پيش بيني جذب دي اكسيد كربن در فشار هاي پايين در مايعات يوني پليمري با پايه آمونيوم با استفاده از روش هم بخشي گروهي و شبكه عصبي مصنوعي

Prediction of CO2 Absorption at Low Pressures in Ammonium-based Poly (Ionic Liquid)s Using Artificial Neural Network-Group Contribution Method

در اين تحقيق، شبكه عصبي مصنوعي و روش هم بخشي گروهي براي پيش بيني ميزان جذب دي اكسيد كربن بر روي تعدادي از مايعات يوني پليمري به كار گرفته شده است. مايعات يوني پليمري مورد بررسي قرار گرفته شده در اين مدل سازي، بر پايه آمونيوم مي باشند. براي مشخص شدن پليمرها از يكديگر، ساختار مولكول ها به كمك روش هم بخشي گروهي تعريف مي شوند. ساختار مولكول ها به عنوان داده ورودي به شبكه عصبي مصنوعي داده شده است. علاوه بر ساختار مايعات يوني پليمري، فشار (بار) و دما (درجه سانتي گراد) نيز به عنوان داده ورودي براي شبكه عصبي مورد استفاده قرار گرفته است. داده هاي مربوط به ميزان جذب دي اكسيد كربن بر حسب غلظت و كسر مولي از منابع معتبر گرفته و به عنوان داده خروجي براي شبكه عصبي تعريف شده است. از 70 درصد داده ها براي آموزش شبكه، 5 درصد براي ارزيابي و 25 درصد براي آموزش شبكه استفاده شده است. محدوده فشاري براي اين مدل سازي از صفر تا 1/2 بار و دما برابر 22 و 25 درجه سانتي گراد مي باشد. ميزان خطاي مطلق برابر 0/000634 ، معيار حداقل مربعات خطا 0/000000608 و ميزان خطاي نسبي برابر 3/2558 درصد مي باشد.

In this study, artificial neural network and group contribution method have been used to predict absorption of carbon dioxide on a number of polymeric ionic liquids. Polymeric ionic liquids have been studied in this modeling are based on Ammonium ions. To distinguish polymeric ionic liquids from each other, the structure of molecules is defined by group contribution method and is used as an input to the artificial neural network. In addition to the polymer structure, pressure (bar) and temperature (°C) also is used as input to the neural network. Data about the amount of carbon dioxide sorption in terms of concentration and mole fraction, taken from reliable sources and is defined as the output for the neural network.70% of data is used for training, 5% for validation and 25% for test the network. Pressure range for the modeling is from zero to 2.1 bar and temperature is 22 and 25 ° C .The absolute error deviation is equal to 0.000634, mean square error is 0.000000608 and the relative error is equal to 3.2558.