پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف

word 906 KB 30521 98
1392 کارشناسی ارشد مهندسی شیمی
قیمت قبل:۶۴,۳۰۰ تومان
قیمت با تخفیف: ۲۴,۵۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان نامه مقطع کارشناسی ارشد رشته مهندسی شیمی

    فشار بخار یک خاصیت ترمودینامیکی مهم در طراحی تجهیزات فرایندی و عملیات واحد مهندسی شیمی است. از این رو،داده های فشاربخار تجربی که تمام محدوده فشار بخار را پوشش دهند خیلی ارزشمند هستند اما به دلیل فقدان اندازه گیری های دقیق برای فشاربخار برخی از مواد در نزدیکی نقطه سه گانه و بحرانی،  معادله هایی که قادر به پیش بینی فشاربخار در چنین شرایطی باشند بسیار حائز اهمیت می باشنداما به دلیل شرایط ومحدودیت های موجود در بسیاری از روابط موجود، استفاده از روش های جدیدی که به دور از این محدودیت ها باشند ،توصیه می گردد.یکی از روش های عددی که در سالهای اخیر جایگاه خاصی در محاسبات مهندسی شیمی پیدا کرده است، روش محاسبه بر اساس شبکه های عصبی می باشد.در این پژوهش، با استفاده از روش شبکه های عصبی مصنوعی، مدلی برای پیش بینی فشار بخار مواد مختلف ارائه شد.در کارحاضر،از 4 گروه از مواد شامل هیدروکربن های آروماتیکی،آلکان ها و آلکن ها، الکل ها و آلکیل سیکلوهگزان ها استفاده شد.مناسب ترین نوع شبکه عصبی مصنوعی برای پیش بینی فشاربخار این مواد، یک شبکه سه لایه پیشخور با الگوریتم پس انتشارخطا می باشد که در آن از تابع انتقال تانژانت سیگموئید در لایه پنهان و تابع انتقال خطی در لایه خروجی بهره گرفته شده است . پارامترهای ورودی شبکه عبارتند از: دما، دمای بحرانی، فشاربحرانی و ضریب بی مرکزی. داده های مورد نیاز جهت آموزش وتست شبکه از مقادیرمعتبر آزمایشگاهی گردآوری شدند.میزان خطای روش شبکه عصبی با مقادیر خطای حاصل از روش ها ی مختلف تخمین فشاربخار مقایسه شد. نتایج شبیه سازی نشان می دهند که روش شبکه عصبی توانسته پیش بینی دقیقی از فشاربخار مواد ارائه دهد و از دقت بالاتری نسبت به سایر روش ها برخوردار است.

    فشار بخار خاصیت ترمودینامیکی مهمی در بسیاری از فرآیند های مختلف مهندسی شیمی نظیر تعادل شیمیایی، تقطیر ، تبخیر و مانند آنها به شمار می رود. تعیین این مشخصه می تواند به محاسبه مشخصات مهم دیگری نظیر انتالپی تبخیر بیانجامد. در صنایع نفت وگاز هم تعیین فشار بخار دارای اهمیت ویژه ای می باشد. در این حوزه در دو مورد عمده با فشار بخار برخورد می شود؛ یکی از این موارد، فشار بخار در مخازن می باشد. یکی از روش های مهم برای تقسیم بندی انواع مخازن نگهداری سیالات در صنعت نفت و گاز، تقسیم بندی آنها بر اساس فشار بخار سیالات مورد نظر می باشد. برای هر محدوده از فشار بخار مواد (فشار پایین، فشار متوسط، فشار بالا) از انواع مخصوصی از مخازن استفاده می شود. به عنوان مثال برای سیالات با فشار بخار پایین، از مخازن سقف ثابت استفاده می شود. برای سیالات با فشاربخار متوسط، مخازن سقف متحرک یا به عبارتی سقف شناور مورد استفاده قرار می گیرد.

    فشار بخار محصولات مایع، از دیگر مواردی است که در صنعت مورد اندازه گیری واقع می شود. یکی از راههای اندازه گیری غیر مستقیم میزان سرعت تبخیر حلال های نفتی فرار، فشار بخار آن ها می باشد.محصولات تولیدی پالایشگاه نیز می بایست دارای مشخصات ویژه ای بوده و استانداردهایی در آن ها رعایت شده باشد تا در بازارهای جهانی امکان حضور و فروش خوب داشته باشد. بر همین اساس میزان فشاربخار از جمله مهمترین خصوصیت های مورد توجه است که علاوه بر کیفیت و قیمت از نقطه نظر ایمنی هنگام انتقال و ذخیره سازی نیز بسیار مهم می باشد و همواره مورد آزمایش و کنترل واقع می شود. از این رو اهمیت تعیین دقیق فشاربخار سیالات در حوزه صنایع نفت برکسی پوشیده نیست.

    1-2-تعریف فشار بخار

     فشار بخار به صورت فشار جزئی اعمال شده توسط بخار بالای سطح مایع تعریف می شود که این بخار در یک دمای معینی با مایع به تعادل می رسد. زمانی که لحظه ی تعادل نزدیک می شود، تعداد مولکول های بخار شده با تعداد مولکول های متراکم شده برابر می شود. در واقع سرعت تبخیر با سرعت تراکم برابر می گردد و فشار مشخص شده در این حالت، فشار بخار آن مایع در آن دما است.] 1 [

    1-3-عوامل مؤثر بر فشار بخار

      در کل فشار بخار یک مایع به دو عامل زیر بستگی دارد:

    ماهیت و طبیعت مایع

    دمای مایع

    1-3-1- ماهیت مایع

    مایعاتی که دارای نیروهای بین مولکولی ضعیفی هستند، فرارترند و فشار بخار بالاتری دارند. برای مثال، فشار بخار اتیل الکل بیشتر از فشار بخار آب است.

    1-3-2-دمای مایع

    فشار بخار با افزایش دما، افزایش می یابد. این مسئله بدین علت است که با افزایش دما، سرعت تبخیر نیز، افزایش می یابد.

    1-4-بیان مسأله

    فشار بخار مواد مختلف  از جمله خواص مورد نیاز برای انجام محاسبات مهندسی شیمی نظیر محاسبات تعادلی و عملیات واحد مهندسی شیمی است که پژوهشهای فراوانی در مورد آن  در حال انجام است. رایج ترین روش های تعیین فشاربخار شامل اندازه گیری های آزمایشگاهی، معادله های حالت، روابط تجربی و روابط بر مبنای قانون حالت های متناظر می باشند. ضرورت محاسبه فشاربخار با استفاده از روابط ریاضی زمانی افزایش می یابد که داده های آزمایشگاهی در دسترس نباشد. از آنجایی که شرایط بسیاری از فرایندهای شیمیایی به گونه ای است که عملاً تعیین فشار بخار مواد به صورت تجربی امکان پذیر نمی باشد و اندازه گیری آن در برخی فشارها ودماهای خاص سخت ومقادیر به دست آمده خیلی قابل اعتماد نیست، لذا ارائه مدل ها و روشهای پیش بینی فشار بخار، سهم عمده ای در تعیین این خاصیت ترمودینامیکی خواهند داشت. بنابراین روشهای پرشماری برای پیش بینی این مشخصه  ارائه شده اند و هر ساله روش های جدیدتری معرفی و یا روشهای قدیمی تصحیح می شوند. ] 5-2 [

     

    1-5-توجیه ضرورت انجام تحقیق

    از آنجایی که بسیاری از روابط تجربی ویا روابط حالت های متناظر دارای محدودیت هایی در تعیین فشار بخار هستند و برای تعیین فشار بخار در تمام محدوده دمایی مورد نیاز قابل استفاده نیستند ودقت قابل قبولی ندارند از این رو استفاده از روش های جدیدی که به دور از این محدودیت ها باشند ،توصیه می گردد. یکی از روش های مدلسازی که در سالهای اخیر مورد توجه بسیاری از محققین در علوم مختلف واقع شده است، مدلسازی به روش شبکه عصبی مصنوعی می باشد. شبکه های عصبی مصنوعی به عنوان زیر مجموعه ای از روش های هوش مصنوعی، با ساختار و عملکردی شبیه به مغز انسان در طیف وسیعی برای حل بسیاری از مسائل شامل ارزیابی، بهینه سازی، پیش بینی، تشخیص و کنترل مورد استفاده قرار می گیرند.] 6 [ یکی از مزیت های استفاده از شبکه های عصبی مصنوعی نسبت به مدل های قدیمی این است که نیازمند تعیین یک تابع خاص برای بیان رابطه میان داده های ورودی و خروجی نیست.  رابطه بین داده های ورودی و خروجی ازطریق فرایند آموزش به دست می آید. ] 7 [

     

    1-6-اهداف تحقیق

    مطالعه روش های مختلف برای محاسبه فشار بخار

    بررسی میزان دقت و چگونگی اعمال روش های موجود برای محاسبه فشار بخار مواد مختلف

    ارتقای روش های پیش بینی فشار بخار با اعمال روش نوین شبکه عصبی و مقایسه آن با روش های قدیمی

    ارزیابی نتایج حاصل از مدل سازی به وسیله شبکه ی عصبی با داده های تجربی و بررسی دقت آن

    1-7-مراحل انجام تحقیق

    در بخش اول این پایان نامه روش های مختلف برای محاسبه فشار بخار بصورت جامع و کامل مورد بررسی قرار گرفت و پارامترهای هریک از روابط ، دقت تخمین فشار بخار و محدوده مطلوب دمایی هرکدام از روش ها ذکر گردید.

    در بخش دوم  به معرفی وبررسی روش شبکه عصبی  به عنوان یک روش محاسباتی دقیق برای پیش بینی فشار بخار مواد پرداخته شد. در این مرحله از پایان نامه، مدل شبکه عصبی مصنوعی به عنوان روش تحقیق، بررسی شد و توضیحات جامعی از این روش و کاربردها  و ویژگی های آن و چگونگی اعمال این روش برای پیش بینی فشاربخار مواد ارائه شد.

    در بخش سوم پایان نامه، روش نوین شبکه عصبی برای پیش بینی دقیق تر فشار بخار چندین گروه از مواد اعمال شد و شبکه عصبی مطلوب طراحی و نتایج حاصل از مدلسازی توسط روش شبکه عصبی مصنوعی برای گروههای مختلف مواد ارائه گردید. در این بخش با استفاده از منابع معتبر و داده های تجربی مورد اعتماد، میزان دقت و چگونگی اعمال مدل های مرسوم مختلف برای تخمین فشاربخار بررسی شد. در ادامه سعی شد تا کارایی روش های مختلف پیش بینی فشار بخار مواد در شرایط و برای مواد مختلف مورد بررسی قرار گیرد . در خاتمه نتایج به دست آمده از تحقیق حاضر و پیشنهادهایی برای تحقیقات آتی ارائه شده است.

    1-8-ساختار تحقیق

    کاربردی ترین و معروف ترین روابط محاسبه فشار بخار در فصل دوم پایان نامه ذکر گردید. در این فصل، هشت رابطه معرفی وبررسی گردید. در ادامه، پیشینه استفاده از روش شبکه عصبی برای تعیین خواص ترمودینامیکی مواد از جمله فشار بخار ترکیبات  مختلف بیان شد. از مهم ترین ویژگی های شبکه های عصبی مصنوعی وابسته نبودن آن ها به فرضیه های اولیه درباره داده های ورودی است؛ به این معنا که داده های ورودی می توانند هرگونه توزیع آماری دلخواهی داشته باشند ] 8 [ این ویژگی مهم شبکه های عصبی امتیاز ویژه آن ها در مقابل روش های آماری است و به آن ها این توانایی را می دهدکه به طور یکسان از انواع مختلف داده های ورودی با هر توزیع دلخواه استفاده کنند.] 9 [حاصل تحقیقات و پژوهش های صورت گرفته طی سالهای اخیر برای پیش بینی و تخمین خواص فیزیکی و ترمودینامیکی با استفاده از انواع مدل های شبکه عصبی مصنوعی،در این فصل ارائه شده است.

    در فصل سوم، ساختار شبکه عصبی به طور کامل تشریح گردید. انواع شبکه های عصبی ، الگوریتم های آموزش شبکه ومراحل کار با شبکه عصبی برای رسیدن به هدف مورد نظر بیان شد.

    در فصل چهارم، مراحل آموزش و تست شبکه عصبی برای 4 گروه از مواد اعمال شد.تعداد 176 داده از گروه هیدروکربن های آروماتیکی، 254 داده از گروه آلکان ها و آلکن ها ، 202 داده از گروه الکل ها و 224 داده از گروه آلکیل سیکلو هگزان ها در این تحقیق مورد استفاده قرار گرفته است. هرکدام از گروه های بالا به طور جداگانه به شبکه معرفی شد ونتایج عملکرد شبکه برای هر خانواده از مواد ارائه گردید. مراحل رسیدن به بهترین ساختار شبکه، به تفکیک بیان شد ونتایج حاصل از مدلسازی فشاربخار مواد توسط شبکه عصبی، با روش ها و روابط ریاضی موجود مقایسه گردید و میزان خطای هریک از روش ها و همینطور مدل شبکه عصبی مصنوعی، تعیین گردید. در ادامه بهترین نتیجه ازیافته ها ومحاسبات این تحقیق، ارائه گردید.

    در فصل پنجم، از نتایج حاصل از پایان نامه، نتیجه گیری صورت گرفت و برای تحقیقات آتی، پیشنهادهایی بیان شد.

    Abstract

    Vapor pressure is an important thermodynamic property in the design of process equipment and unit operations in chemical engineering. Hence, the experimental vapor pressure data to cover the entire range of vapor pressures are very valuable, but because of the lack of exact measurements vapor pressure for some material near the triple point and the critical point, equations that are able to predict vapor pressure in such conditions are very important. Because of the limitations found in many existing methods, new methods away from these limitations are recommended. Neural networks are used in recent years to perform the chemical engineering calculations. In this study, an artificial neural network model is used to predict the vapor pressure of the materials. Four group of materials which are studied in this work consist of hydrocarbons aromatics, alkanes and alkenes, alcohols and alkyl cyclohexane. The most appropriate type of artificial neural network to predict the material vapor pressure is a three-layer feedforward network with back propagation algorithm with the tangent sigmoid transfer function in the hidden layer and a linear transfer function in the output layer is employed . Network parameters are temperature, critical temperature, critical pressure and acentric factor. The required data to train and test the network were collected from experimental reliable values. Error values of  neural network were compared  with error values ​​obtained from different estimation methods for prediction of vapor pressure . Simulation results show that the neural network was able to provide accurate predictions of the vapor pressure of materials and its accuracy was higher than the other methods.

  • فهرست:

     

    فصل اول : مقدمه وکلیات تحقیق.. 1

    1-1-مقدمه. 2

    1-2-تعریف فشار بخار 2

       1-3--عوامل مؤثر برفشار بخار 3

    1-3-1-ماهیت مایع. 3

    1-3-2-دمای مایع. 3

    1-4-بیان مسأله. 3

    1-5-توجیه ضرورت انجام تحقیق.. 4

    1-6-اهداف تحقیق.. 4

    1-7-مراحل انجام تحقیق.. 4

    1-8-ساختار تحقیق.. 5

    فصل دوم:ادبیات و پیشینه تحقیق.. 7

    2-1-مقدمه. 8

    2-2-روابط ریاضی تخمین وپیش بینی فشاربخار مواد مختلف.. 9

    2-2-1-معادله کلازیوس-کلاپیرون. 9

    2-2-2-معادله آنتوان. 10

    2-2-2-1-محدودیت های معادله آنتوان. 10

    2-2-3-معادله آنتوان توسعه یافته. 10

    2-2-4-معادله واگنر. 11

    2-2-4-1-محدودیت های معادله واگنر. 12

    2-2-5-رابطه حالتهای متناظر ریدل. 12

    2-2-6-معادله لی-کسلر. 14

    2-2-6-1-محدودیت های رابطه لی-کسلر. 15

    2-2-7-معادله فشاربخار آمبروز-پاتل. 15

    2-2-7-1-ملاحظات معادله آمبروز-پاتل. 16

    2-2-8-روش حالتهای متناظر آمبروز-والتون. 16

    2-3-اهمیت روش های نوین پیش بینی و تخمین خواص مواد. 17

    2-4-پیشینه روش شبکه های عصبی در تخمین خواص ترمودینامیکی.. 18

    2-5-پیش بینی فشاربخار مواد با استفاده از شبکه عصبی مصنوعی.. 19

    فصل سوم: روش تحقیق.. 21

    3-1-مقدمه. 22

    3-2-تاریخچه پیدایش شبکه های عصبی مصنوعی.. 22

    3-3-ویژگی های شبکه های عصبی مصنوعی.. 24

    3-3-1-قابلیت آموزش.. 24

    3-3-2-قابلیت تعمیم. 24

    3-3-3-پردازش توزیعی(موازی) 24

    3-3-4-تحمل پذیری خطا 25

    3-4-ساختار شبکه‌ها‌ی عصبی مصنوعی.. 25

    3-4-1-مدل نرون با یک ورودی.. 25

    3-4-2- مدل نرون با یک بردار به عنوان ورودی.. 26

    3-4-3-ساختار یک لایه از شبکه های عصبی.. 27

    3-4-4-شبکه های چندلایه. 27

    3-4-5-توابع انتقال. 28

    3-4-5-1-تابع انتقال سخت محدود. 29

    3-4-5-2-تابع انتقال خطی.. 29

    3-4-5-3-تابع انتقال لگاریتمی سیگموئید. 30

    3-4-5-4-تابع انتقال شعاع مبنا 30

    3-4-5-5-تابع انتقال آستانه ای خطی متقارن. 31

    3-4-5-6-تابع انتقال تانژانت-سیگموئید. 31

    3-5-روش های آموزش شبکه عصبی.. 32

    3-6-قواعد یادگیری شبکه های عصبی.. 32

    3-6-1-قواعد یادگیری نظارت شده 32

    3-6-2-قواعد یادگیری غیرنظارتی.. 33

    3-7- شبکه های عصبی پرسپترون. 33

    3-7-1-محدودیت های شبکه پرسپترون. 34

    3-8- شبکه های عصبی پیشخور 35

    3-9-الگوریتم پس انتشار خطا 36

    3-10-آموزش شبکه های پس انتشار 37

    3-11-بیش برازش شبکه. 37

    3-12-بهبود عمومیت شبکه. 38

    3-13-پارامترهای اساسی برای طراحی یک شبکه عصبی.. 39

    3-13-1-انتخاب مناسب ترین اطلاعات ورودی به شبکه. 39

    3-13-2-نحوه ورود داده ها 39

    3-13-3-تقسیم بندی داده ها 39

    3-13-4-انتخاب مناسب ترین تعداد نرون های لایه پنهان. 40

    3-12-معیارهای ارزیابی کارایی مدل. 40

    3-12-نرم افزار استفاده شده در این تحقیق.. 41

    فصل 4: محاسبات و یافته های تحقیق.. 42

    4-1-مقدمه. 43

    4-2-طراحی شبکه عصبی مصنوعی برای هیدروکربن های آروماتیکی.. 43

    4-3- طراحی شبکه عصبی مصنوعی برای آلکان ها و آلکن ها 52

    4-4- طراحی شبکه عصبی مصنوعی برای الکل ها .6

    4-5- طراحی شبکه عصبی مصنوعی برای آلکیل سیکلو هگزان ها 68

    فصل پنجم: نتیجه گیری و پیشنهادها 77

    5-1-نتیجه گیری.. 78

    5-2-پیشنهادات برای تحقیقات آتی.. 79

    مراجع. 80

    منبع:

     

    [1] Ch. E. Mortimer, Chemistry, First edition,Wadsworth, United States, 1983.

    [2] E.D. Rogdakis, P.A. Lolos, Simple generalized vapour pressure- and boiling point correlation for refrigerants, International Journal of Refrigeration,vol. 29, 2006, pp. 632–644.

     

    [3] H. An, W. Yang, A new generalized correlation for accurate vapor pressure prediction, Chemical Physics Letters,vol. 543, 2012, pp. 188–192.

     

    [4] L.A. Forero, J.A. Velasquez, Wagner liquid–vapour pressure equation constants from a simple methodology,The Journal of Chemical Thermodynamics,vol. 43, 2011, pp. 1235–1251.

     

    [5] K. K. Park, A differential equation for vapor pressure as a function of temperature, Fluid Phase Equilibria,vol. 290, 2010,pp. 158–165.

    [6] D. Richon, S. Laugier, Use of artificial neural networks for calculating derived thermodynamic quantities from volumetric property data, Fluid phase equilibria,vol. 210, 2003, pp. 247 -255.

    [7] M.G. Schaap, W. Bouten, Modelling water  retention curves of sandy soils using neural networks, Water Resources Research,vol. 32, 1996, pp. 3033-3040.

    [8] D.L. Civco, Y. Wanug,  Classification of multispectral, multitemporal, multisource, Spatial data using artificial neural networks, Congress on Surveying and Mapping, USA,1994.

    [9] J.A. Benediktsson , P.H. Swain, O.K.  Erosy, Neural network approaches versus statistical methods in classification of multisource remote Sensing data, IEEE Transaction on

    Geosciences and Remote Sensing,vol. 28,1990, pp. 540-551.

    [10] M. Edalat, R.B. Bozarjomehri, a new vapor pressure equation,journal of engineering,Islamic republic of iran, vol. 3 , 1990, pp. 98-103.

    [11] E. M. Suuberg; V.  Oja, Vapor pressure and heats of vaporization of   primary coal tars, US Department of Energy (US), United States,1997,PP.17-19.

    [12]  B.E. Poling, J.M. Prausnitz, J.P. O’Connell, The Properties of Gases and Liquids,fifth ed., McGraw-Hill, New York, 2001.

    [13] T. Boublik, V. Fried, E. Hala, The Vapour Pressures of Pure Substances. Selected values of the temperature dependence of the vapour pressures of some pure substances in the normal and low pressure region, 2nd  Edition , Elsevier,Amsterdam,1984.

     

    [14] R. M. Stephenson,S. Malanowski, D.  Ambrose, Handbook of the thermodynamics of

    organic compounds, Elsevier, New York, 1987.

     

    [15] C.L. Yaws,The Yaws handbook of vapor pressure :Antoine coefficients,Gulf,Houston,2007.

     

    [16] W. Wagner, New vapour pressure measurements for argon and nitrogen and a new method for establishing rational vapour pressure equations, Cryogenics,vol. 13, 1973,pp. 470–482.

    [17] L.A. Forero, J.A. Velasquez, Wagner liquid–vapour pressure equation constants from a simple methodology, The Journal of Chemical Thermodynamics,vol. 43, 2011,pp. 1235–1251.

    [18] K. Ruzicka, V. Majer, Simple and controlled extrapolation of vapor pressures toward the triple point. AIChE Journal,vol. 42, 1996, pp. 1723-1740.

     

    [19] B.I. Lee, M.G. Kesler, A Generalized Thermodynamic Correlation Based on Three-Parameter Corresponding States, AIChE Journal,vol. 21, 1975,pp. 510-527.

    [20] W.Guo dong, J. H . Lienhard, Corresponding States Correlation of Saturated and Metastable Properties, The canadian journal of chemical engineering,vol. 64,1986, PP.158-161.

    [21] D. Ambrose, N. C. Patel,The correlation and estimation of vapour pressures IV. Extrapolation of vapour pressures and estimation of critical pressures by the principle of corresponding states using two reference fluids with non-spherical molecules, The Journal of Chemical Thermodynamics, Vol. 16,1984, PP. 459–468.

    [22] D. Ambrose, and J. Walton, Vapour pressures up to their critical temperatures of normal alkanes and 1-alkanols, Pure and Applied Chemistry,vol 61 , 1989, pp.1395-1403 .

     

    [23] A. Sozen, M. Ozalp , E. Arcaklioglu, Calculation for the thermodynamic properties of an alternative refrigerant (R508b) using artificial neural network, Applied Thermal Engineering, vol. 27, 2007,pp. 551–559.

    [24] A. Sencan,S.A. Kalogirou,A new approach using artificial neural networks for determination of the thermodynamic properties of fluid couples, Energy Conversion and Management,vol. 46, 2005,pp. 2405–2418.

     

    [25] J. Taskinen, J. Yliruusi, Prediction of physicochemical properties based on neural network modelling, Advanced Drug Delivery Reviews,vol. 55, 2003,pp. 1163–1183.

     

     

    [26] A. A. Rohani , Gh. Pazuki , H. Abedini Najafabadi , S. Seyfi ,M. Vossoughi, Comparison between the artificial neural network system and SAFT equation in obtaining vapor pressure and liquid density of pure alcohols, Expert Systems with Applications,vol. 38, 2011,pp. 1738–1747.

     

    [27] S.A. Kalogirou, Artificial intelligence for the modeling and control of combustion processes: a review, Progress in Energy and Combustion Science,vol 29 , 2003,pp. 515–566.

     

    [28] V. D. Nguyen, R. R. Tan , Y.  Brondial , T. Fuchino, Prediction of vapor–liquid equilibrium data for ternary systems using artificial neural networks, Fluid Phase Equilibria,vol. 254, 2007,pp. 188–197.

     

    [29] M. Lashkarbolookia, , Z. S. Shafipoura, A. Zeinolabedini Hezavea, H. Farmanib, Use of artificial neural networks for prediction of phase equilibria in the binary system containing carbon dioxide, Journal of Supercritical Fluids,vol. 75, 2013,pp. 144– 151.

     

    [30] F. Ghaderi, A. H. Ghaderi, B. Najafi, N. Ghaderi, Viscosity prediction by computational method and artificial neural network approach: The case of six refrigerants, Journal of Supercritical Fluids,vol. 81, 2013,pp. 67– 78.

     

    [31] M. Moosavi, N. Soltani, Prediction of hydrocarbon densities using an artificial neural network–group contribution method up to high temperatures and pressures, Thermochimica Acta ,vol. 556, 2013,pp. 89– 96.

     

    [32] R.  kuhne, R. uwe ebert, G. schuurmann, estimation of vapor pressure for hydrocarbons and halogened hydrokarbons from chemical structure by a neural network,chemosphere,vol. 34, 1997 pp.671-686.

     

    [33] J. A. Lazzus, Prediction of solid vapor pressures for organic and inorganiccompounds using a neural network, Thermochimica Acta,vol. 489, 2009,pp. 53–62.

     

     

    [34]A. Moghadassi, M.  Nikkholgh, S.M. Hosseini, F. Parvizian, Estimation of vapor pressures, compressed liquid, and supercritical densities for sulfur dioxide using artificial neural networks, International Journal of Industrial Chemistry,vol. 4, 2013.pp. 1-8.

     

     

    [35] E .S. Goll, P.C. Jurs, Prediction of vapor pressures of hydrocarbons and halohydrocarbons from molecular structure with a computational neural network, Journal of Chemical Information and Computer Sciences ,vol. 39, 1999,pp. 1081–1089.

     

    [36] R.O. Strobl,  F. Forte ,Artificial neural network exploration of the influential

    factors in drainage network derivation, Hydrological Processes, vol. 21,2007, pp. 2965-2978.

    [37] C.H. Dagli ,Artificial neural networks for intelligent manufacturing, First Edition, Chapman & Hall, England,1994.

    [38] J.K. Wu, Neural networks and simulation methods, Marcel Dekker , New York,1994.

     

    [39] H. Debar, M. Becker, D. Siboni, A Neural Network Component for An Intrusion Detection System, IEEE Computer Society Symposium, 1992, pp. 240-250.

     

    [40] L. Foschini, A. V. Thapliyal, L. Cavallaro, C. Kruegel, G. Vigna, A Parallel Architecture for Stateful, High-Speed Intrusion Detection, Proceeding of the ICISS  Proceedings of the 4th International Conference on Information Systems Security, 2008, pp. 203 – 220.

    [41] S. Haykin ,Neural networks: A comprehensive foundation, 2nd dition, Prentice Hall, NewJersey, USA,1999.

    [42] B. Minasny , A.B. Mcbratney,The neuro-m method for fitting neural network parametric pedotransfer functions. Soil Science Society of America Journal.,vol. 66,2002, pp.352-361.

     

    [43] J.A. Benediktsson, P.H. Swain, O.K. Erosy ,Neural network approaches versus statistical methods in classification of multisource remote Sensing data, IEEE Transaction on Geosciences and Remote Sensing,vol. 28,1990,pp. 540-551.

    [44] D.E. Rumelhart, G.E. Hinton, R.J. Williams ,Learning representations by backpropagating errors, Nature, vol.323 ,1986, pp. 533-536.

    [45] G. Zambrano, Development of Neural Network Models for the Prediction of Dew point Pressure of Retrograde Gases and Saturated Oil Viscosity of Black Oil Systems, M. S. Thesis, Texas A&M University, Texas, 2002.

    [46] A. Vellido, P.J.G. Liboa, J. Vaughan, Neural networks in business: a survey of applications. Expert Systems with Application,vol. 17,1999, PP. 51-70.

    [47] N.D. Gupta, S. Kate, A. Neural networks in business: techniques and applications for the operations researcher. Computers & Operations Research,vol. 27 ,2000, PP. 1023-1044.

     [48] A. B.  Bulsari, Neural Networks for Chemical Engineers, Elsevier, Amsterdam,1995.

    [50] H. R. Valles , A neural network method to predict activity coefficients for binary systems based on molecular functional group contribution, M. S. Thesis, University of Puerto Rico ,2006.

    [51] E. A. Osman , M. A. Al-MArhoun, Using artificial neural networks to develop new PVT correlations for Saudi crude oils, 10th Abu Dhabi International Petroleum exhibition and conference, 2002.

    [52] A. Chouai,S. Laugier,D.  Richon, Modeling of thermodynamic properties using neural networks application to refrigerants, Fluid Phase Equilibr,vol. 199, 2002,pp. 53-60.

    [54] S. Ganguly, Prediction of VLE data using radial basis function network, Computers and chemical engineering,vol. 27,2003, pp. 1445-1452.

    [55] O. Depren, M. Topallar, E. Anarim, M.K. Ciliz, An intelligent intrusion detection system (IDS) for anomaly and misuse detection in computer networks, Expert Systems with Applications, vol. 29, 2005, pp. 713–722.

    [56] L. Foschini, A. V. Thapliyal, L. Cavallaro, C. Kruegel, G. Vigna, A Parallel Architecture for Stateful, High-Speed Intrusion Detection, Proceeding of the ICISS '08 Proceedings of the 4th International Conference on Information Systems Security, 2008, pp. 203 – 220.

    [57] G. Wang, J. Hao, J. Ma, L. Huang, A new approach to intrusion detection using Artificial Neural Networks and fuzzy clustering, in Expert Systems with Applications, vol. 37, 2010, pp. 6225–6232.

    [58] R. Gharbi, Estimating the isothermal compressibility coefficient of under saturated Middle East crudes using neural networks, Energy & Fuels,vol. 11,1997, pp. 372-379.

     [59] J. M. Prausnitz, R. N.  Lichtenthaler, E. G. Azevedo, Molecular Thermodynamics of Fluid Phase Equilibria,Third Edition, New Jersey,1999.

     

    [60] T. E.  Daubert, R. P. Danner, H. M. Sibel, C. C. Stebbins, Physical and Thermodynamic

    Properties of Pure Chemicals: Data Compilation, Taylor & Francis, Washington, 1997.

     

    [61]C. L. Yaws,Thermodynamic and Physical Property Data, Gulf Pub. Co., Houston, 1992.

     

    [62] I. Mokbel ,E. Rauzy ,J.P. Meille ,J. Jose, Low vapor pressures of 12 aromatic hydrocarbons. Experimental and calculated data using a group contributio method, Fluid Phase Equilibria,vol. 147,1998, pp.271–284.

     

    [63] H. Miyamoto, J. Takemura, M. Uematsu, Vapour pressures of isobutane at T = (310 to 407) K, The Journal of Chemical Thermodynamics ,vol. 36 ,2004, pp. 919–923.

     

    [64] M. B. Ewing, J. C. Sanchez Ochoa, Vapour pressures of n-pentane determined by comparative ebulliometry, The Journal of Chemical Thermodynamics ,vol. 38 ,2006, pp. 289–295.

     

    [65]M. B. Ewing, J. C. Sanchez Ochoa, Vapour pressures of n-hexane determined by comparative ebulliometry ,The Journal of Chemical Thermodynamics,vol. 38 ,2006, pp.283–288.

    [66]M.B. Ewing,  J.C. Sanchez Ochoa, The vapour pressures of n-octane determined using

    comparative ebulliometry, Fluid Phase Equilibria,vol. 210 ,2003, pp. 277–285.

    [67]E. Ch. Ihmels, K.  Fischer, J. U. Gmehling, Thermodynamic properties of the butenes Part I. Experimental densities, vapor pressures, and critical points, Fluid Phase Equilibria, Vols. 228–229,2005, pp. 155–171.

     

     [68]M. Censky , V. Rohac , K. Ru zic kaa , M. Fulema, K. Aimc, Vapor pressure of selected aliphatic alcohols by ebulliometry. Part 1, Fluid Phase Equilibria,vol. 298,2010,pp.192–198.

    [69]M. Censky , V. Rohac , K. Ru zic kaa , M. Fulema,b, K. Aimc, Vapor pressure of selected aliphatic alcohols by ebulliometry. Part 2, Fluid Phase Equilibria,vol. 298 2010,pp. 199–205.

    [70]A. Brozena, Vapor pressure of 1-octanol below 5 kPa using DSC, Thermochimica Acta,vol 561 2013,pp. 72– 76.

     [71] I. Mokbel, E. Rauzy, H. loiseleur,c. Berr.,j. Jose., Vapor pressures of 12 alkylcyclohexanes, cyclopentane, butylcyclopentane and trans-decahydronaphthalene down to 0.5 Pa. Experimental results, correlation and prediction by an equation of state, Fluid Phase Equilibria, vol.108, 1995,pp.103-120.


موضوع پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, نمونه پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, جستجوی پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, فایل Word پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, دانلود پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, فایل PDF پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, تحقیق در مورد پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, مقاله در مورد پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, پروژه در مورد پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, پروپوزال در مورد پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, تز دکترا در مورد پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, تحقیقات دانشجویی درباره پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, مقالات دانشجویی درباره پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, پروژه درباره پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, گزارش سمینار در مورد پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, پروژه دانشجویی در مورد پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, تحقیق دانش آموزی در مورد پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, مقاله دانش آموزی در مورد پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف, رساله دکترا در مورد پایان نامه ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف

پایان نامه مقطع کارشناسی ارشد رشته : مهندسی شیمی چکیده فشار بخار یک خاصیت ترمودینامیکی مهم در طراحی تجهیزات فرایندی و عملیات واحد مهندسی شیمی است. از این رو،داده های فشاربخار تجربی که تمام محدوده فشار بخار را پوشش دهند خیلی ارزشمند هستند اما به دلیل فقدان اندازه گیری های دقیق برای فشاربخار برخی از مواد در نزدیکی نقطه سه گانه و بحرانی، معادله هایی که قادر به پیش بینی فشاربخار در ...

پایان نامه جهت اخذ درجه کارشناسی ارشد در رشته مهندسی شیمی چکیده مشخصات بحرانی برای مواد از قبیل دمای بحرانی، حجم بحرانی و فشار بحرانی مشخصات مهمی برای پیش گویی بسیاری از خواص ترمودینامیکی مواد مختلف هستند. در کلیه عملیات های تولید و فرآیند هیدروکربن ها دانستن خواص بحرانی نقش اساسی دارد. زیرا این عملیات ها در شرایط بسیار نزدیک به نواحی نقاط شبنم و حباب صورت می گیرد و اغلب با ...

پایان نامه کارشناسی ارشد رشته مهندسی عمران – سازه‌ های هیدرولیکی چکیده: رودخانه‌ ها از مهم‌ترین و متداول‌ترین منابع تأمین آب آشامیدنی، کشاورزی و صنعتی به شمار می‌آیند. این منابع به علت عبور از بسترهای مختلف و ارتباط مستقیم با محیط پیرامون خود نوسانات کیفی زیادی دارند. از اینرو پیش‌بینی کیفیت جریان رودخانه‌ها که پدیده‌ای غیر قطعی، تصادفی و تأثیرپذیر از برخی عوامل طبیعی و غیر ...

پایان نامه برای دریافت درجه کارشناسی ارشد(M.Sc) چکیده شبکه حسگر بی سیم، شبکه ای است که از تعداد زیادی گره کوچک تشکیل شده است. گره از طریق حسگرها اطلاعات محیط را دریافت می‌کند. انرژی مصرفی گره‌ها معمولاً از طریق باتری تامین می‌شود که در اکثر موارد امکان جایگزینی این باتری‌ها وجود ندارد. بنابراین توان مصرفی گره‌ها موضوع مهمی در این شبکه ها است. و استفاده از روش‌های دقیق و سریع ...

پایان نامه برای دریافت درجه کارشناسی ارشد در رشته برق گرایش قدرت چکیده : تولید انرژی الکتریکی برای سیستم‌‌های قدرت با هدف کمینه‌سازی کل هزینه تولیدی برای واحدهای فعال موجود در شبکه قدرت، از مهمترین مباحث برای سیستم­های مدرن امروزی است. به بیانی دیگر هدف از توزیع اقتصادی بار، برنامه­ریزی بهینه و مناسب برای واحدهای تولیدی با در نظر گرفتن عوامل و محدودیت­های غیر خطی موجود در شبکه ...

پایان نامه کارشناسی ارشد در رشته نانو مهندسی شیمی چکیده مدل سازی حذف یون کلرید از میعانات گازی با استفاده از نانوفیلتراسیون یون کلرید موجود در میعانات گازی می تواند باعث خوردگی شدید تجهیزات و لوله ها شود. بنابراین، حذف آن از جریان میعانات گازی ضروری است. هدف این کار مدل سازی ریاضی فرایند نانوفیلتراسیون برای جداسازی یون کلرید از میعانات گازی است. بدین منظور، مدل های بار فضایی، ...

پایان نامه کارشناسی ارشد در رشته مهندسی شیمی (گرایش مهندسی گاز) در سالهای اخیر، چاه­های افقی زیادی در اطراف جهان حفر شده­است. دلیل عمده­ی آن توانایی افزایش سطح مخزن در تماس با چاه است که باعث افزایش بهره بری از چاه می­شود. از چاه­آزمایی برای شناخت مدل­های مخازن هیدروکربوری و تشخیص پارامترهای مربوط به آن­ها استفاده می­شود. چاه­آزمایی بر مبنای ایجاد اختلال در جریان و ثبت فشار ته ...

پایان نامه برای دریافت درجه کارشناسی ارشد «MSc» گرایش : شیمی کاربردی چکیده فارسی پایان نامه یا رساله ( شامل: خلاصه اهداف، روش‌های اجرا و نتایج به دست آمده حداکثر در 10 سطر): اولین بار احتمال دستکاری ماده در سطح نانو توسط ریچارد فاینمن بصورت نوشته شده مطرح شد.کسی که در طول کنفرانس خود به نام " There`s plenty of room at the bottom " استفاده از بلوکهای اتمی برای تجمع در سطح مولکولی ...

پایان نامه برای دریافت درجه کارشناسی ارشد در رشته برق گرایش قدرت چکیده : تولید انرژی الکتریکی برای سیستم‌‌های قدرت با هدف کمینه‌سازی کل هزینه تولیدی برای واحدهای فعال موجود در شبکه قدرت، از مهمترین مباحث برای سیستم­های مدرن امروزی است. به بیانی دیگر هدف از توزیع اقتصادی بار، برنامه­ریزی بهینه و مناسب برای واحدهای تولیدی با در نظر گرفتن عوامل و محدودیت­های غیر خطی موجود در شبکه ...

پایان‌نامه کارشناسی ارشد گرایش طراحی کاربردی چکیده در این پایان‌نامه، در زمینه فناوری خلأ، اهمیت، کاربرد و نقش این فناوری در صنعت و پیشبرد تحقیقات علمی، اصطلاحات فنی مرتبط با این فناوری، انواع پمپ‌های خلأ، کاربردها، مزیت و معایب هر یک از پمپ‌های خلأ، اهمیت مطالعه پمپ توربومولکولی محوری و کارهای انجام شده در این زمینه، مطالبی ارائه شده است. تمرکز عمده بر روش‌های شبیه‌سازی جریان ...

ثبت سفارش