پيش بيني كشش سطحي مايعات يوني بر پايه ايميدازوليوم با بكارگيري شبكه عصبي مصنوعي

Prediction of surface tension of ionic liquid based on imidazolium using artificial neural network

امروزه با پيشرفت تكنولوژي براي حل مسائلي كه روابط دقيق رياضي بين ورودي و خروجي برقرار نمي باشد از شبكه هاي عصبي مصنوعي استفاده مي شود. در اين پژوهش براي پيشبيني كشش سطحي مايعات يوني بر پايه ايميدازوليوم دو شبكه عصبي پرسپترون چند لايه شامل شبكه عصبي مصنوعي پيشرو (FFANN) و شبكه عصبي آبشاري (CANN) پيشنهاد شد. براي بررسي صحت مدل ها، از 1251 داده آزمايشگاهي گردآوري شده از مقالات مختلف شامل كشش سطحي 40 مايع يوني در محدوده وسيع دمايي (از 263/61 الي 533/2 كلوين) استفاده شده است. نتايج نشان داد كه مدل شبكه پرسپترون چند لايه CANN متشكل از چيدماني با سه ورودي شامل جرم هاي مولكولي بخش هاي آنيوني و كاتيوني مايع يوني و دما و يك لايه مخفي حاوي 8 نرون با تابع فعال سازي تانژانت هيپربوليك كه با استفاده از الگوريتم آموزشي لونبرگ-ماركوارت آموزش ديده بهترين دقت در پيش بيني كشش سطحي مايعات يوني داشته است. آناليز خطا هاي دادههاي تست با درصد متوسط قدر مطلق خطاهاي نسبي (AARD%) 1/07، بيانگر كارايي مدل غيرخطي CANN در برقراري ارتباط مابين ورودي هاي شبكه و كششسطحي مي باشد. علاوه بر آن مقايسه دقت مدل پيشنهادي با مدل هاي موجود از جمله قانون حالات متناظر، پاراچور، الگوريتم مديريت داده ها به روش گروهي (GMDH) و مدل حداقل مربعات ماشين بردار پشتيبان (LSSVM) بيانگر برتري مدل پيشنهادي بوده است.

Nowadays, with the progresses in technology to solve problems where there is no exact mathematical relationship between input and output, neural networks are efficiently proposed and used. In the shadow of its unique features, in this study, two multilayer perceptron neural networks including feedforward artificial neural network (FFANN) and cascade artificial neural network (CANN) were proposed to predict the surface tension of imidazolium-based ionic liquids. To verify the validity of the proposed models, 1251 experimental data points were collected from various previously published literature including the surface tension of 40 ionic liquids in a wide range of temperatures (from 263.61 to 533.2 K). The results showed that the proposed CANN consists of three inputs including molecular weights of anionic and cationic part of ionic liquid and temperature with a hidden layer containing 8 neurons with a hyperbolic tangent activation function and trained with Levenberg–Marquardt algorithm has the best correlative capability for surface tension of ionic liquids. In addition, error analysis of test data set with an average absolute relative deviation percent of 1.07 indicates the appropriate performance of the nonlinear CANN model in the linking between network inputs and surface tensions. Also, comparing the accuracy of the proposed model with existing models, including the corresponding states principle, Parachor, the group method of data handling (GMDH) and the model based on least-squared supported vector machine (LSSVM) indicate the superiority of the proposed model.