پديد آورندگان :
بهروزي، اميرحسين دانشگاه علم و صنعت ايران تهران - دانشكده مهندسي شيمي، نفت و گاز , زورمند، زهرا دانشگاه علم و صنعت ايران تهران - دانشكده مهندسي شيمي، نفت و گاز , كثيري، نوراله دانشگاه علم و صنعت ايران تهران - دانشكده مهندسي شيمي، نفت و گاز
كليدواژه :
الكترودياليز , مدلسازي و نمك زدايي , شبكه عصبي , نمك زدايي آب شور
چكيده فارسي :
در اين مطالعه، مدلي با استفاده از ديدگاه جعبه سياه و با تكيه بر روش شبكه عصبي براي فرايند الكترودياليز ارايه شده است. در اين مدل به بررسي اثر چهار پارامتر اساسي دما، ولتاژ مصرفي، شدت جريان و غلظت خوراك بر درصد جداسازي نمك از آب شور پرداخته شده است. با استفاده از روش آزمون و خطا، روش آموزش، تابع انتقال و تعداد بهينه نرون هاي هر لايه با توجه به بهترين عملكرد شبكه انتخاب شده است. شبكه عصبي به صورت چند لايه، روش پس انتشار و روش لونبرگ ماوكوارت توسعه يافته است. در اين پژوهش از 135 داده آزمايشگاهي استفاده شده است كه 60% (81 داده) آن براي آموزش شبكه، 20% داده ها (27 داده) به عنوان داده هاي ارزيابي فرايند آموزش و 20% (27 داده) براي ارزيابي تعميم پذيري شبكه به عنوان داده هاي آزمون در نظر گرفته شده است. از مقايسه نتيجه هاي مدل با داده هاي مستقل آزمايشگاهي، نتيجه شد كه آرايش بهينه شبكه به صورت 4:5:8:1 به دست مي آيد و مدل با خطاي كم تر از 1% قابليت پيش بيني رفتار فرايند را دارد.
چكيده لاتين :
In this study, a model is presented using the black box neural network technique. In this model, the effects of four basic parameters, including temperature, voltage consumption, flow rate, and feed concentration on salt separation percentage from salty water, have been investigated. With the help of trial and error, the training method, transfer function, and the optimal number of neurons on each layer are selected to provide the best network performance. Multi-layer neural network, backpropagation, and Levenberg-Marquardt algorithm are utilized as the optimum options. In this study, 135 data were used, allocating 60% of them (81 data) to network training, 20% (27 data) to training data evaluation, and the remaining 20% (27 data) to assess the network generalizability as test data. Finally, a comparison of the model results with independent laboratory data indicates that the optimal network arrangement is 4:5:8:1, and the model with an error of less than 1% can predict the process behavior.
