بررسی تجربی و مدلسازی شبکه عصبی برای پیشبینی ضریب شکست الکلهای خالص و مخلوط دوتایی

نوع مقاله: مقاله شیمی

نویسندگان

1 دانشکده مهندسی شیمی، دانشگاه صنعتی نوشیروانی بابل

2 گروه آموزشی ترموسینتیک- دانشکده مهندسی شیمی- دانشگاه صنعتی نوشیروانی بابل

چکیده

در این پژوهش ضریب شکست نمونه های خالص الکلهای نوع اول و مخلوط‌های دوتایی آنها به دو روش تجربی و مدلسازی مورد بررسی قرار گرفت. در روش تجربی از دستگاه رفرکتومتر برای اندازه گیری ضریب شکست استفاده شد و در روش مدلسازی، با به کارگیری شبکه عصبی مصنوعی پرسپترون چندلایه مدلسازی شد. به همین منظور ورودی های شبکه مربوط به مواد خالص، دما، جرم مولکولی و گروه های عاملی CH3، CH2 و OH و برای مخلوط ها کسر مولی، جرم مولکولی جزء اول، جرم مولکولی جزء دوم و گروه های عاملی CH3، CH2 و OH و ضریب شکست به عنوان تنها خروجی شبکه در نظر گرفته شده است. در طراحی شبکه عصبی، 70% داده ها تحت عنوان تابع آموزش، 15% به عنوان تابع اعتبارسنجی و 15% به عنوان تابع آزمایش در نظر گرفته شده است. در این مدلسازی، نمونه های خالص در نورون 10 با میانگین درصد خطای نسبی مطلق 08457/0 و نمونه های مخلوط در نورون 12 با میانگین درصد خطای نسبی مطلق 07121/0 بهینه شده است. با مقایسه روش آزمایشگاهی و مدلسازی در نمودارهای عملکرد، انطباق خوبی بین دو روش وجود دارد که نشاندهنده کیفیت مدل ارائه شده می باشد

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Experimental Study and neural network modeling for prediction of refractive index of pure and binary alcohol mixtures

نویسندگان [English]

  • Fatemeh Kord 1
  • Kamyar Movagharnejad 2
1 Faculty of Chemical Engineering, Babol Noshiravani University of Technology
2 Faculty of Chemical Eng., Babol Noshiravani University of Technology
چکیده [English]

In this study, the refractive index of pure alcohols and binary alcohol mixtures were investigated experimentally and theoretically. In the experimental approach, a refractometer was used to measure the refractive index of the samples. Aa artificial neural network in form of a multilayer perceptron was also used to model and predict the measured refractive data. The input parameters of the network included temperature, molecular weight, the group contributions of CH3, CH2 and OH for the pure materials and for the binary mixtures the additional parameters of mole fractions, molecular weight and group contributions of both components have to be considered. The refractive index of the pure or binary alcohol mixture consist the only output parameter of the network. 70% of the experimental data were considered for train, 15% for test and 15% for the validation of the neural network. The optimum neural architecture for the pure compounds consisted of 10 neurons in the hidden layer with 0.08457 mean absolute relative error and the optimum network for binary mixtures consisted of 12 neurons in the hidden layer with 0.07121 absolute relative error. Comparison of the results showed a good agreement between the experimental data and the neural network outputs and the high accuracy of the model.

کلیدواژه‌ها [English]

  • refractive index
  • first order alcohol
  • Artificial Neural Network
  • perceptron

مراجع

 

[1]  R. Francesconi, and S. Ottani, “Correlation of density and refraction index for liquid binary mixtures containing polyglycols. Use of the group contributions in the Lorentz–Lorenz, Gladstone–Dale and Vogel equations to evaluate the density of mixtures”,Journal of molecular liquids, vol.133, No. 1, March 2007,  pp. 125-133.

[2]  F. Gharagheizi, p. Ilani-Kashkouli, A. Karimi, A.H. Mohammadi, and D. Ramjugeranth, “Group contribution model for the prediction of refractive indices of ionic liquids”, Chemical and engineering data, vol.59, No. 6,  December 2014, pp.1930-1943.

[3]  H. Eugne,  Optics, 4th edition, Adison-Wesley, 2002.

[4]  F. Gharagheizi, P. Ilani-Kashkouli, A. Karimi, A.H. Mohammadi, and D. Ramjugeranth, “A chemical structure based model for the estimation of refractive indices of organic compounds”, Fluid phase equilibria, vol.384, December 2014, pp. 1-13.

[5]  G. Astray, A. Cid, O. Moldes, J.A. Ferreiro-Lage, J.F. Galvez, and J.C. Mejuto, “Prediction of refractive index of polymers using artificial neural networks”, Journal of Chemical & Engineering Data, vol. 55, No.11, October 2010, pp. 5393-5388.

[6]  A. Alexandridis, E. Chondrodima, K.  Moutzouris, and D. Triantis, “A neural network approach for the prediction of the refractive index based on experimental data”, Journal of Materials Science, vol. 47, No. 2, January 2012, pp. 883-891.

[7]   A.B. Knezevich-Stevanovich, “Experimental determination and modeling of densities and refractive indices of the binary mixtures of dimethylphthalate (or dimethyladipate)+ 1-butanol, or+ 2-butanol, or+ 2-butanone at 288.15k and 323.15k”,  Thermochimica acta, vol. 533, April 2012,  pp.28-38. 

[8]  M. Sattari, A. Kamari, A.H. Mohammadi, and D. Ramjugernath, “A group contribution method for estimating the refractive indices of ionic liquids”, Journal of Molecular Liquids, vol. 200, December 2014, pp. 410-415.

[9]   D. Rogers, and A.J. Hopfinger, “Application ofgenetic function approximation to quantitative structure-activity relationships and quantitative structure-property relationships”, Journal of Chemical Information and Computer Sciences, vol. 34, No. 4, July 1994, pp. 854-866.

[10]  M. Sattari, A. Kamari, A.H. Mohammadi, and D. Ramjugernath, “ Prediction of refractive indices of ionic liquids–a quantitative structure-property relationship based model”, Journal of the Taiwan Institute of Chemical Engineers, vol. 52, July 2015, pp. 165-180.

[11]  A.N. Soriano, K.F.P. Ornedo-Ramos, C.A.M. Muriel, A.P. Adornado, V.C. Bungay, and Li. Mengu-Hui, “Prediction of refractive index of binary solutions consisting of ionic liquids and alcohols (methanol or ethanol or 1-propanol) using artificial neural network”, Journal of the Taiwan Institute of Chemical Engineer, vol.65, August 2016, pp.83-90.

[12]  حسین بخشی، محمد خراسانی، محمدرضا فدوی، غلامرضا قدرتی امیری و محمدعلی برخورداری، "تخمین پارامترهای شتاب، سرعت و جابجایی ماکزیمم زمین با استفاده از شبکه عصبی مصنوعی"، نشریه مدل­سازی در مهندسی، دوره 5، شماره 19، زمستان 1388، صفحه 11-22.

[13]  علیرضا مرتضایی و علی خیرالدین، "مدل­سازی و تخمین طول مفصل پلاستیک ستون­های بتن آرمه به کمک شبکه­های عصبی مصنوعی"، نشریه مدل­سازی در مهندسی، دوره 10، شماره 29، تابستان 1391، صفحه 1-17.

[14]  J. Prausnitz, and J. O’Connell,  Properties of gases and liquids,  5th edition, Journal of the American Chemical Socirty (JACS) publications, USA, 2000.

[15]  حسن امیرآبادی، جواد عاشوری و فرشید جعفریان، "بهینه­سازی برشکاری جت آب همراه با ذرات ساینده با استفاده از شبکه عصبی-الگوریتم ژنتیک"، نشریه مدل­سازی در مهندسی، دوره 8، شماره 23، زمستان 1389، صفحه 25-36.

[16]  F. Gharagheizi and G.R. Salehi, “Prediction of enthalpy of fusion of pure compounds using an artificial neural network-group contribution method”, Thermochimica acta, vol. 521, No. 1, July 2011, pp. 37-40.

مدل سازی در مهندسی

دوره 17، شماره 56
بهار 1398
صفحه 375-387

فایل ها

اشتراک گذاری

ارجاع به این مقاله

آمار