نوع مقاله : مقاله پژوهشی کامل
نویسندگان
گروه شیمی، دانشکده فنی، دانشگاه محقق اردبیلی، اردبیل، ایران
چکیده
در صنایع شیمیایی، دقت در محاسبات و شبیه سازی فرآیند بسیار مهم است. یکی از پارامترهای تاثیرگذار، چگالی مولی سیال در شرایط مختلف فشار و دما است. معادلات حالت (EOS) برای تعیین چگالی مولی رایج است. معمولاً خطای ناشی از پیش‌بینی چگالی مولی با استفاده از EOS در دماها و فشارهای بالا به دلیل افزایش اثرات بین مولکولی زیاد است. علاوه بر این، با توجه به شکل EOS در مورد حجم یا دانسیته مولی، محاسبه حجم مولی در دما و فشار مشخص نیاز به روش‌های عددی مناسب برای ریشه‌یابی دارد. هدف این مقاله ارائه روشی موثر برای تخمین چگالی مولی بنزن با استفاده از دو روش یادگیری ماشینی مهم، یعنی MLP-ANN و ANFIS است. این مطالعه از 302 مجموعه داده های تجربی برای آموزش این دو روش استفاده کرد. علاوه بر این، مجموعه دیگری از 60 داده تجربی برای مقایسه خطاهای روش ها استفاده شد. معادله پنگ رابینسون (PR) نیز در این مقاله برای ارزیابی عملکرد روش‌های یادگیری ماشین و محاسبه چگالی مولی مورد استفاده قرار گرفت. نتایج نشان داد که میانگین خطاهای نسبی (MRE) برای روش های MLP-ANN، ANFISو PR برای 362 نقطه داده به ترتیب 0.838، 1.791، و 4.834 درصد است. نتایج نشان داد که استفاده از روش‌های یادگیری ماشینی می‌تواند خطاهای محاسباتی را کاهش دهد، خطای پیش‌بینی با استفاده از معادله PR تقریباً پنج برابر MLP-ANN است. در این مقاله، روش MLP-ANN به دلیل کارایی محاسباتی و خطای کمتر در پیش‌بینی چگالی مولی، عملکرد بهتری از ANFIS داشت.
کلیدواژه‌ها
)