پیشبینی ویسکوزیته محلولهای پلیمری پلی وینیل پیرولیدن با استفاده ازشبکههای عصبی مصنوعی مبتنی بر الگوریتم ژنتیک

پلی وینیل پیرولیدونPVP پلیمری است با ترکیبی منحصر به فرد که کاربرد های بسیاری در گستره وسیعی از صنایع دارد. طراحی مناسب و مهندسی فرایند های پلیمری بستگی به مدل سازی دقیق خواص ترمودینامیکی محلول، نظیرویسکوزیته دارد. با توجه به اینکه اندازهگیری خواص ترمودینامیکی به صورت تجربی فرایندی زمان بر و پرهزینه است در سال های اخیر توجه زیادی به پیشبینی خواص ترمودینامیکی محلولهای پلیمری بدون انجام آزمایش شده است. هدفاز انجام این پژوهش پیشبینی یکی از خواص محلولهای پلیمری پلی وینیل پیرولیدن در آب و اتانول با استفاده از شبکه های عصبی مصنوعی میباشد. اندازهگیری تجربی ویسکوزیته محلول های پلی وینیل پیرولیدون با جرم مولکولی متوسط 10000و25000 و 40000 در محدوده دمایی 20 تا 55 درجه سانتی گراد و کسر وزنی های مختلف پلیمر0/1و0/2و0/3و0/45 به صورت آزمایشگاهی انجام گرفت و از این دادهها برای آموزش و اعتبار سنجی شبکه استفاده شد. برای آموزش شبکه جهت پیشبینی خواص ترمودینامیکی در دماها و غلظتهای مورد نظر به جای استفاده از الگوریتم های متداول آموزشی (مانند الگوریتم لونبرگ مارکوات) از الگوریتم ژنتیک استفاده شد. نتایج نشان داد که در صورت استفادهاز این الگوریتم تکاملی در فرایند آموزش شبکه، مدل شبکه عصبی ارائه شده، توانایی بسیار بالایی در پیش بینی خواص ترمودینامیکی دارد بدون آنکه نیازی به آزمون های پرهزینه و وقت گیر باشد.

کلیدواژه ها:

پلی وینیل پیرولیدن ، ویسکوزیته ، شبکههای عصبی مصنوعی ، الگوریتم ژنتیک