مدل سازی و پیش بینی نقطه اشتعال ترکیبات هیدرو کربنی با استفاده از شبکه عصبی

نوع مقاله : مقاله شیمی

نویسندگان

1 مهندسی مکانیک،دانشگاه واحد تهران غرب،دانشگاه آزاد اسلامی،تهران،ایران

2 مهندسی شیمی، واحد تهران جنوب - دانشگاه آزاد اسلامی، دانشکده مهندسی شیمی و پلیمر، تهران، ایران

10.22075/jme.2020.20796.1924

چکیده

نقطه اشتعال یکی از مهمترین خواص احتراقی ترکیبات شیمیایی است. در این مقاله مدلی بر پایه شبکه‌های عصبی به منظور پیش بینی نقطه اشتعال ترکیبات هیدروکربنی از خانواده‌های گوناگون با دقت بالا ارائه می‌ شود. بر این اساس، تعداد اتم‌های هیدروژن و کربن، دمای بحرانی، دمای جوش نرمال، ضریب بی مرکزی و آنتالپی تشکیل به عنوان متغیر‌های ورودی مدل انتخاب شده اند. با بررسی شبکه‌های عصبی گوناگون، بهترین نتایج برای یک شبکه عصبی پیش رونده با چهار نورون در لایه میانی، تابع انتقال لوگ سیگموید و الگوریتم آموزش پس انتشار خطا لونبرگ- مارکارت مشاهده شده است. با استفاده از مدل به دست آمده، میزان خطای مطلق نسبی متوسط97/0%، 96/0%، 96/0% و 1 % به ترتیب برای داده‌های آموزش، ارزیابی و آزمون مدل و نتایج کلی مدل حاصل گردید.در این مدل سازی 393 ترکیب مورد بررسی قرار گرفته شده است.در این مقاله نحوه انتخاب بهترین الگوریتم آموزش و همچنین بهترین تابع فعالساز به همراه نمودار خطای نسبی آنها در شبکه ارائه و توضیح داده شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Modeling and predicting of the flash point of chemical compounds

نویسندگان [English]

  • hamidreza mirshahvalad 1
  • ramin ghasemiasl 1
  • nahid raoufi 2
  • mehrdad malekzadehdirin 1
1 Department of Mechanical Engineering, West Tehran Branch, Islamic Azad University, Tehran, Iran
2 Chemical Engineering,South Tehran Branch - Islamic Azad University , chemical and polymer engineering depatment, Tehran, Iran
چکیده [English]

Flash point is one of the most important flammability characteristics of chemical compounds. In the present study, we developed a neural network model for accurate prediction of the flash point of chemical compounds, using the number of hydrogen and carbon atoms, critical temperature, normal boiling point, acentric factor and enthalpy of formation as model inputs. Using a robust strategy to efficiently assign neural network parameters and evaluate the authentic performance of the neural networks, we could achieve an accurate model which yielded average absolute relative errors of 0. 97, 0. 96, 0.99 and 1.0% and correlation coefficients of 0.9984, 0.9985, 0.9981 and 0.9979 for the overall, training, validation and test sets, respectively. These results are among the most accurate ever reported ones, to date.in this article method for selection the best learning algorithm and transfer function are clearly presented and relative error for these parameters are represented in detail .

کلیدواژه‌ها [English]

  • Flash point
  • Predictive Models
  • Neural Networks
  • QSPR
  • Group contribution method