پيش بيني بهينه رفتار مخزن اختلاط T شكل بر اساس برنامه‌نويسي ژنتيكي چند هدفي

Optimum prediction of the T shape mixing chamber behavior based on multiobjective genetic programming

پيش بيني رفتار مخزن T شكل به دليل پيچيدگي بالا همواره مورد علاقه محققين بوده است. در اين مقاله بر اساس داده‌هاي آزمايشگاهي و با استفاده از برنامه‌ريزي ژنتيكي براي خروجي فرآيند اختلاط مدلي بهينه ارائه شده است. به منظور يافتن معادلات رفتاري سيستم، ابتدا با تغيير متغير‌هاي ورودي سيستم جدول داده‌هاي تجربي ورودي – خروجي به دست آمد. با استفاده از برنامه‌ريزي ژنتيكي، معادله حاكم بر جدول داده‌هاي ورودي – خروجي به منظور پيش‌بيني رفتار سيستم استخراج شده است. براي طراحي ساختار درخت‌هاي برنامه‌ريزي ژنتيكي از بهينه‌‌سازي چند هدفي با دو تابع هدف خطاي مدلسازي و پيچيدگي ساختار مد نظر قرار گرفته است. با كمينه كردن همزمان اين دو تابع هدف، به دنبال يافتن معادلات ساده‌تر (كمينه كردن پيچيدگي ساختار) و افزايش دقت مدلسازي (كمينه كردن خطا) انجام گرديده است. به منظور دست يافتن به معادلات با پيچيدگي كمتر عمق درختان توليد شده در ساختار برنامه‌ريزي ژنتيكي كمينه شده است. با استفاده از بهينه‌سازي چند هدفي مجموعه‌اي از نقاط بهينه ارائه گرديده است. مقايسه نتايج حاصل از خروجي مدل‌هاي ارائه شده و داده‌هاي تجربي نشان‌دهنده تطابق و عمل كردن بسيار خوب مدل ارائه شده بر اساس برنامه‌نويسي ژنتيكي چند هدفي مي‌باشد.

Prediction of the behavior of T-shaped chambers due to its high complexity has always been of great interest researchers. In this article, based on experimental data and genetic programming, the optimal model was presented for mixing process response. To get system’s behavioral equations, first, by using the experimental results and by changing the input variables System, input – output data is extracted. In order to predict the behavior of the system, the equation of input – output data, is derived using genetic programming. To design the structure of genetic programming trees, multi-objective optimization with two objective functions are taken into consideration: model inaccuracy and complexity of structure. By minimizing the objective function at the same time, we are looking for simple equations (minimizing the complexity of the structure) and increasing the accuracy of modeling (minimizing the error). In order to achieve a less complex equation, depth of the generated trees in structure of genetic programming will be minimal. By using multi-objective optimization, optimum set of points have presented. Comparing the results obtained from the models and real data represents a very good match.