استفاده از شبکه های عصبی برای پیش بینی خواص ترمودینامیکی مواد به ویژه هیدروکربن ها
Abstract
No abstract recorded for this item.
No abstract recorded for this item.
امروزه نقش معادلات حالت در پیش بینی خواص ترمودینامیکی مواد خالص و تعادل های فازی مخلوط های چند جزئی در صنایع نفت و پتروشیمی بسیار مهم می باشد. اما این معادلات در بیان خواص مخلوط های حاوی مواد بسیار قطبی یا مواد دارای پیوند هیدروژنی و هم چنین مواد تجمعی اغلب دچار مشکل می شوند. یک
فلزات قلیایی دارای خواص شیمی فیزیکی منحصر به فردی چون هدایت گرمایی و الکتریکی بسیار بالا، چگالی و ویسکوزیته پایین، دمای ذوب پایین، گستر? دمایی وسیع برای حالت مایع، گرمای تبخیر زیاد و ... می باشند. همین امر باعث افزایش روزافزون کاربرد این فلزات در صنلیع مختلف گردیده است، از این رو
در این پژوهش برای پیش بینی برخی از خواص ترمودینامیکی (دانسیته، ویسکوزیته و کشش سطحی) محلول پلی وینیل پیرولیدن (pvp) در آب و اتانول با استفاده از فناوری هوش مصنوعی (شبکه های عصبی مصنوعی و الگوریتم های تکاملی) استفاده شده است. دانسیته، ویسکوزیته و کشش سطحی محلول های پلی وینیل پیرول
امروزه، مواد فعال سطحی کاربردهای گسترده ای شامل شوینده ها و پاک کننده ها، مواد و محصولات آرایشی بهداشتی، ساخت میکرو امولسیون ها و در زمینه های تحقیقاتی مختلف از جمله فناوری نانو در قالب میسلهای معکوس و میکرو امولسیونها را به خود اختصاص داده اند. لذا، داده های تجربی ارزشمند متعددی
در طراحی و بهینه سازی فرایندهای ترمودینامیکی، به مانند طراحی چرخه های تبرید و کرایوژنیک، دستیابی به خواص ترمودینامیکی سیالات در دماها و فشار های مختلف ضروری می باشد. از این رو توسعه معادله حالت مناسب برای پیش بینی خواص ترمودینامیکی مواد در دماها و فشارهای مختلف، الزامی است. اگر چ
طراحی و شبیه سازی فرآیندهای مهندسی شیمی مستلزم انجام حجم عظیمی از محاسبات است . به همین دلیل استفاده از سرعت و دقت کامپیوتر نه تنها مفید بلکه ضروری است . برای استفاده ازکامپیوتر در طراحی و شبیه سازی فرآیندهای شیمیایی، یکی از اساسی ترین نیازها عبارت است از بسته برنامه ای که خواص ت
مقدمه: خواص ترمودینامیکی محلول های آبی حاوی ترکیبات قندی در صنایع مختلفی همچون تهیه مواد غذایی، صنایع نگه داری مواد غذایی و غیره کاربردهای مهمی دارد. به همین دلیل ارائه روشی مناسب برای پیش بینی و محاسبه این خواص از اهمیت بالایی برخوردار می باشد. مواد و روش ها: در این پژوهش خواص ت
شناخت خواص فیزیکی مغز پسته در فرآیندهای انتقال، خشک کردن، فرآوری، جداسازی، درجه بندی و ذخیره این محصول ارزشمند نقش اساسی ایفاء می کند. در این مطالعه، خواص فیزیکی پسته توسط مدل های مختلف شبکه ی عصبی شبیه سازی گردید. مدل های مختلف شبکه ی عصبی همراه با تابع های آستانه ی مختلف در پیش
شبهکلاتریتها ساختارهایی جدید از هیدراتهای گازی هستند که شرایط ترمودینامیکی تشکیل هیدرات گازی در آنها از هیدراتهای کلاتریت بسیار راحتتر است. مدلهای ارایهشده برای پیشبینی شرایط ترمودینامیکی شبهکلاتریتها انگشتشماراند. در کار حاضر از ابزار شبکه عصبی مصنوعی با ساختار پرسپتر
شبهکلاتریتها ساختارهایی جدید از هیدراتهای گازی هستند که شرایط ترمودینامیکی تشکیل هیدرات گازی در آنها از هیدراتهای کلاتریت بسیار راحتتر است. مدلهای ارایهشده برای پیشبینی شرایط ترمودینامیکی شبهکلاتریتها انگشتشماراند. در کار حاضر از ابزار شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه
چکیده در این مطالعه از شبکه عصبی gmdh براساس الگوریتم ژنتیک برای پیش بینی خواص فیزیکی و مکانیکی تخته خرده چوب در مقیاس آزمایشگاهی استفاده شد. به منظور تعیین خواص فیزیکی و مکانیکی به وسیله شبکه عصبی gmdh، از مشخصات دمای پرس در 4 سطح 170،160،150 و 180 درجه سانتی گراد، زمان بسته شدن
رفتار مکانیکی نانوکامپوزیت های پلی اتیلن سبک نشاسته گرمانرم با استفاده از سامانه استنتاج فازی عصبی تطبیقی بررسی شده است. بدین منظور، کامپوزیت های پلی اتیلن سبک نشاسته گرمانرم حاوی مقادیر مختلف )صفر تا 3 درصد وزنی( نانوخاک رس ) cloisite 15a ( با استفاده از فرایند اکستروژن تهیه شد.