پیش بینی حلالیت اکسیژن در حلال های آلی با استفاده از شبکه عصبی مصنوعی

در این مقاله یک شبکه عصبی مصنوعی برای محاسبه حلالیت اکسیژن در حلال های آلی مورد بررسی قرار گرفته است. حلال های بررسی شده شامل متانول، پروپانول، اکتان، تولوئن، دی اتیل اتر و 2-متیل تترا هیدروفورن هستند. داده ها برای بازه وسیعی از دما (K3/29 48 – 298/2) و فشار (MPa 9/2338 - 0/0535) بررسی شده اند. ورودی های شبکه عصبی شامل جرم مولکولی، ضریب اسنتریک، دمای کاهیده و فشار کاهیده حلال مورد نظر هستند و خروجی شبکه عصبی حلالیت اکسیژن است. بهینه طراحی ممکن برای شبکه عصبی، شبکه پیش خور با الگوریتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ مارکوارت، تابع فعال سازی سیگمودی برای لایه مخفی با 13 نرون در این لایه و تابع فعال سازی خطی برای لایه خروجی است. نتیجه ها نشان می دهند که توسط شبکه عصبی بهینه می توان مقدارهای حلالیت را با ضریب همبستگی (R2) برابر 0/999997، درصد میانگین انحراف نسبی (ARD%) برابر 0/8103 و درصد میانگین انحراف مطلق (AAD%) برابر 0/0042 پیش بینی کرد. تحلیل حساسیت نشان می دهد که دمای کاهیده بیشترین تاثیر را بر روی خروجی شبکه عصبی یعنی حلالیت داراست.