جهاد دانشگاهی-پژوهشکده توسعه صنایع شیمیایی ایران نشریه شیمی و مهندسی شیمی ایران 1022-7768 41 1 2022 04 21 Prediction of Degradation Temperature of Polyamide by Biofuels Using Artificial Neural Network پیش‌بینی دمای تخریب پلی آمید توسط سوخت های زیست سازگار با استفاده از شبکه عصبی مصنوعی 313 323 44321 FA حمید یزدانی گروه مهندسی شیمی، دانشگاه پیام نور، تهران، ایران 0000-0003-4348-7253 سعید سمیعی یگانه بخش مهندسی پلیمر، دانشگاه تکنیک وین، وین، اتریش حسین اکبری نسب دانشکده مهندسی پلیمر و رنگ، دانشگاه صنعتی امیرکبیر، تهران، ایران Journal Article 2019 09 17 <em>The aim of this study was to apply an artificial neural network to predict the degradation temperature of polyamide 12 under the influence of several factors such as environment, biofuels, and temperature over time. In this modeling, a three-layer perceptron (MLP) neural network is used. The perceptron neural network consists of three input layers, a hidden layer, and an output layer. The inputs of this network are three variables related to ethanol concentration, temperature, and time and its output is the temperature of polyamide degradation. The perceptron neural network was designed with a linear transfer function at the output layer for modeling. A comparison of experimental results and network modeling results showed R2 = 0.99. Also, using experimental data, the mean squared error and absolute percentage error of system error were 0.09 and 0.03, respectively. Then, the degradation temperature and the effects of several factors such as ethanol percent and temperatures (20, 40,  and 60) degrees Celsius on the physical properties of polyamide 12 during times (0, 900, 5000, 3000, 6000, and 7000) hours are predicted and the results show the high accuracy of the neural network in estimating the degradation temperature.</em> <em>هدف از انجام این پژوهش‌، به کارگیری شبکه عصبی مصنوعی به منظور پیش‌بینی میزان گرمای تخریب پلی­ آمید-12 تحت تأثیر چند فاکتور مانند محیط، سوخت­ های زیست سازگار و دما در طول زمان می‌باشد. در این مدل‌سازی از یک شبکه عصبی پرسپترون سه لایه (MLP) استفاده شده است. شبکه عصبی پرسپترون شامل سه لایه ورودی، لایه پنهان و لایه خروجی است. ورودی‌های این شبکه سه متغیر مربوط به غلظت اتانول، دما و زمان است و خروجی آن دمای تخریب پلی‌آمید می­باشد. شبکه عصبی پرسپترون با تابع انتقال خطی در لایه‌ خروجی برای مدل‌سازی، طراحی شد. مقایسه نتیجه‌های تجربی و نتیجه‌های مدل‌سازی شبکه، نشان‌دهنده ضریب تبیین 99/0= R² بود. همچنین با استفاده از داده‌های تجربی میانگین مربعات خطا و درصد میانگین مطلق خطای سامانه به ترتیب  09/0 و 03/0 به دست آمد. سپس میزان گرمای تخریب و تأثیرهای چند فاکتور مانند درصد اتانول و دماهای (25، 40 و 60) درجه سلسیوس بر ویژگی‌های فیزیکی پلی ­آمید-12 در طول زمان‌‌های (0، 900، 3000، 5000، 6000 و 7000) ساعت را پیش‌بینی نموده و نتیجه‌های به دست آمده نشان از دقت بالای شبکه عصبی در تخمین دمای تخریب می باشد.</em> https://www.nsmsi.ir/article_44321_2dfbe1c802c78a8b1f75ef13b70c1124.pdf