مقاله پیشبینی ویسکوزیته محلولهای پلیمری پلی وینیل پیرولیدن با استفاده ازشبکههای عصبی مصنوعی مبتنی بر الگوریتم ژنتیک

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله پیشبینی ویسکوزیته محلولهای پلیمری پلی وینیل پیرولیدن با استفاده ازشبکههای عصبی مصنوعی مبتنی بر الگوریتم ژنتیک دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیشبینی ویسکوزیته محلولهای پلیمری پلی وینیل پیرولیدن با استفاده ازشبکههای عصبی مصنوعی مبتنی بر الگوریتم ژنتیک  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله پیشبینی ویسکوزیته محلولهای پلیمری پلی وینیل پیرولیدن با استفاده ازشبکههای عصبی مصنوعی مبتنی بر الگوریتم ژنتیک،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیشبینی ویسکوزیته محلولهای پلیمری پلی وینیل پیرولیدن با استفاده ازشبکههای عصبی مصنوعی مبتنی بر الگوریتم ژنتیک :

تعداد صفحات:۱۲
چکیده:
پلی وینیل پیرولیدونPVP پلیمری است با ترکیبی منحصر به فرد که کاربرد های بسیاری در گستره وسیعی از صنایع دارد. طراحی مناسب و مهندسی فرایند های پلیمری بستگی به مدل سازی دقیق خواص ترمودینامیکی محلول، نظیرویسکوزیته دارد. با توجه به اینکه اندازهگیری خواص ترمودینامیکی به صورت تجربی فرایندی زمان بر و پرهزینه است در سال های اخیر توجه زیادی به پیشبینی خواص ترمودینامیکی محلولهای پلیمری بدون انجام آزمایش شده است. هدفاز انجام این پژوهش پیشبینی یکی از خواص محلولهای پلیمری پلی وینیل پیرولیدن در آب و اتانول با استفاده از شبکه های عصبی مصنوعی میباشد. اندازهگیری تجربی ویسکوزیته محلول های پلی وینیل پیرولیدون با جرم مولکولی متوسط ۱۰۰۰۰و۲۵۰۰۰ و ۴۰۰۰۰ در محدوده دمایی ۲۰ تا ۵۵ درجه سانتی گراد و کسر وزنی های مختلف پلیمر۰/۱و۰/۲و۰/۳و۰/۴۵ به صورت آزمایشگاهی انجام گرفت و از این دادهها برای آموزش و اعتبار سنجی شبکه استفاده شد. برای آموزش شبکه جهت پیشبینی خواص ترمودینامیکی در دماها و غلظتهای مورد نظر به جای استفاده از الگوریتم های متداول آموزشی (مانند الگوریتم لونبرگ مارکوات) از الگوریتم ژنتیک استفاده شد. نتایج نشان داد که در صورت استفادهاز این الگوریتم تکاملی در فرایند آموزش شبکه، مدل شبکه عصبی ارائه شده، توانایی بسیار بالایی در پیش بینی خواص ترمودینامیکی دارد بدون آنکه نیازی به آزمون های پرهزینه و وقت گیر باشد.