مقاله کامل مدل سازي رآكتور شيميايي با شبكه‌هاي عصبي مصنوعي

دانشگاه آزاد اسلامي
واحد سمنان
«مدل سازي رآكتور شيميايي با شبكه‌هاي عصبي مصنوعي»
ارائه شده به گروه مهندسي مكانيك
جهت دريافت درجه كارشناسي
تحت نظر :
مهندس محمود براتي
مهندس مرتضي محمد ظاهري
توسط:
« فرهاد احدي كلو »
« آبان ماه سال يك هزار و سيصد و هشتاد و شش »
چكيده:
در اين پروژه، ورودي‌ها و خروجي‌هاي يك سيستم چند ورودي و چند خروجي غير خطي، براي ايجاد يك مدل ديناميكيِ هوشمند، استفاده شده است. بنابراين انتخاب شبكه‌هاي عصبي مصنوعي از نوع پرسپترون‌هاي چندلايه براي اين منظور مناسب است. در كنار اين نوع از مدل‌سازي، استفاده از يك شيوه‌ي مناسب براي كنترل پيشگويانه (پيش بينانه)ي مدل ياد شده، ضروري است.
مدل‌هاي برگشتي تصحيح شونده كه از قوانين تعديل ماتريس‌هاي وزني مسيرهاي ارتباطي بين نرون‌هاي مدل استفاده مي‌كنند، در اين پروژه به كار گرفته شده‌اند.
اين قوانين براي آموزش سيستم، جهت كنترل و دستيابي به خروجي مطلوب در زمان‌هاي بعدي به كار مي‌روند.
فراگيري در اين سيستم نيز از نوع فراگيري با سرپرست مي‌باشد؛ به اين صورت كه معادله‌ي ديفرانسيل ديناميكيِ سيستم در دسترس است و بنابراين مقادير مطلوب براي متغير هدف، كه سيستم بايد به آن برسد، براي زمان‌هاي آينده مشخص مي‌باشد و خروجي سيستم با استفاده از يك كنترل‌كننده‌ي پيش‌بين، همواره بايد به اين اهداف دست يابد. سيستم مورد مطالعه در اين پروژه، يك رآكتور شيميايي است كه براي اختلاط پيوسته‌ي مواد شيميايي واكنش دهنده با غلظت‌ها و مقادير تعريف شده و توليد يك ماده‌ي محصول با يك غلظت متغير با زمان به كار مي‌رود؛ كه ميزان مطلوب اين غلظت در يك زمان خاص، به‌عنوان هدف مطلوبي است كه سيستم بايد به آن دست يابد.
همچنين به‌جاي يك سيستم واقعي، از يك مدل نرم‌افزاري براي جمع‌آوري داده‌هاي ورودي و خروجي استفاده مي شود و در نهايت، نتايج اين مدل سازي موفقيت‌آميز، توانايي روش‌هاي مدل سازي هوشمند را همان‌گونه كه در اين تحقيق آمده است، اثبات مي‌كند.
كلمات كليدي: هوش مصنوعي، شبكه هاي عصبي مصنوعي، رآكتور شيميايي، كنترل پيش‌بين، نرون، پتانسيل فعاليت، پرسپترون چندلايه غير خطي، تورش، سيستم‌هاي غير خطي، بازشناسي الگو، دستگاه‌هاي طبقه‌بندي
خطي و غير خطي، قاعده‌ي پس انتشار خطا، تعديل ضرايب وزني، شبيه‌سازي، مدل ديناميكي كامل / ناكامل شبكه‌‌ي عصبي مصنوعي
KEY WORDS: Artificial Intelligence, Artificial Neural Networks, Chemical Reactor, Predictive Control, Neuron, Action potential, Nonlinear Multilayer perceptrons, Bias , Nonlinear systems, Pattern Recognition, linear and Nonlinear classifiers, Backpropagation Rule, Adjusting the Connection Weights, Simulation, complete / Incomplete Artificial Neural Network models.
فصل اوّل:
مقدمه
مقدمه:
در كنترل با پسخور، كه به عنوان معمول‌ترين نوع كنترل سيستم‌هاي ديناميكي مورد استفاده قرار مي‌گيرد، فرمان كنترل سيستم، با در نظر گرفتن ميزان خطاي محاسبه شده بين خروجي واقعي و مطلوب، صادر مي‌شود.
كنترل پيش‌بين نيز كه با استفاده از روش‌هاي هوش محاسباتي انجام مي‌شود، نوعي كنترل با پسخور است. در اين روش كنترلي، خطاي سيستم قبل از اينكه اتفاق بيفتد، پيش‌بيني شده و براي تعيين دستور كنترل خطا، پيش از آنكه خطايي اتفاق بيفتد، استفاده مي‌شود.
كنترل پيش بين در ابتدا به عنوان مدل كنترلي پيش بين كلاسيك كه به يك مدل خطي، از سيستم، در فضاي حالت نياز داشت، معرفي شد.
در هر حال طبيعت غيرخطي بسياري از سيستم‌ها، قابل صرف نظر كردن نيست؛ بنابراين مدل‌هاي خطيِ فضاي حالت نمي‌توانند به‌درستي، خواص غير خطي سيستم‌ها را ارائه دهند.
در چنين مواردي، تقريب كامل يا قسمتي از مدُل خطي ممكن است استفاده شود ولي در حالت كلي مدل‌هاي غير خطي براي پيش بينيِ خروجي سيستم‌هاي غير خطي براي اهداف كنترلي استفاده مي‌شوند.
برخي از روش‌هايي كه از اساس قواعد فيزيك استفاده مي‌كنند، وجود دارند كه مي‌توانند مُدل برخي از سيستم‌ها را به طور كامل، و يا تا اندازه‌‌ي قابل قبولي، توصيف كنند و ساختارهاي مدل را به‌وجود آورند.
شبكه‌هاي عصبي مصنوعي 2] و [11 و سيستم‌هاي منطق فازي (شبكه‌هاي نوروفازي) 8] [نيز مي‌توانند براي مدل كردن سيستم‌ها به كار روند كه به عنوان روش‌هاي مدل سازي هوشمند طبقه‌بندي مي‌شوند. اين گونه مدل‌ها بايد پس از طراحي مقدماتي، توسط داده‌هاي ورودي و خروجي آموزش ببينند.
سيگنال داده‌هاي ورودي و خروجي در آموزش سيستم، به‌صورت آرايه‌اي‌از اعداد استفاده مي‌شوند. آموزش سيستم به اين شيوه، براي بهبود عملكرد سيستم، به شدت وابسته به خروجي مُدل مي‌باشد.

فایل : 136 صفحه

فرمت : Word