kala-tamin تشخیص خطا در برج تقطیر با استفاده از شبکه‌های عصبی


تشخیص خطا در برج تقطیر با استفاده از شبکه‌های عصبی




در سالیان اخیر توجه زیادی روی موضوع تشخیص خطا در واحدهای مختلف شیمیائی بوسیله روشهای مختلف شده هست .


کاربرد آنالیتیکی سیپرو فلوکساسین
که یکی از این روشها شبکه‌های عصبی می‌باشد که شامل سه مرحله، آموزش ، بازخوانی و عمومیت بخشیدن می‌باشد.


مدلسازی خشک کردن افشان پارافرمالدئید
در این مقاله با هستفاده از شبکه‌های عصبی مصنوعی (network artificial neural) از نوع (rbf)radial basis function و (bp) backpropagation خطاهای ایجاد شده در برج تقطیر تشخیص داده می‌شود.


تثبیت سلولهای مخمر بر حاملهای طبیعی به منظور تولید اتانول
جهت آموزش ابتدا لازم هست مدل برج تقطیر بدست آمده و سپس با هستفاده از داده‌های گرفته شده از اون، شبکه‌های عصبی را آموزش می‌دهیم که در اینجا برج تقطیر بصورت چند جزئی می‌باشد.


سنتز و بررسی خواص الاستومرهای یورتانی با مقاومت حرارتی و خواص اتش گیری بهبود یافته
جهت آموزش شبکه‌های عصبی فرموده شده از مدل دینامیکی برج تقطیر دینامیک هستفاده شده هست .


بررسی روشهای ترد سازی گوشت
ده نوع خطا (FAULT) برای برج تقطیر تعریف شده هست .


استخراج و تغلیظ کاتیون ها با استفاده از نقطه ابری شدن مواد فعال سطحی ( سور فاکتانت ها )
تغییراتی در متغیرهای ورودی به برج بصورت 10 % و 5 % وارد نموده و تعداد 14 متغیر خروجی اندازه‌گیری می‌شود.


قابلیت تحویل دهی چاه در مخازن گاز میعانی
از اطلاعات بدست آمده جهت آموزش شبکه‌های عصبی و تعیین فاکتورهای روانی هستفاده شده هست .


بررسی تاثیر فاصله بین شکافها بروی ریزش ثقلی نفت و گاز در مخازن شکافدار
شبکه عصبی دارای 14 گروه (NODE) ورودی و 10 گروه خروجی می‌باشد و تعداد گره لایه میانی قابل تنظیم می‌باشد.

نتایج نشان می‌دهد که امکان پیش‌بینی خطا با دقت خوبی توسط شبکه عصبی وجود دارد.

همچنین مقایسه نتایج نشان می‌دهد که وقت آموزش شبکه عصبی نوع RBF بسیار کمتر از شبکه عصبی BP می‌باشد در حالیکه دارای دقت بهتری می‌باشد.




59 out of 100 based on 34 user ratings 409 reviews