بخشی از مقاله
چکیده
یکی از راههاي تولید روغن با خصوصیات مطلوب آمیختن دو یا چند نوع روغن پایه با خواص مختلف است. در فرآیند امتزاج اغلب براي اندازهگیري مقدار بکار برده شده از هر نوع روغن پایه جهت تهیه مخلوط مناسب، از فلومتر استفاده میگردد. دقت و صحت مقادیر دبی اندازهگیري شده تضمین کننده همخوانی خصوصیات محصول با مقادیر مطلوب است.
در صورتی که به هر دلیل در یک بازه زمانی دبی سنجهاي مورد استفاده در فرآیند امتزاج از کار بیفتد و یا داراي خطا شوند، مخلوط حاصل داراي ترکیب درصد و همچنین خواصی متفاوت از مقادیر مطلوب خواهد شد. همچنین از آنجا که دادههاي ثبت شده در بازه یاد شده داراي خطا میباشند، ترکیب درصد مخلوط فعلی مجهول خواهد بود و نمی توان از آن جهت تصحیح مخلوط استفاده نمود. در این مطالعه سعی شده تا روشی براي تخمین ترکیب درصد یک مخلوط مجهول با استفاده از خواص فیزیکی قابل اندازه گیري آن ارایه گردد. براي مدلسازي از شبکه عصبی مصنوعی استفاده گردیده است.
شبکه به کار رفته به گونه اي آموزش دیده که با توجه به خواص اندازه گیري شده، ترکیب درصد مخلوط را تخمین بزند.
نتایج حاصله نشان میدهد که با استفاده از این روش می توان ترکیب درصد مخلوط را با دقت قابل قبولی تخمین زده و براي تصحیح ترکیب درصد مخلوط روغنهاي پایه قابل استفاده میباشد.
-1 مقدمه
دیدگاه شبکههاي عصبی در دهه 40 قرن بیستم شروع شد. زمانیکه والتر پیتز1 و وارن مک کلوچ2 نشان دادند که شبکههاي عصبی در اصل میتوانند هر تابع حسابی و منطقی را محاسبه نمایند. کار این افراد را میتوان نقطه شروع حوزه علمیشبکههاي عصبی مصنوعی نامید. این موضوع را دونالد هب3ادامه داد و عمل شرطگذاري مکانیسمی4 را جهت یادگیري نرونهاي بیولوژیکی ارائه نمود. نخستین کاربرد علمی شبکههاي عصبی مصنوعی در اواخر دهه 50 قرن بیستم مطرح شد؛ زمانیکه فرانک روزنبلات5 در سال 1958 شبکه پرسپترون را معرفی نمود.
روزنبلات و همکارانش شبکهاي ساختند که قادر بود الگوها را از هم تشخیص دهد. در همین زمان بود که برنارد ویدرو6 در سال 1960 شبکه عصبی تطبیقی آدلاین را با قانون یادگیري جدید مطرح نمود که از لحاظ ساختار شبیه شبکه پرسپترون میباشد.
پیشرفت شبکههاي عصبی مصنوعی تا دهه 70 قرن بیستم ادامه یافت. در سال 1972 تئو کوهنن7 و جیمز اندرسون به طور مستقل و بدون اطلاع از هم شبکههاي جدید را معرفی نمودند که قادر بودند به عنوان ذخیرهساز عمل نمایند. سپس در دهه 80 و با ظهور مجدد شبکههاي عصبی مصنوعی دو نگرش جدید قابل تامل میباشد. نخست استفاده از مکانیسم تصادفی جهت توضیح یک طبقه وسیع از شبکههاي برگشتی که میتوان آنها را جهت ذخیرهسازي اطلاعات بکار برد. دومین نکته مهم که کلید شبکههاي عصبی مصنوعی در دهه 80 شد الگوریتم پس انتشار خطا بود که توسط دیوید راملهارت9 و جیمز مکلند10 در سال 1986 مطرح گردید. با بروز این دو ایده شبکههاي عصبی مصنوعی متحول شدند .
در سالهاي اخیر انواع مختلفی از شبکههاي عصبی ارائه شدند که در اکثر علوم کاربردهاي خاص خود را یافتهاند. در زمینه شیمی و مهندسی شیمی نیز تحقیقات مختلفی انجام شده است. استفاده گسترده از شبکههاي عصبی مصنوعی به چند عامل بستگی دارد،
- اول اینکه با توسعه علوم رایانه و پیشرفت سامانه محاسبات در رایانهها، استفاده از شبکه عصبی مصنوعی بسیار آسان گشته و از نظر اقتصادي نیز مقرون به صرفه میباشد.
- دوم اینکه در شبکههاي مصنوعی از دادههاي نمونه سیستم به منظور توسعه مدل استفاده میشود و نیازي به برخورداري کامل از اطلاعات و دانش نسبت به سیستم مورد مطالعه نیست.
- عامل سوم اینکه تحلیل مسائل پیچیدهاي که روشهاي سنتی و مرسوم به سختی قادر به حل آنها هستند توسط شبکههاي عصبی به راحتی صورت میگیرد.
یک روش مرسوم براي شناسایی و شبیهسازي یک سیستم، استفاده از اصول اولیه و شناسایی پارامترهاي مدل با استفاده از دادههاي تجربی است. این روش اغلب پرهزینه و مشکل است. زیرا ممکن است فرآیند پیچیده و یا ناشناخته باشد. یا از فرضیاتی در مدل استفاده شده باشد که دقت شناسایی را کاهش دهد. با توجه به مشکلات استفاده از مدلهاي بدون پارامتر که فقط از ورودي و خروجی فرآیند به منظور شناسایی و شبیهسازي فرآیند استفاده نماید ضروري بهنظر میرسد
امروزه با گسترش روز افزون صنایع مختلف و پیشرفت تکنولوژي، نیاز به انواع روغنهاي روانساز به طور چشمگیري افزایش یافته است؛ ضمن اینکه با سخت تر شدن شرایط کارکرد موتورها و دیگر دستگاهها، دیگر روغن پایه به تنهائی قادر به روانکاري آنها نیستح از اینرو با اضافه کردن مواد افزودنی به روغن پایه، یک روغن نهائی با کیفیت مطلوب و خواص مورد نیاز تهیه میشودح بنابراین میتوان گفت یک روغن نهائی به شرطی می تواند وظایف مورد انتظار را به خوبی انجام دهد که از ترکیب درستی برخوردار باشد؛ به عبارتی براي داشتن روغن نهایی با مشخصات مطلوب دانستن ترکیب درصد مناسب روغنهاي پایه ضروري است
براي یافتن ترکیب درصد مناسب از روغنهاي پایه بتدا در آزمایشگاه و در مقیاس کم، ترکیبات مختلف از روغنهاي پایه موجود تست شده و ترکیب مناسب نهایی مشخص میشود. در صنعت با توجه به ترکیب درصد مشخص شده در آزمایشگاه، روغنهاي پایه مورد نظر در مقیاس کلان باهم ترکیب میشوند. حال اگر در فلومترهاي مشخص کننده دبی هرکدام از روغنهاي پایه خطایی ایجاد شود و یا فلومترها به کل از کار بیفتند؛ مقدار بسیار زیادي روغن با ترکیب نامناسب داریم که این به معناي افت در کیفیت تولید و ضرر میباشد. اگر بتوانیم ترکیب درصد درست روغن تولیدي را بیابیم؛ می توانیم به آسانی با افزودن هر کدام از روغنهاي پایه که نیاز باشد، روغن نهایی با ترکیب بهینه مورد نظر را بدست آوریم. در این پروژه تلاش شده است با استفاده از شبکه عصبی مصنوعی مدلی جهت تخمین ترکیب درصد روغنهاي پایه با استفاده از خصوصیات مخلوط آنها، ارائه گردد.
-2 دادههاي تجربی و آنالیز آماري
دادههاي مورد استفاده در این پروژه 500 سري میباشد. دادههاي مورد استفاده در این مدلسازي شامل ویسکوزیته، دانسیته جرمی و ظرفیت گرمایی به عنوان وروديهاي شبکه و خروجی شبکه ترکیب درصد روغنهاي پایه استفاده شده میباشد.
انجام مدلسازي با استفاده از شبکه عصبی نیازمند یک مرحله پیش فرآیند دادهها میباشد. این مرحله براي رسیدن به مدل موفق ضروري است. هر چقدر روشهاي مدلسازي شبکه عصبی قدرتمند باشند باز هم از این قاعده مربوط به مدلهاي جعبه سیاه که لورودي نامناسب خروجی نامناسب ایجاد مینمایدل پیروي میکنند. ابتدا باید دادههاي مربوط به نقاط خارج از محدوده تعیین و حذف گردند تا از دادههایی که ناشی از خطاي اندازهگیري یا اشکالات عملیاتی میباشند اجتناب نمود
-1-2 تشخیص و حذف نقاط خارج از محدوده
تشخیص نقاط خارج از محدوده از جمله مهمترین کارهاي لازم در آنالیز آماري دادهها میباشد. نقاط خارج از محدوده نقاطی هستند که در محدوده دورتري نسبت به اکثریت دادهها قرار دارند. روشهاي متفاوتی براي این کار وجود دارد که بر مبناي تخمین موقعیت و پراکندگی دادهها استوار است. سادهترین روش براي تشخیص این نقاط ترسیم دادهها بر حسب مشاهدات در یک نمودار و مشخص کردن میانگین و حدود بالا و پایین میباشد. نقاطی که خارج از محدوده ي مورد نظر باشند نقاط خارج از محدوده نامیده میشوند
-2-2 نرمالیزه کردن دادهها
در این مرحله باید دادهها را براي ورود به شبکه و انجام فرآیند آموزش آماده نمود. به عبارتی باید وروديها و خروجی شبکه را نرمال نمود تا همگی داراي اندازه بزرگی2 یکسانی گردند. اگر اندازه دادههاي ورودي و خروجی یکسان نباشد برخی متغیرها ممکن است اهمیت بیشتري ازآنچه دارند نشان دهند. بنابراین نرمالسازي یکی از مراحل کلیدي در مدلسازي با شبکه عصبی است. روشهاي مختلف براي نرمال سازي وجود دارد. در روش مورد استفاده در این پروژه دادهها بین صفر و یک نرمال شده اند
