مدلسازي شبكه عصبي مصنوعي گوگردردايي از سوخت ديزل توسط غشا نانوكامپوزيت پليمر/آلومينا

كارشناسي ارشد

شيمي طراحي فرايند

تهران شمال

1402

تاريخ ثبت در تهران شمال شنبه 1402/11/7

صحافي شده ندارد

عباس خوشحال

دانشگاه پيام نور مركز تهران شمال

در اين تحقيق به دنبال بررسي فرآيند تصفيه سوخت ديزل از تركيبات گوگرد با استفاده از يك غشاي نانوكامپوزيت از جنس آلومينا/پليمر مي‌باشيم. تركيبات گوگرد موجود در سوخت‌هاي ديزل منجر به آلودگي محيط زيست و زنگ زدگي در موتورهاي خودروها مي‌شوند. بنابراين، اهميت كاهش ميزان گوگرد در اين سوخت‌ها حائز اهميت است. در اين تحقيق، تمركز بر روي ساخت غشاءهاي نانوكامپوزيت از تركيب پلي‌پروپيلن و پلي‌اتيلن با استفاده از نانوذرات آلومينا قرار دارد. اين غشاءها براي جداسازي تركيبات گوگرد از سوخت‌هاي ديزل به كار مي‌روند. شبكه‌هاي عصبي مصنوعي به عنوان يك مدل محاسباتي الهام گرفته از ساختار عصبي بيولوژيكي، مكانيزمي براي تعلم و تقليد الگوها و ارتباطات در داده‌ها فراهم مي‌كنند. اين شبكه‌ها از يك تعداد لايه‌ها و نورون‌ها (واحدهاي محاسباتي) تشكيل شده‌اند و از وزن‌ها بين اين نورون‌ها براي يادگيري و پيش‌بيني پارامترهاي مختلف استفاده مي‌كنند. ورودي (Input Layer): اطلاعات ورودي به شبكه از اين لايه وارد مي‌شوند. هر نورون در اين لايه نمايانگر يك ويژگي يا پارامتر مرتبط با داده ورودي است. لايه‌هاي مختلف (Hidden Layers): اين لايه‌ها به عنوان لايه‌هاي پردازشي عمل مي‌كنند. هر نورون در اين لايه‌ها ورودي‌هاي خود را از نورون‌هاي لايه قبلي دريافت كرده و با استفاده از وزن‌ها و توابع فعال‌سازي، اطلاعات را پردازش مي‌كند. خروجي (Output Layer): نتيجه نهايي پس از پردازش در لايه‌هاي مختلف از اين لايه خارج مي‌شود. هر نورون در اين لايه نمايانگر يك خروجي مرتبط با مسئله مورد نظر است. مكانيزم تكرار محاسبات: توابع فعال‌سازي: هر نورون در لايه‌ها از يك تابع فعال‌سازي استفاده مي‌كند (مانند سيگمويد يا تابع تانژانت). اين توابع به نورون‌ها كمك مي‌كنند تا با توجه به ورودي‌هاي خود، يك خروجي مشخص توليد كنند. وزن‌ها (Weights): وزن‌ها در ارتباط بين نورون‌ها قرار دارند و نقش مهمي در تعيين اهميت ورودي‌ها در محاسبات دارند. اين وزن‌ها با استفاده از فرآيند يادگيري (تنظيم وزن‌ها به دست آمده از داده‌هاي آموزش) بهبود مي‌يابند. تابع هدف (Objective Function): اين تابع اندازه‌گيري كيفيت عملكرد شبكه و اختلاف ميان خروجي مدل و مقدار دلخواه (برچسب واقعي) را اندازه‌گيري مي‌كند. بازخورد (Feedback): پس از محاسبه خروجي، بازخورد از تفاوت بين خروجي مدل و مقدار دلخواه به شبكه مي‌رسد و وزن‌ها بر اساس اين بازخورد تنظيم مي‌شوند. تكرار (Iteration): اين فرآيند تكراري است؛ شبكه به صورت مكرر داده‌هاي آموزشي را مشاهده كرده، وزن‌ها را تنظيم كرده و بازخورد دريافت مي‌كند تا تا زماني كه عملكرد به اندازه كافي بهبود نيابد. بنابراين جهت پياده سازي شبكه هاي عصبي مصنوعي در اين تحقيق مي بايست داده هاي مربوط به فرآيند سولوفورزدايي را در آزمايشگاه به صورت عددي در يك فايل اكسل ذخيره كنيم تا قابل فراخواني در نرم افزار متلب باشد. سپس داده هاي ورودي و هدف شبكه را از درون داده هاي آزمايشگاهي دسته بندي كرده و به عنوان دو ماتريس جداگانه به عناوين inputs و targets ذخيره كنيم. در اين تحقيق تأثير دما، غلظت نانو-آلومينا، و دز پلي‌اتيلن در ساختار غشاء،‌ بر جريان نفوذ تركيبات گوگرد را بررسي خواهيم كرد. بنابراين داده ي هدف ما در اين شبكه مقدار شار جرمي تركيب گوگرد بوده و ستون داده هاي مربوط به 3 داده ي آزمايشگاهي دما، غلظت نانو-آلومينا، و دز پلي‌اتيلن در ساختار غشاء، ورودي شبكه خواهند بود. بنابراين شبكه 3 ورودي و يك خروجي يا هدف خواهد داشت. براي استفاده از شبكه هاي عصبي مصنوعي جهت تحليل داده مي بايست، شبكه را معماري نموده و ويژگي هاي كليدي آن را متناسب با داده ها تعريف كنيم، سپس داده هاي ورودي و هدف را وارد شبكه كرده و آن را آموزش دهيم. خروجي آموزش شبكه، شبكه اي محاسباتي مي باشد كه با ورود پارامترهاي آزمايشي، مقدار فنول ها را براي ما تخمين مي زند. هر شبكه اي يك سري ويژگي هاي خاص نظير تابع آموزش، تعداد نورون ها و غيره دارد كه براي آنها مقادير مختلفي را تعيين نموده و شبكه را با ويژگي هاي مختلفي آموزش مي دهيم و فرآيند را آنقدر تكرار ميكنيم كه به بهترين ويژگي هاي شبكه دست پيدا كنيم. براي ارزيابي دقت شبكه ي اموزش داده شده مقادير mse و r2 را با يكديگر مقايسه ميكنيم به طوري كه هرچه مقدار R2 به يك نزديك تر بوده و mse كمتر باشد، شبكه دقيقتر است.

74467