Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

301
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

470
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم با بکارگیری شبکه عصبی مصنوعی

صفحات

 صفحه شروع 1 | صفحه پایان 13

چکیده

 امروزه با پیشرفت تکنولوژی برای حل مسایلی که روابط دقیق ریاضی بین ورودی و خروجی برقرار نمی باشد از شبکه های عصبی مصنوعی استفاده می شود. در این پژوهش برای پیش بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم دو شبکه عصبی پرسپترون چند لایه شامل شبکه عصبی مصنوعی پیشرو (FFANN) و شبکه عصبی آبشاری (CANN) پیشنهاد شد. برای بررسی صحت مدل ها, از 1251 داده آزمایشگاهی گردآوری شده از مقالات مختلف شامل کشش سطحی 40 مایع یونی در محدوده وسیع دمایی (از 61/263 الی 2/533 کلوین) استفاده شده است. نتایج نشان داد که مدل شبکه پرسپترون چند لایه CANN متشکل از چیدمانی با سه ورودی شامل جرم های مولکولی بخش های آنیونی و کاتیونی مایع یونی و دما و یک لایه مخفی حاوی 8 نرون با تابع فعال سازی تانژانت هیپربولیک که با استفاده از الگوریتم آموزشی لونبرگ-مارکوارت آموزش دیده بهترین دقت در پیش بینی کشش سطحی مایعات یونی داشته است. آنالیز خطا های داده های تست با درصد متوسط قدر مطلق خطاهای نسبی (AARD%) 07/1, بیانگر کارایی مدل غیرخطی CANN در برقراری ارتباط مابین ورودی های شبکه و کشش سطحی می باشد. علاوه بر آن مقایسه دقت مدل پیشنهادی با مدل های موجود از جمله قانون حالات متناظر, پاراچور, الگوریتم مدیریت داده ها به روش گروهی (GMDH) و مدل حداقل مربعات ماشین بردار پشتیبان (LSSVM) بیانگر برتری مدل پیشنهادی بوده است.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    لشکربلوکی، مصطفی. (1398). پیش بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم با بکارگیری شبکه عصبی مصنوعی. مدل سازی در مهندسی، 17(58 )، 1-13. SID. https://sid.ir/paper/402094/fa

    Vancouver: کپی

    لشکربلوکی مصطفی. پیش بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم با بکارگیری شبکه عصبی مصنوعی. مدل سازی در مهندسی[Internet]. 1398؛17(58 ):1-13. Available from: https://sid.ir/paper/402094/fa

    IEEE: کپی

    مصطفی لشکربلوکی، “پیش بینی کشش سطحی مایعات یونی بر پایه ایمیدازولیوم با بکارگیری شبکه عصبی مصنوعی،” مدل سازی در مهندسی، vol. 17، no. 58 ، pp. 1–13، 1398، [Online]. Available: https://sid.ir/paper/402094/fa

    مقالات مرتبط نشریه ای

  • ثبت نشده است.
  • مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا