بخشی از مقاله
خلاصه
یکی از مهمترین و بهترین وسیله برای فرآیند استریلیزاسیون، اتوکلاو بخار میباشد که بخصوص در مراکز دندانپزشکی به طور گستردهای مورد استفاده قرار میگیرد. به دلیل کاربرد وسیع اتوکلاو بخار مطالعه و بررسی پارامترهای مؤثر بر عملکرد آن امری ضروری است. از جمله پارامترهای تأثیرگذار در عملکرد اتوکلاو میتوان به دما، زمان و فشار سیستم اشاره نمود. از آنجایی که دمای استریلیزاسیون به دمای چمبر اتوکلاو برمیگردد و نه به دمای محیط کشت؛ زمان لازم برای رسیدن به این دما باید تا حد ممکن کوتاه باشد.
همچنین چرخه استریلیزاسیون باید متناسب با زمان نفوذ گرما در نظر گرفته شود و فشار موجود در اتوکلاو در چرخه استریلیزاسیون بسیار تأثیرگذار است. در همین راستا، در این مقاله تأثیر سه پارامتر دما، زمان و فشار را بر روی درصد استریلیزاسیون مورد شبیهسازی قرار گرفته است. دستگاه اتوکلاو مورد نظر با توجه به اهمیت موضوع از کلاس B انتخاب شده است و به منظور شبیهسازی از روش شبکه عصبی مصنوعی استفاده شده است.
شبکههای مختلف با لایههای پنهان و تعداد نرون در لایه پنهان متفاوت، ساخته شد و در نهایت شبکه ای با یک لایه پنهان و 10 نرون در لایه پنهان به عنوان شبکه بهینه مورد استفاده قرار گرفت. نتایج نشان داد که هرچه دمای اتوکلاو بیشتر و زمان فرآیند طولانیتر باشد میتوان به درصد استریلیزاسیون بهتری دست یافت. با افزایش بیست درجه دما، فرآیند استریلیزاسیون در مدت نصف زمان قبل کامل میشود.
.1 مقدمه
سترون کردن یا استریل کردن فرآیندی است که میکروارگانیسمها و عوامل انتقال دهنده آنها از جمله قارچ، باکتری، اسپور باکتری و ویروس را از سطح احسام از بین میبرد. فرآیند استریل کردن بسته به جنس تجهیزات نیازمند به استریلیزاسیون شامل روشهای گرمایی خشک - فوور - ، گرمایی مرطوب - اتوکلاو - ، شیمیایی، رادیواکتیو - پرتوگاما - و فیلتراسیون میشوند.[1]
استریل کنندههای بخار برای ایجاد گرمای مرطوب، از بخار تحت فشار استفاده میکنند و به وسیله آن میکروبهای زنده در تجهیزات پزشکی که به دما غیر حساس هستند، از میان میرود.[2] تجهیزات قابل استریل بیشتر شامل بستههای ابزار جراحی، ایمپلنتهای جراحی، مایعات ایریگیشن، تجهیزات مورد استفاده در اتاق ایزوله، تجهیزات زایمان و تجهیزات دندانپزشکی است.[3]
لذا بدیهی است با توجه به اهمیت استریل یکی از دغدغههای جامعه جهت جلوگیری از شیوع بیماری -هایی خطرناک همچون ایدز، هپاتیت و غیره استریل مناسب تجهیزات بخصوص در مراکز دندانپزشکی میباشد که اینکار غالباً به کمک اتوکلاوهای بخار انجام میشود. اتوکلاو دستگاهی است که برای استریل کردن مواد و تجهیزات در آزمایشگاه توسط فشار بالای بخار در دمای 90 درجه سانتیگراد به مدت 15 یا 20 دقیقه استفاده میگردد.
این زمان بستگیبه نوع ماده و محتوای اتوکلاو دارد. زمان نسبتاً طولانی برخی سیکلها، عدم تخلیه مناسب بخار و به طبع آن خشک نمودن تجهیزات پزشکی در برخی از انواع آن در کنار مشکلات دیگر و با توجه به اهمیت و سلامت جامعه خواستگاه اصلی طرح موضوع میباشد[4] رضوی و همکاران در سال 1388، به مطالعه و بررسی عملکرد دستگاههای سترون کننده موجود در بیمارستان وابسته به دانشگاه علوم پزشکی تهران با استفاده از پایش بیولوژیک پرداختند. در واقع آنها بر روی 135 دستگاه سترون کننده موجود در CSR تعداد 14 بیمارستان وابسته به علوم پزشکی تهران پرداختند.
در مطالعه آنها با استفاده از اسپور و ویالهای میکروبی و کشت آنها، عملکرد دستگاههای سترون کننده تعیین شد.[5] در این میان با توجه به نتایج کار رضوی و همکاران و همچنین نتایج یوسفی و همکاران در سال 1391، [6] میتوان گفت که دستگاه اتوکلاو ارزانتر و کاربردی تر میباشد، بنابراین بررسی ترمودینامیکی و بهینه سازی پارامترهای اتوکلاو بخار به منظور بهبود عملکرد آن امری ضروری میباشد. تاکاگی و همکاران فرآیند استریلیزاسیون در اتوکلاو بخار را به منظور یافتن شرایط بهینه فرآیند، شبیه سازی کردند.
آ نها از یک نرم افزار کنترلی استفاده نمودند. این نرم افزار کنترلی دادهها را از اتوکلاو گرفته و به کامپیوتر متصل به آن منتقل میکند و پروسه شبیه سازی را روی آنها انجام میدهد.[7] مدلسازی و شبیهسازی عددی فرآیندهای مختلف جایگاه ویژهای در علوم مهندسی دارد. روشهای عددی دارای محاسن و معایبی هستند، از جمله مزایای این روشها میتوان به بالا بودن سرعت محاسبات و قابل استفاده بودن برای سامانههای مختلف و از معایب آن وابستگی به دادههای تجربی اشاره نمود. یکی از روشهای عددی که در سالهای اخیر جایگاه خاصی در محاسبات مهندسی شیمی پیدا کرده است، شبکههای عصبی مصنوعی میباشد.
در این مقاله، با استفاده از روشهای مبتنی بر هوش مصنوعی به شبیهسازی پارامترهای مؤثر در اتوکلاو بخار پرداخته میشود. به منظور شبیه سازی فرآیند استریلیزاسیون در دستگاه اتوکلاو بخار تأثیر فشار گاز نیتروژن بر روی استریلیزاسیون پلاسما مورد نظر قرار گرفت. با استفاده از مراجع [8] و[9]، 120 مجموعه داده به دست آمد که از این مجموعه داده به عنوان ورودی شبکه عصبی MLP استفاده شده است.
.2 روش شناسی
-1-2 شبکه عصبی مصنوعی
شبکه عصبی مصنوعی نوعی شبیهسازی ساختار مغز انسان در قالب یک سیستم مصنوعی میباشد. یک شبکه عصبی بر خلاف کامپیوتر به مدلهای ریاضی محض نیازی ندارد، بلکه مانند انسان تجربه کسب کرده و نتیجه این تجربیات را تعمیم میدهد. شبکههای عصبی مصنوعی با الهام از ساختارهای شبکههای عصبی زیستی و ساز و کار آنها مطرح شدند.
دو توانایی مهم شبکههای عصبی، پاسخدهی سریع به مسائل و توانایی عمومیت دادن این جوابها به نمونههای مشاهده نشده در صورت پذیرفته شدن نتایج است. هر شبکه عصبی مصنوعی از تعدادی نرون و لایه تشکیل شده است.[10] نرون کوچکترین واحد پردازشگر اطلاعات است، که اساس عملکرد شبکههای عصبی را تشکیل میدهد. هر نرون دارای یک تابع فعالیت و پارامتر وزن میباشد. انواع مختلفی نظیر توابع تانژانت هیپربولیک، سیگموئید، خطی و گوسی وجود دارد. همه این توابع پیوسته و مشتقپذیر هستند. تابع فعالیت با توجه به نیاز مسئله تعیین میشود و میتواند خطی یا غیرخطی باشد.
از یک دیدگاه شبکههای عصبی را به دو ساختار شبکه عصبی پیش خور و شبکه عصبی پس خور تقسیمبندی میکنند. شبکههای عصبی برای حل هر مسئله سه مرحله آموزش ، صحتسنجی - اعتبار سنجی - و تست را انجام میدهند. هر شبکه از سه لایه ورودی، پنهان و خروجی تشکیل میشود. تعداد نرونهای لایههای ورودی و خروجی هر شبکه،غالباً توسط ماهیت خود مسئله تعیین میشوند.
ولی تعداد لایههای میانی و تعداد نرونهای موجود در هر لایه میانی را نمیتوان از روی اطلاعات مسئله تعیین نمود و هیچ قانون مشخصی برای محاسبه دقیق آنها وجود ندارد. کارایی فراوان شبکه عصبی مصنوعی را میتوان به دلیل قابلیت یادگیری از طریق تجربه، پردازش اطلاعات به صورت متن، قابلیت تعمیم پذیری، پردازش موازی و مقاوم بودن یا تحمل پذیری خطا دانست[10] و [11] یکی از مهمترین شبکههای عصبی مصنوعی، شبکه پرسپترون چند لایه - MLP - میباشد که جزء شبکههای عصبی پیشخور است. این شبکه قادر است با انتخاب مناسب تعداد لایهها و نرونها، یک نگاشت غیرخطی را با دقت دلخواه انجام دهند.
پارامترهای قابل تنظیم در این نوع شبکهها وزن اتصالات مابین لایهها است و فرآیند آموزش به معنی یافتن مقادیر مناسب وزنهای اتصالات مابین نرونها است. متداولترین الگوریتم یادگیری این شبکهی پیشخور، الگوریتم پس انتشار خطا می-باشد. روشهای بهینه سازی در شبکههای عصبی مصنوعی شامل دو گروه روشهای جستجوی مستقیم و مبتنی بر گرادیان میباشند.
از تلفیق تکنیکهای بهینه سازی مبتنی بر گرادیان با پس انتشار خطا، انواع مختلفی از الگوریتم پس انتشار خطا به دست میآید. این الگوریتمها میتواند برای آموزش شبکههای عصبی مصنوعی مورد استفاده قرار گیرند. جهت آموزش شبکه عصبی MLP از الگوریتمهای یادگیری متفاوتی مانند الگوریتم گرادیان توأم مزدوج، الگوریتم کاهش گرادیان، الگوریتم ارتجاعی، الگوریتم نیوتنی BFGS و الگوریتم لونبرگ - مارکوآرت استفاده میشود. انتخاب الگوریتم مناسب بر سرعت یادگیری و دقت شبکه تأثیر میگذارد.[12]
2-2 معیار ارزیابی شبکه
به منظور مقایسه شبکههای عصبی مصنوعی با یکدیگر و ارزیابی عملکرد آنها شاخصهای عملکردی مختلفی وجود دارد و از تحلیل خطاهای باقیمانده و اختلاف بین مقادیر اندازهگیری شده و پیشبینی شده استفاده میشود. در این مقاله برای ارزیابی عملکرد شبکه از تحلیل خطا استفاده شده است. آمارههای لازم برای این منظور شامل؛ توان دوم ضریب همبستگی* و ریشه میانگین دوم خطا - - RMSE - میباشد، تعریف ریاضی این آمارهها به صورت رابطه - 1 - تا - 3 - میباشد[13]
