|
|
|
|
مدل سازی نمک زدایی آب شور با استفاده از فرایند الکترودیالیز به روش شبکه عصبی
|
|
|
|
|
|
|
|
نویسنده
|
بهروزی امیرحسین ,زورمند زهرا ,کثیری نوراله
|
|
منبع
|
شيمي و مهندسي شيمي ايران - 1399 - دوره : 39 - شماره : 4 - صفحه:185 -192
|
|
چکیده
|
در این مطالعه، مدلی با استفاده از دیدگاه جعبه سیاه و با تکیه بر روش شبکه عصبی برای فرایند الکترودیالیز ارایه شده است. در این مدل به بررسی اثر چهار پارامتر اساسی دما، ولتاژ مصرفی، شدت جریان و غلظت خوراک بر درصد جداسازی نمک از آب شور پرداخته شده است. با استفاده از روش آزمون و خطا، روش آموزش، تابع انتقال و تعداد بهینه نرون‌های هر لایه با توجه به بهترین عملکرد شبکه انتخاب شده است. شبکه عصبی به صورت چند لایه، روش پس انتشار و روش لونبرگ ماوکوارت توسعه یافته است. در این پژوهش از 135 داده آزمایشگاهی استفاده شده است که 60% (81 داده) آن برای آموزش شبکه، 20% داده‌ها (27 داده) به عنوان داده‌های ارزیابی فرایند آموزش و 20% (27 داده) برای ارزیابی تعمیم‌پذیری شبکه به عنوان داده‌های آزمون در نظر گرفته شده است. از مقایسه نتیجه های مدل با داده های مستقل آزمایشگاهی، نتیجه‌شد که آرایش بهینه شبکه به صورت 4:5:8:1 به دست می‌آید و مدل با خطای کم تر از 1% قابلیت پیش‌بینی رفتار فرایند را دارد.
|
|
کلیدواژه
|
الکترودیالیز، مدل‌سازی، نمک‌زدایی، شبکه عصبی
|
|
آدرس
|
دانشگاه علم و صنعت ایران, دانشکده مهندسی شیمی, ایران, دانشگاه علم و صنعت ایران, دانشکده مهندسی شیمی, ایران, دانشگاه علم و صنعت ایران, دانشکده مهندسی شیمی, ایران
|
|
پست الکترونیکی
|
capepub@cape.iust.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Salty Water Desalination Modeling Using Electrodialysis Process and Neural Network Technique
|
|
|
|
|
Authors
|
Behroozi Amir Hossein ,Zourmand Zahra ,Kasiri Norollah
|
|
Abstract
|
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. Multilayer neural network, backpropagation, and LevenbergMarquardt 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.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|