • Guleda Onkal-Engin, Ibrahim demir, Seref N. Engin, determination of the ...
  • D. Svozil, V. Kvasnicka, J. Pospichal, Chemom. Intell. Lab. Syst. ...
  • J. A. Leonard, M. A. Leonard, L. H. Ungar, Computers ...
  • Yu Lu, Liping Bian, Pengyuan Yang, Quantitive artificial neural network ...
  • Swati Mohanty, Estimation of vapour liquid equilibria of binary systems, ...
  • 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.