بررسی سه نوع شبکه عصبی مصنوعی برای مدل سازی افت فشار در سیکلون های جداسازی گاز-جامد و بهینه سازی سیکلون با الگوریتم ژنتیک

در این مقاله به منظور بررسی ارتباط بین افت فشار سیکلون جداسازی و پارامترهای هندسی سیکلون غبارگیری، سه نوع شبکه عصبی مصنوعی انتشار بازگشتی [1] ، شبکه عصبی تابع پایه شعاعی [2] و شبکه عصبی رگرسیون تعمیم یافته [3] به کارگرفته شده اند. پس از آموزش آن ها با داده های تجربی، پارامترهای بهینه عملکردی هر کدام شبکه ها، با روش جستجوی چند مرحله ای [4] به دست آمده اند. شبکه ها بر اساس میزان ضریب همبستگی [5] ، خطای مربع میانگین و زمان آموزش باهم مقایسه شده و مشاهده شد که هر سه شبکه می توانند با موفقیت سیکلون را مدل کنند. شبکه تابع پایه شعاعی با ضریب همبستگی برابر با 1 بالاترین عملکرد تعمیم یافته [6] و با خطای میانگین مربع [7] برابر با 7-10×6067/1 کم ترین خطا را نسبت به دو شبکه دیگر دارد. پاسخ پیش بینی شبکه انتخابی با پاسخ روش های تجربی و آماری مقایسه شده و برتری شبکه عصبی انتخابی نسبت به سایر مدل ها به وضوح مشخص شده است. نتایج نشان می دهند که شبکه عصبی می تواند جایگزین بسیار خوبی برای مدل سازی افت فشار سیکلون ها باشد.