بررسی سه نوع شبکه عصبی مصنوعی برای مدل سازی افت فشار در سیکلون های جداسازی گاز-جامد و بهینه سازی سیکلون با الگوریتم ژنتیک
چکیده
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 شدهاند. پس از آموزش آنها با دادههای تجربی، پارامترهای بهینه عملکردی هر کدام شبکه ها، با روش جستجوی چند مرحله ای[4] به دست آمده اند. شبکهها 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 روشهای تجربی و آماری مقایسه شده و برتری شبکه عصبی انتخابی نسبت به سایر مدلها به وضوح مشخص شده است. نتایج نشان میدهند که شبکه عصبی میتواند جایگزین بسیار خوبی برای مدل سازی افت فشار سیکلونها باشد. 2back propagation neural network/bpnn 3radial basis function neural network/rbfnn 4generalized regression neural network/ grnn 5multi step search/ mss 6correlation coefficient 7generalized performance 8mean squared error/ mse