مدل سازی ریاضی، منطق فازی و شبکه عصبی مصنوعی سینتیک استخراج اسانس از اندام هوایی بومادران (.Achillea millefolium L) با روش تقطیر مقاومتی
هدف پژوهش حاضر، پیش بینی سینتیک استخراج اسانس طی تقطیر مقاومتی با سه مدل مختلف (روش های رگرسیون غیر خطی (ریاضی)، شبکه عصبی مصنوعی (ANN) و منطق فازی) برای مقایسه دقت این مدل ها بود. بر اساس نتایج به دست آمده شبکه عصبی مصنوعی بهترین روش در بین همه مدل های اجرا شده برای پیش بینی عملکرد استخراج بود. چهار مدل ریاضی (مدل های مرتبه اول، مرتبه دوم، جذب و سیگمویید) بر داده های تجربی عملکرد استخراج برازش گردید. نتایج نشان داد که مدل مرتبه اول می تواند عملکرد استخراج اسانس را با ضریب همبستگی (R2) برابر 988/0 و ریشه میانگین مربعات خطا (RMSE) برابر 00014/0 به طور رضایت بخشی توصیف کند. شبکه عصبی با یک و دو لایه پنهان و 4 تا 30 نورون به طور تصادفی انتخاب شد و قدرت شبکه برای پیش بینی عملکرد استخراج برآورد شد. شبکه عصبی با ساختار پس انتشار پیش خور، الگوریتم آموزش لونبرگ-مارکوآرت و پیکربندی 3-11-11-1 دارای حداکثر R2 (999/0) و حداقل RMSE (0004/0) هستند. ابزار منطق فازی در متلب با مدل ممدانی در قالب قوانین اگر-آنگاه همراه با تابع عضویت مثلثی برای پیش بینی عملکرد استخراج استفاده گردید. علی رغم این واقعیت که منطق فازی نرخ برازش کمتری (997/0= R2) نسبت به ANNرا تضمین می کند، این یک تکنیک قدرتمند برای برازش داده های تجربی عملکرد استخراج بود.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.