کد محصول: 2105
تعداد صفحه: 93 صفحه
نوع فایل: PDF,Word
قیمت: 35000 تومان
ارتقای روش های مختلف پیش بینی فشاربخار مواد مختلف
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 چنین شرایطی باشند بسیار حائز اهمیت می باشند
اما 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 ۴ 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.
کلمات کلیدی: فشار بخار، مدل سازی، پیش بینی خواص ترمودینامیکی، روش های هوشمند
۱-۱-مقدمه
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.
۱-۲-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.]۱ [
فهرست مطالب
فصل اول ۱
۱-۱-مقدمه ۲
۱-۲-تعریف فشار بخار ۳
۱-۳-عوامل مؤثر بر فشار بخار ۳
۱-۳-۱- ماهیت مایع ۳
۱-۳-۲-دمای مایع ۳
۱-۴-بیان مسأله ۳
۱-۵-توجیه ضرورت انجام تحقیق ۴
۱-۶-اهداف تحقیق ۴
۱-۸-ساختار تحقیق ۵
فصل دوم ۷
۲-۱-مقدمه ۸
۲-۲-روابط ریاضی تخمین وپیش بینی فشار بخار مواد مختلف ۹
۲-۲-۱- معادله کلازیوس-کلاپیرون ۹
۲-۲-۲- معادله آنتوان ۱۰
٢-٢-۲-۱-محدودیت های معادله آنتوان ۱۰
۲-٢-٣-معادله آنتوان توسعه یافته ۱۰
٢-۲-۴ -معادله واگنر ۱۱
۲-۲-۴-۱-محدودیت معادله واگنر ۱۲
۲-۲-۶-معادله لی-کسلر ۱۴
۲-۲-۶-۱-محدودیت های رابطه لی-کسلر ۱۵
٢-۲- ۷-معادله فشار بخار آمبروز-پاتل ۱۶
٢-۲-۷-١-ملاحظات معادله آمبروز-پاتل ۱۶
٢-۲-۸-روش حالتهای متناظر آمبروز-والتون ۱۷
۲-۳-اهمیت روش های نوین پیش بینی و تخمین خواص مواد ۱۸
۲-۴-پیشینه روش شبکه های عصبی در تخمین خواص ترمودینامیکی ۱۸
۲-۵-پیش بینی فشاربخار مواد با استفاده ازشبکه عصبی مصنوعی ۲۰
فصل سوم ۲۲
۳-۱-مقدمه ۲۳
۳-۲-تاریخچه پیدایش شبکه های عصبی مصنوعی ۲۴
۳-۳-ویژگی های شبکه عصبی مصنوعی] ۴۳ [ ۲۵
۳-۳-۱-قابلیت آموزش ۲۵
۳-۳-۲-قابلیت تعمیم ۲۵
۳-۳-۳-پردازش توزیعی(موازی) ۲۶
۳-۳-۴-تحمل پذیری خطا ۲۶
۳-۴-ساختار شبکه های عصبی مصنوعی ۲۶
۳-۴-۱-مدل نرون با یک ورودی ۲۷
۳-۴-۲-مدل نرون با یک برداربه عنوان ورودی ۲۷
۳-۴-۳-ساختار یک لایه ازشبکه های عصبی ۲۸
۳-۴-۴-شبکه های چندلایه ۲۹
۳-۴-۵-توابع انتقال ۲۹
۳-۴-۵-۲-تابع انتقال خطی ۳۰
۳-۴-۵-۳-تابع انتقال لگاریتمی سیگموئید ۳۱
۳-۴-۵-۴-تابع انتقال شعاع مبنا ۳۱
۳-۴-۵-۵-تابع انتقال آستانه ای خطی متقارن ۳۲
۳-۴-۵-۶- تابع انتقال تانژانت-سیگموئید ۳۲
۳-۵- روش های آموزش شبکه عصبی ۳۳
۳-۶-قواعد یادگیری شبکه های عصبی ۳۳
۳-۶-۱-قواعد یادگیری نظارت شده ۳۴
۳-۶-۲-قواعد یادگیری غیر نظارتی ۳۴
۳-۷-شبکه های عصبی پرسپترون ۳۴
۳-۷-۱-محدودیت های شبکه پرسپترون ۳۵
۳-۸-شبکه های عصبی پیشخور] ۵۳ [ ۳۵
۳-۹- الگوریتم پس انتشار خطا ۳۷
۳-۱۰-آموزش شبکه های پس انتشار ۳۸
۳-۱۱-بیش برازش شبکه ۳۸
۳-۱۲-بهبود عمومیت شبکه ۳۹
۳-۱۰-پارامترهای اساسی برای طراحی یک شبکه عصبی ۴۰
۳-۱۰-۱-انتخاب مناسب ترین اطلاعات ورودی به شبکه ۴۰
۳-۱۰-۲-نحوه ورود داده ها ۴۰
۳-۱۰-۳-تقسیم بندی داده ها ۴۱
۳-۱۰-۴-انتخاب مناسب ترین تعداد نرون ها ی لایه پنهان ۴۱
۳-۱۱-معیارهای ارزیابی کارایی مدل ۴۱
۳-۱۲-نرم افزار استفاده شده در این تحقیق ۴۳
فصل چهارم ۴۵
۴-۱-مقدمه ۴۶
۴-۲-طراحی ساختار شبکه عصبی مصنوعی برای هیدروکربن های آروماتیکی ۴۶
۴-۳-طراحی ساختار شبکه عصبی مصنوعی برای آلکان ها وآلکن ها ۵۶
۴-۴-طراحی ساختار شبکه عصبی مصنوعی برای الکل ها ۶۳
۴-۵-طراحی ساختار شبکه عصبی مصنوعی برای آلکیل سیکلو هگزان ها ۷۲
فصل پنجم ۸۱
۵-۱-نتیجه گیری ۸۲
۵-۲-پیشنهادهایی برای تحقیقات آتی ۸۳
منابع و ماخذ ۸۴
