پیش‌بینی حلالیت اکسیژن در حلال های آلی با استفاده از شبکه عصبی مصنوعی

نوع مقاله: کوتاه پژوهشی

نویسندگان

1 تبریز، دانشگاه تبریز، دانشکده شیمی، گروه مهندسی شیمی

2 ایلام، ایوان غرب، دانشگاه آزاد اسلامی واحد ایوان غرب

چکیده

در این مقاله یک شبکه عصبی مصنوعی برای محاسبه حلالیت اکسیژن در حلال‌های آلی مورد بررسی قرار گرفته است. حلال‌های بررسی شده شامل متانول، پروپانول، اکتان، تولوئن، دی اتیل اتر و 2-متیل تترا هیدروفورن هستند. داده‌ها برای بازه وسیعی از دما (K29/348 – 2/298) و فشار (MPa2338/9 - 0535/0) بررسی شده‌اند. ورودی‌های شبکه عصبی شامل جرم مولکولی، ضریب اسنتریک، دمای کاهیده و فشار کاهیده حلال مورد نظر هستند و خروجی شبکه عصبی حلالیت اکسیژن است. بهینه طراحی ممکن برای شبکه عصبی، شبکه پیش‌خور با الگوریتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ مارکوارت، تابع فعال سازی سیگمودی برای لایه مخفی با 13 نرون در این لایه و تابع فعال سازی خطی برای لایه خروجی است. نتیجه‌ ها نشان می‌دهند که توسط شبکه عصبی بهینه می‌توان مقدارهای حلالیت را با ضریب همبستگی (R2) برابر 999997/0، درصد میانگین انحراف نسبی (ARD%) برابر 8103/0 و درصد میانگین انحراف مطلق (AAD%) برابر 0042/0پیش بینی کرد. تحلیل حساسیت نشان می‌دهد که دمای کاهیده بیشترین تأثیر را بر روی خروجی شبکه عصبی یعنی حلالیت داراست.

کلیدواژه‌ها

موضوعات


[1] Guimaraes P.R.B., McGreavy, C., Flow of Information through an Artificial Neural Network, Comput. Chem. Eng., 19, p. 741 (1991).

[2] Sharma R., Singhal D., Ghosh R., Dwivedi A., Potential Applications of Artificial Neural Networks to Thermodynamics: Vapour-Liquid Equilibrium Predictions, Comput. Chem. Eng., 23, p. 385 (1999).

[3] Lashkarbolooki M., Shafipour Z., Zeinolabedini A., Farmani H., Use of Artificial Neural Networks for Prediction of Phase Equilibria in the Binary System Containing Carbon Dioxide, Journal of Supercritical Fluids, 75, p.144 (2013)

[5] Potukuchi W., Wexler A.S., Predicting Vapor Pressures Using Neural Networks, Atmos. Environ., 31, p. 741 (1997).

[6] Shyam S.S., Oon-Doo B., Michele M., Neural Networks for Predicting Thermal Conductivity of Bakery Products, J. Food Eng., 52, p. 299 (2002).

[10] Dias A.M.A., Freire M., Coutinho J.A.P., Marrucho I.M., Solubility of Oxygen in Liquid Perfluorocarbons, Fluid Phase Equilibria, 222, p. 325 (2004).

[11] Tan Z., Gao G.H., Yu Y.X.,Gu C., Solubility of Oxygen in Aqueous Sodium Carbonate Solution at Pressures up to 10 MPa, Fluid Phase Equilibria, 180, p. 375 (2001).

[12] Parker, R.,Whitcombe, M. J., Ring, S. G., Oxygen Solubility and Permeability of Carbohydrates, Carbohydrate Research, 340, p. 1523 (2005).

[13] Kaskiala T., Determination of Oxygen Solubility in Aqueous Sulphuric Acid Media, Minerals Engineering, 15, p. 853 (2002).

[14] Merker T., Vrabec J., Hasse H., Gas Solubility of Carbon Dioxide and of Oxygen in Cyclohexanol by Experiment and Molecular Simulation, The Journal of Chemical Thermodynamics, 49, p. 114 (2012).

[15] Safamirzaei M., Modarress H., Solubility of Oxygen in the Ionic Liquid [bmim][PF6]: Experimental and Molecular Simulation Results, ThermochimicaActa, 545, p. 125 (2012).

[16] حسن آبادی، مرتضی، طراحی شبکه عصبی برای بهینه سازی اندازه سطح مقطع شیرهای درون چاهی با اندازه ثابت در چاه هوشمند، نشریه شیمی و مهندسی شیمی ایران، (2)31، ص. 55 (1391).

[17] Perry, D. Green (Eds.), “Perry's Chemical Engineers Handbook”, 7th Edition, McGraw-Hill, New York, (1997).

[19] Safamirzaei M., Modarress H., Correlating and Predicting Low Pressure Solubility of Gases in [bmim][BF4] by Neural Network Molecular Modeling, ThermochimicaActa, 545, p. 125 (2012).

[20] Garson, G.D., “Interpreting Neural-Network Connection Weights”, AI Expert, 6, p. 46 (1991).