بررسی عملکرد شبکه عصبی مصنوعی MLP، RBF و ORN در یک کانال افقی همراه با انتقال جرم و انتقال حرارت همزمان

نوع مقاله: علمی-پژوهشی

نویسندگان

1 آمل، دانشگاه آزاد اسلامی واحد آیت‌الله آملی، دانشکده فنی مهندسی، گروه مهندسی شیمی

2 مشهد، دانشگاه فردوسی مشهد، دانشکده فنی مهندسی

چکیده

در بیش ‌تر فرایند‌های مهندسی شیمی پدیده ‌های انتقال جرم و انتقال گرما مشخصه‌ های جدایی‌ناپذیر فرایندها می‌ باشند. در این پژوهش با استفاده از یک دستگاه آزمایشگاهی، به بررسی تجربی هم‌زمان این دو پدیده در فرایندهای مهندسی شیمی و تأثیراتی که بر روی هم و بر روی فرایندها می ‌توانند داشته باشند، پرداخته شده است. در این دستگاه وجود پدیده های چگالش و تبخیر، باعث انتقال جرم شده و سرانجام بر ضریب انتقال گرمایی تأثیر می‌ گذارند همچنین وجود انتقال جرم، توزیع دما در پدیده انتقال گرما را تغییر داده و باعث ایجاد تغییر کلی در شار گرمایی م ی‌شود. آزمایش ‌های بسیاری با تغییر پارامتر های گوناگون مانند دما و شدت جریان برای هر دو سیال آب و هوا انجام گرفت، که از نتیجه‌ های به دست آمده از این آزمایش ‌ها در بررسی انواع شبکه عصبی مصنوعی و مقایسه عملکرد این شبکه‌ ها با یکدیگر و  با نتیجه ‌های به دست آمده از آزمایش ‌ها استفاده شد. از جمله شبکه های عصبی به‌ کار برده شده در این مقاله می‌ توان به شبکه  RBF(Radial Basis exact Fit) و شبکه  MLP(Multi Layer Perceptron) و شبکه ORN (Optimal Regularization Network) اشاره نمود. بررسی های انجام شده بیانگر این است که شبکه MLP به ‌دلیل نبود امکان برطرف کردن خطا و اغتشاش قادر به پیش‌ بینی مناسب نبوده و شبکه ORN به دلیل دارا بودن مبنای نظری قوی‌ تر و استفاده از روش ‌های پیشرفته ریاضی مانند مقابله عدد دارای عملکرد بهتری است.

کلیدواژه‌ها

موضوعات


[1] Himmelblau D.M., Hoskins J.C., Artificial Neural Networkmodels of Knowledge Representation in Chemical Engineering, Computers and Chemical Engineering, 12: 881-890 (1988).
[2] Venkatasubramanian V., Chan K., A Neural Network Methodology for Process Fault Diagnosis, AIChE Journal, 35 :1993–2002 (1989).
[3] Watanabe K., Matsuura I., Abe M., Kubota M., Himmelblau D.M., Incipient Fault Diagnosis of Chemical Engineering Processes via Artificial Neural Networks, AIChE Journal, 35: 1803–1812 (1989).
[4] Chan W.M., Nascimento C.A.O., Use of Neural Networks for Modeling of Olefin Polymerization in High Pressure Tubular Reactors, Journal of Applied Polymer Science, 53: 1277- 1289  (1994).
[5] Nascimento C.A.O., Guardani R., Giulietti M., Use of Neural Networks in the Analysis of Particle Size Distributions by Laser Diffraction, Powder Technology, 90: 89-94 (1997).
[6] Iliuta S.I.I., Lavric V., Two-Phase Downflow and Upflow Fixedbed Reactors Hydrodynamics Modeling Using Artificial Neural Network, Chem. Ind., 53(6): 176-186 (1999).
[7] Nascimento C.A.O., Giudici R., Guardani R., Neural Network Based Approach for Optimization of Industrial Chemical Processes, Computers and Chemical Engineering, 24: 2303-2314 (2000).
[8] Guardani R., Onimaru R.S., Crespo F.C.A., Neural Network Model for the On-Line Monitoring of a Crystallization Process, Braz. J. Chem. Eng., 18(3):267-275, (2001).
[9] Xie G.N., Wang Q.W., Zeng M., Luo L.Q., Heat Transfer Analysis for Shell-and-Tube Heat Exchangers with Experimental Data by Artificial Neural Networks Approach, Applied Thermal Engineering, 27(5-6):, 1096-1104 (2007).
[10] Scalabrin G., Condosta M., Marchi P., Modeling Flow Boiling Heat Transfer of Pure Fluids Through Artificial Neural NetworksInternational, Journal of Thermal Sciences, 45(7): 643-663 (2006).
[11] Movagharnejad K., Nikzad M., Modeling of Tomato Drying Using Artificial Neural Network, Computers and Electronics in Agriculture, 59(1–2): 78-85 (2007).
[12] Balcilar M., Dalkilic A.S., Wongwises S., Artificial Neural Network Techniques for the Determination of Condensation Heat Transfer Characteristics During Downward Annular Flow of R134a Inside a Vertical Smooth Tube, International, Communications in Heat and Mass Transfer, 38(1): 75-84 (2011).
[13] Shahsavand A., Derakhshan Fard F., Sotoudeh F., Application of Artificial Neural Networks for Simulation of Experimental CO2 Absorption Data in a Packed Column, Journal of Natural Gas Science and Engineering, 3(3): 518-529 (2011).
[14] Beigzadeh R., Rahimi M., Prediction of Heat Transfer and Flow Characteristics in Helically Coiled Tubes Using Aartificial Neural Networks, International Communications in Heat and Mass Transfer, 39(8): 1279-1285 (2012).
[16] Poggio T., Girosi F., Regularization Algorithms for Learning that are Equivalent to Multilayer Networks, Science, 247: 978-982 (1990).
[17] Poggio T., Girosi F., Networks for Approximation and Learning, Proceedings of the IEEE, 78: 1481- 1497 (1990b).
[19] منهاج، محمد باقر؛ مبانی شبکه­های عصبی هوش مصنوعی، مرکز نشر دانشگاه صنعتی امیر کبیر (1381).