سامانه پژوهشی – ویژگی های فیزیکی ای که در تقطیر بنزین موتور بایتس مورد اندازه گیری- …

پایان نامه های سری بیستم
۳۳

۵۵

۹۷

۱۴۸

۱۸۱

۸۶٫۴

۸۶٫۶

۳۷

۵۸

۹۸

۱۴۸

۱۷۸

۸۶٫۵

۸۶٫۴

۳۵

۵۷

۹۵

۱۴۲

۱۷۴

۸۷

۸۶٫۹

۴-۹٫ خلاصه فصل
در این فصل پس از جمع آوری دادههای مورد نیاز، بررسی و آنالیز آماری آنها بحث شد. دادهها تقسیم بندی و برای مدلسازی آماده گردیدند. پس از انتخاب الگوریتم آموزش مناسب، تعداد ایدهآل لایههای پنهان، تعداد نرون های میانی و همچنین انتخاب توابع انتقال مناسب ، مدلسازی شبکه شروع و با توجه به نتایج به دست آمده مشخص گردید که شبکه انتخاب شده با میانگین Mse معادل با ۰٫۰۸۴۱ و میانگین AARE معادل با ۰٫۷۴۳۷۷۳۵در مرحله آموزش و ارزیابی شبکه ، در زمینه پیش بینی تعیین عدد آرام سوزی بنزین مورد مطالعه موفق عمل نموده است.
فصل پنجم
بحث و نتیجه گیری
۵-۱٫ نتیجه گیری
محاسبه و پیشبینی خواص مشتقات نفتی به خصوص مشتقات پرمصرفی مانند سوخت خودروها نقشی مهم در حوزهی پایش کیفیت دارد. امروزه با پیشرفت علم رایانه، شاهد استفاده از آن در تمامی زمینههای علوم هستیم. یکی از خدماتی که این فنآوری جدید به پژوهشهای مبتنی بر روشهای آزمایشگاهی داده است ارائهی سختافزارها و نرمافزارهای مناسب میباشد. علوم مهندسی شیمی نیز از این خدمات بیبهره نمانده و استفاده از رایانه در این زمینهی علمی نیز منجر به کاهش هزینه و افزایش سرعت و دقت شده است. از جملهی این نرمافزارها که در سالهای اخیر رشدی زیاد همراه با کاربری فراوان داشته روشهای مبتنی بر هوش مصنوعی میباشد.
دادههای مورد استفاده در این تحقیق با استفاده از نتایج آزمایشات تجربی انجام شده توسط نگارنده در آزمایشگاه کنترل کیفیت شرکت ملی پخش فرآورده های نفتی منطقه آذربایجان شرقی و همچنین داده های موجود در آزمایشگاه مرکزی شرکت ملی پخش فراورده های نفتی ایران (مرکزی ری) جمع آوری گردیده است. آزمایش تقطیر مطابق استاندارد ASTM – D86 و اندازهگیری عدد آرامسوزی مطابق استاندارد ASTM-D2699 و دستگاه Portable cotane انجام شده است. بنابراین این دادهها بعنوان اولین مرحله از طراحی یک شبکه عصبی مورد استفاده قرار گرفت. پس از بررسی شبکه های مختلف، ساختار بهینه انتخاب گردید. سپس دادههای آموزش مورد بررسی نرمال بودن قرار گرفتند و شبکه انتخاب شده با الگوریتم لونبرگ – مارکوات آموزش داده شد. پس از اتمام آموزش، داده های آزمایش به شبکه وارد و پس از آزمایش توابع انتقال مختلف، بهترین شبکه ( بر اساس کمترین خطا) انتخاب شد.
ساختار شبکه عصبی طراحی شده برای پیشبینی عدد آرامسوزی در این پایان نامه عبارت است از:
شبکه دولایه با تابع انتقال لگاریتم سیگموئیدی در لایهی اول با هشت نرون، تابع انتقال تانژانت سیگموئیدی در لایهی دوم با چهار نرون و تابع انتقال تانژانت سیگموئیدی.
پس از طی مراحل فوق، مدلسازی شبکه شروع و با توجه به نتایج به دست آمده مشخص گردید که شبکه انتخاب شده با میانگین Mse 0.0841 در مرحله آموزش و ارزیابی شبکه ، در زمینه پیش بینی تعیین عدد آرام سوزی بنزین مورد مطالعه موفق عمل نموده است. همچنین نتایج حاصل از وارد کردن داده های حاصل از تقطیر در نرم افزار Matlab بیانگر موفقیت شبکه در پیش بینی عدد آرامسوزی بنزین موتور پالایشگاه تبریز، با دقتی قابل قبول میباشد.
۵-۲٫ پیشنهادات و زمینه های تحقیقات بعدی
با توجه به پیشرفتهای بسیار زیاد مفاهیم رایانه ای و جنبه های کاربردی آنها و همچنین سرعت و دقت بسیار زیاد در محاسبات و همچنین صرفه جویی بسیار زیاد در هزینه های آزمایش، انجام تحقیقات بیشتر در جهت کاربردی کردن یافته های رایانه ای بسیار ضروری می باشد. لذا با توجه به محدود بودن مطالعه در این زمینه و اینکه مدل ارائه شده قابلیت تعمیم به دیگر فراورده های نفتی را دارد، پیشنهادات زیر جهت کارهای آتی ارئه می گردد:
تحقیق و مدل سازی شبکه ای برای پیش بینی فشار بخار بنزین موتور با استفاده از داده های تقطیر.

این مطلب را هم بخوانید :  ویژگی های فیزیکی ای که در تقطیر بنزین موتور بایتس مورد اندازه گیری- قسمت ۲۴

برای دانلود متن کامل پایان نامه به سایت  jemo.ir  مراجعه نمایید.