پیش بینی کشش سطحی مواد با استفاده از روشهای هوشمند

در این تحقیق بررسی مقایسه ای بین روش شبکه های عصبی مصنوعی و روش الگوریتم ژنتیک با روش های کلاسیک برای تخمین کشش سطحی مواد مختلف که شامل گروه های هیدروکربن های خالص(1- آلکان هاو 1- آلکن ها)، الکل و اسید ها می باشد انجام شده است. در این تحقیق از شبکه عصبی پرسپترون چند لایه با الگوریتم آموزشی پس انتشار خطا با ورودی های مستقل دما، دمای بحرانی، فشار بحرانی، وزن مولکولی و ضریب بی مرکزی استفاده شده است که این پارامترها مشابه با پارامترهای استفاده شده در روش های کلاسیک نظری می باشد. همانند سایر روش¬های بهینه سازی، الگوریتم ژنتیک از پارامترهای بهینه سازی و یک تابع هدف تشکیل شده است ولی آنچه که این الگوریتم را از سایر روش¬ها جدا می کند، روش عملکرد آن است، لازم به ذکر است که هدف از بهینه سازی در این تحقیق پیدا کردن مینیمم مقدار خطای حاصل از روش های ارتقائ یافته با نتایج آزمایشگاهی می باشد. دراین پژوهش با توجه به نتایج بدست آمده از روش شبکه عصبی و الگوریتم ژنتیک و روش های کلاسیک، شبکه عصبی از دقت خوبی برخوردار بوده و درصد خطای حدود 27/0 درصد را نتیجه داده است و روش الگوریتم ژنتیک درصد خطای زیر5 درصد را نتیجه داده است.