A platform for research: civil engineering, architecture and urbanism
A platform for research: civil engineering, architecture and urbanism
پیش‌بینی حلالیت تعادل دی‌اکسیدکربن در محلول تری‌اتانول آمین + پیپرازین + آب با استفاده از مدل‌سازی شبکۀ عصبی مصنوعی
در این مطالعه، مدل مبتنی بر هوش مصنوعی برای پیش‌بینی حلالیت تعادلی دی‌اکسیدکربن در سامانۀ حلال آمین (تری‌اتانول آمین + پیپرازین + آب) با هدف جذبدی‌اکسیدکربن ایجاد شده است. در مدل پرسپترون چندلایه، داده‌های حلالیت (بارگذاری دی‌اکسیدکربن در محلول آمین) به‌عنوان تابعی از فشار جزئی دی‌اکسیدکربن، دمای سامانه و ترکیب آمین بررسی شد. الگوریتم لونبرگ- مارکوارت پس‌انتشار برای پیش‌بینی فشار جزئی دی‌اکسیدکربن استفاده شد. نسبت نهایی آموزش، اعتبارسنجی و مجموعۀ داده‌های آزمایشی تقریباً 70:15:15 بود. ساختار بهینۀ پرسپترون چندلایه (MLP) در الگوریتم لونبرگ- مارکوارت برای فشار جزئی دی‌اکسیدکربن با 20 نورون در اولین لایۀ پنهان و 10 نورون در لایۀ پنهان دوم ایجاد شده است. ضریب همبستگی 995/0 بین نتایج تجربی و محاسبات شبکۀ عصبی مصنوعی وجود دارد که سازگاری عالی بین آن‌ها را نشان می‌دهد. بهترین عملکرد اعتبارسنجی 0043497/0 از دورۀ 13 بود. به‌طور کلی، نتایج نشان می‌دهد که مدل اعمال‌شده می‌تواند پیش‌بینی دقیقی از فشار جزئی و یا حلالیت برای شرایط مختلف عملیاتی ارائه دهد.
پیش‌بینی حلالیت تعادل دی‌اکسیدکربن در محلول تری‌اتانول آمین + پیپرازین + آب با استفاده از مدل‌سازی شبکۀ عصبی مصنوعی
در این مطالعه، مدل مبتنی بر هوش مصنوعی برای پیش‌بینی حلالیت تعادلی دی‌اکسیدکربن در سامانۀ حلال آمین (تری‌اتانول آمین + پیپرازین + آب) با هدف جذبدی‌اکسیدکربن ایجاد شده است. در مدل پرسپترون چندلایه، داده‌های حلالیت (بارگذاری دی‌اکسیدکربن در محلول آمین) به‌عنوان تابعی از فشار جزئی دی‌اکسیدکربن، دمای سامانه و ترکیب آمین بررسی شد. الگوریتم لونبرگ- مارکوارت پس‌انتشار برای پیش‌بینی فشار جزئی دی‌اکسیدکربن استفاده شد. نسبت نهایی آموزش، اعتبارسنجی و مجموعۀ داده‌های آزمایشی تقریباً 70:15:15 بود. ساختار بهینۀ پرسپترون چندلایه (MLP) در الگوریتم لونبرگ- مارکوارت برای فشار جزئی دی‌اکسیدکربن با 20 نورون در اولین لایۀ پنهان و 10 نورون در لایۀ پنهان دوم ایجاد شده است. ضریب همبستگی 995/0 بین نتایج تجربی و محاسبات شبکۀ عصبی مصنوعی وجود دارد که سازگاری عالی بین آن‌ها را نشان می‌دهد. بهترین عملکرد اعتبارسنجی 0043497/0 از دورۀ 13 بود. به‌طور کلی، نتایج نشان می‌دهد که مدل اعمال‌شده می‌تواند پیش‌بینی دقیقی از فشار جزئی و یا حلالیت برای شرایط مختلف عملیاتی ارائه دهد.
پیش‌بینی حلالیت تعادل دی‌اکسیدکربن در محلول تری‌اتانول آمین + پیپرازین + آب با استفاده از مدل‌سازی شبکۀ عصبی مصنوعی
زهره خوشرفتار (author) / احد قائمی (author)
2023
Article (Journal)
Electronic Resource
Unknown
Metadata by DOAJ is licensed under CC BY-SA 1.0
| DOAJ | 2022
پیش‌بینی نرخ نفوذ ماشین تونلزنی با استفاده از دسته بندی گروهی داده‌های شبکه عصبی
| DOAJ | 2023
پیش بینی تقاضای خدمات بانکداری الکترونیک در ایران با استفاده از روش‌های شبکه عصبی مصنوعی و SARIMA
| DOAJ | 2014