وبلاگ

وتر(2011) به بررسی تمامی روابط پیش بینی آنتالپی تبخیر در نقطه جوش نرمال منتشر شده در منابع پرداخته است: ]20[
ریدل:
(2-34)
چن:
(2-35)
لیو:
(2-46)
وتر1- هیدروکربن ها و :
(2-52) 
وتر2- ترکیب های قطبی:
(2-54) 
وتر3- الکل:
(2-53) 
وتر6-4:
(2-63) 
وتر7:
(2-64) 
وتر8:
(2-37)
وتر9:
(2-65)
برای بررسی دقیق این معادلات 287 ترکیب شامل :20 الکل ، 112 هیدرو کربن و 151ترکیب قطبی مورد ارزیابی قرار گرفتند. برای بیان میزان انحراف از مقادیر تجربی، از عبارتی با عنوان AAD% استفاده شد که در واقع بیان کننده میانگین خطای مطلق ^[22](انحراف چه مثبت و چه منفی) است. ]20[

(2-66)
ثوابت معادلات بیان شده و درصد انحرافات در جدول (2-8) نشان داده شده است. با نگاهی به این جدول در می یابیم معادلاتی که ثوابت تجربی دارند نسبت به معادلاتی که بر اساس  و  فرموله شده اند کمتر قابل اعتماد هستند. ]20[
جدول(2-8):ثوابت و درصد انحراف روابط ]20[

به منظور بررسی بیشتر چهار معادله اصلی بر اساس قانون حالت های متناظر، برای الکل ها و استرها به ترتیب به صورت نمودار ها AAD% در مقابل دمای جوش در شکل های (2-4) و (2-5) ارائه شد. است. ]20[

شکل(2-4): نمودارADD% برای الکل ها ]20[

شکل(2-5): نمودارADD% برای استرها ]20[
در شکل (2-4) برای الکل ها مشاهده می شود، آلیل الکل بیشترین میزان انحراف (>18%) را داراست چون برای آن هیچ فشار بحرانی قابل اعتمادی شناخته شده نیست. روابط برتری چشم گیری نسبت به یکدیگر ندارند فقط در مورد الکل ها معادله ریدل نسبت به سایر معادلات بیشتر قابل اعتماد است. ]20[
در شکل (2-5) مربوط به استر ها خطای معادلات با افزایش دمای جوش نرمال افزایش می یابد که به دلیل پیچیدگی ترکیب های استر است . به خوبی مشخص است که دقت داده های تجربی برای این گروه از ترکیبات بسیار پایین است. در مورد استرها رابطه لیو دقت بیشتری دارد. ]20[
به طور کلی معادلات نسبت به یکدیگر برتری چندانی ندارند با این حال برخی معادلات در زمینه ای ممکن است نسبت به معادله دیگر ارجح باشند.
فصل سوم
شبکه های عصبی مصنوعی
3-1مقدمه
شبكه‌هاي عصبي را مي‌توان با اغماض زياد، مدل‌هاي الكترونيكي از ساختار عصبي مغز انسان ناميد. مكانيسم فراگيري و آموزش مغز اساساً بر تجربه استوار است. مدل‌هاي الكترونيكي شبكه‌هاي عصبي طبيعي نيز بر اساس همين الگو بنا شده‌اند و روش برخورد چنين مدل‌هايي با مسائل، با روش‌هاي محاسباتي كه به‌طور معمول توسط سيستم‌هاي كامپيوتري در پيش گرفته شده‌اند، تفاوت دارد.
مي‌دانيم كه حتي ساده‌ترين مغز‌هاي جانوري هم قادر به حل مسائلي هستند كه اگر نگوييم كه كامپيوترهاي امروزي از حل آنها عاجز هستند، حداقل در حل آنها دچار مشكل مي‌شوند. به عنوان مثال، مسائل مختلف شناسايي الگو، نمونه‌اي از مواردي هستند كه روش‌هاي معمول محاسباتي براي حل آنها به نتيجه مطلوب نمي‌رسند. درحالي‌كه مغز ساده‌ترين جانوران به‌راحتي از عهده چنين مسائلي بر مي‌آيد. تصور عموم كارشناسان فناوری اطلاعات بر آن است كه مدل‌هاي جديد محاسباتي كه بر اساس شبكه‌هاي عصبي بنا مي‌شوند، جهش بعدي صنعت فناوری اطلاعات را شكل مي‌دهند.
تحقيقات در اين زمينه نشان داده است كه مغز، اطلاعات را همانند الگو‌ها ذخيره مي‌كند. فرآيند ذخيره‌سازي اطلاعات به‌صورت الگو و تجزيه و تحليل آن الگو‌، اساس روش نوين محاسباتي را تشكيل مي‌دهند. اين حوزه از دانش محاسباتي به هيچ وجه از روش‌هاي برنامه‌نويسي سنتي استفاده نمي‌كند و به‌جاي آن از شبكه‌هاي بزرگي كه به‌صورت موازي آرايش شده‌اند و تعليم يافته‌اند، بهره مي‌جويد.
3-2 تاریخچه شبکه عصبی مصنوعی
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیست‌ها^[23] سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با بهره گرفتن از یک مدل منطقی توسط وارن مک کلوک^[24] و والتر پیتز^[25] انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها^[26] ارائه می‌کند. مدل ساده ای از شبکه های عصبی با مدار های الکتریکی ساختند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحاً نرون برانگیخته می‌شود.]22[
نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تاثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون^[27] توسط فرانک روزنبلات^[28] معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند.]23[
سامانه دیگر مدل خطی تطبیقی نورون می‌باشد که در سال ۱۹۶۰ توسط ویدرو و هاف^[29] (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. ادالاین^[30] یک دستگاه الکترونیکی بود که متشکل از اجزایی ساده‌ و برای تشخیص الگوهای دودویی ساخته شد. روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت. مادالاین^[31] نیز اولین شبکه عصبی بود که در دنیای واقعی به کار گرفته شد. این شبکه یک فیلتر تطبیقی بود که پژواک ها را در خطوط تلفن حذف می کرد.]21[
در سال ۱۹۶۹ ماروین مینسکی^[32] و سیمور پپرت^[33] کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند.]24[ نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه اگر تعداد داده های ورودی به شبکه افزایش یابد، زمان لازم برای آموزش شبکه به صورت نمایی افزایش می یابد و در نتیجه بر کارایی شبکه تاثیر می گذارد. و اینکه چند لایه کردن شبکه های عصبی تأثیری در رفع این محدودیت ها ندارد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند. ]21 [