یاری فایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

یاری فایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

تحقیق درباره شبیه سازی رآکتور سنتز متانول

اختصاصی از یاری فایل تحقیق درباره شبیه سازی رآکتور سنتز متانول دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 19

 

چند صفحه اول پایان نامه به همراه منابع و فهرست مطالب

عنوان پایان نامه: شبیه سازی رآکتور سنتز متانول

تاریخچه [1]

مصریان باستان جهت مومیایی کردن ازمخلوطی استفاده می کردند که شامل متانول نیزبود،که آنرا از پیرولیز چوب به دست آورده بودند با این وجود متانول خالص برای اولین بار توسط رابرت بویل در 1661 جدا سازی شد، که او آنرا Spirit of box نامید. زیرا در تهیه آن از چوب صندوق استفاده کرده بود که بعداً به Piroxilic Spirit معروف شد. در سال 1834 ، شیمیدانان فرانسوی آقایانJean -Baptiste وEugene Peligot عناصر تشکیل دهندة آنرا شناسایی کردند ،آنها همچنین لغت methylene را به شیمی آلی وارد کردند که واژه methu به معنای شراب واژه hyle به معنای چوب بود. سپس در سال 1840 واژه methyl از آن مشتق شد و جهت توصیف Methyl Alcohol استفاده شد. سپس این نام در سال 1892 به وسیله کنفرانس بین المللی نامگذاری مواد شیمیایی بهMethanol کوتاه شد.

در1923،دانشمند آلمانیMattias Pier که برای شرکتBASFکارمی کرد، طرحی را جهت تولید متانول از گاز سنتز (مخلوطی از اکسیدهای کربن و هیدروژن که از زغال به دست می آمد و در سنتز آمونیاک نیز کاربرد دارد ) ارائه کرد. که در آن از کاتالیست روی- کرم استفاده می شد و شرایط سختی از نظر فشاری (1000 الی300 اتمسفر) و دما (بالای ) داشت. تولید مدرن متانول هم اکنون توسط کاتالیست هایی که امکان استفاده از شرایط دمایی کمتر را دارند، ممکن است.

متانول ( متیل الکل ) به فرمول یک مایع شفاف سفید رنگ شبیه آب است که در دمای معمولی بوی ملایم دارد . از زمان کشف آن در اواخر قرن هفدهم تاکنون مصرف آن رشد رو به فزونی داشته به طوری که اکنون با تولید سالانة‌ تن متریک رتبه 21 را در بین محصولات شیمیایی صنعتی داراست متانول گاها با عنوان الکل چوب یا ( برخی مواقع Wood Spirite ) نیز خوانده می شود که دلیل آن به تقریبا یک قرن تولید تجاری آن از خرده چوب بر می گردد به هر حال متانولی که از چوب تهیه شده باشد مواد آلوده کنندة‌ بیشتری ( مانند استیلن ،‌ اسید استیک ، الکل الیل ) دارد تا الکلهای صنعتی امروزی .

برای سالهای متوالی مصرف کننده اصلی متانول تولیدی ، فرمالدئید با مصرف تقریبا نیمی از متانول تولید شده بود ولی در آینده از اهمیت آن کاسته می شود زیرا مصارف جدیدی از جمله تولید اسید استیک و MTBE (که جهت بهبود عدد اکتان بنزین به کار می رود ) در حال افزایش است . از طرفی استفاده از متانول به عنوان سوخت در شرایط ویژه قابل توجه خواهد بود .

1- 2- خصوصیات فیزیکی Physical properties [1]

خصوصیات فیزیکی متانول در جدول 1 داده شده است .

 

فشار بخار متانول از تا با معادله زیر داده می شود .

 

که درآن فشاربرحسب kpa ( معادل 7.5mmHg) ودما برحسب درجه کلوین است.

1-3- واکنشهای شیمیایی [1]

متانول معمولا در واکنشهایی شرکت می کند که از نظر شیمیایی در دسته واکنشهای الکلی قرار می گیرند از مواردی که از نظر صنعتی اهمیت ویژه أی دارد هیدروژن زدایی و هیدروژن زدایی اکسایشی متانول و تبدیل به فرم آلدئید برروی کاتالیست نقره یا مولیبدن – آهن و همچنین تبدیل متانول به اسید استیک بر روی کاتالیست کبالت یا روبیدیوم است .

از طرفی دی متیل اتر (DME) از حذف آب متانول توسط کاتالیست اسیدی قابل تولید است. واکنش ایزوبوتیلن با متانول که توسط کاتالیزور اسیدی انجام می شود و منجر به تولید متیل توشیو بوتیل اتر می شود ( که یک افزایندة‌ مهم عدد اکتان بنزین است ) کاربرد فزاینده أی دارد .

تولید متیل استرها با کاتالیزور اسیدی از اسیدهای کربوکسیلیک و متانول انجام می شود که در آن جهت کامل کردن واکنش از استخراجی آزئوتروپی آب استفاده می شود .

متیل هیدروژن سولفات ،‌ متیل نیترات و متیل هالیدها از واکنش متانول با اسیدهای غیر آلی مربوطه تولید می شوند .

مونو- ،‌ دی– و تری- متیل آمین از واکنش مستقیم آمونیاک با متانول به دست می آیند .

1-4- تولید صنعتی و فرآیند آن [1]

اولین و قدیمی ترین روش تولید عمده متانول تقطیر تخریبی چوب بود که از اواسط قرن نوزدهم تا اوایل قرن بیستم به صورت عملی انجام می شد و هم اکنون در ایالات متحده دیگر انجام نمی شود. این روش تولید با توسعه فرآیند سنتز متانول از هیدروژن و اکسیدهای کربن،‌ در دهه 1920 کنار گذاشته شد .

متانول همچنین به عنوان یکی از محصولات اکسیداسیون غیر کاتالیستی هیدروکربنها تولید می شد. تجربه أی که از سال 1973 کنار گذاشته شد .

متانول را همچنین می توان به عنوان یک محصول فرعی فرآیند Fisher-Tropsch به دست آورد تولید مدرن متانول در مقیاس صنعتی منحصراً بر پایه سنتز آن از مخلوط پر فشار هیدروژن ،‌ دی اکسید کربن و منوکسید کربن در حضور کاتالیست فلزی هتروژنی است .


دانلود با لینک مستقیم


تحقیق درباره شبیه سازی رآکتور سنتز متانول

مقاله در مورد مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی

اختصاصی از یاری فایل مقاله در مورد مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

مقاله در مورد مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی


مقاله در مورد مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه149

 

چکیده:

در این پروژه، ورودی‌ها و خروجی‌های یک سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یک مدل دینامیکیِ هوشمند، استفاده شده است. بنابراین انتخاب شبکه‌های عصبی مصنوعی[1] از نوع پرسپترون‌های چندلایه[2] برای این منظور مناسب است. در کنار این نوع از مدل‌سازی، استفاده از یک شیوه‌ی مناسب برای کنترل پیشگویانه (پیش بینانه)ی مدل یاد شده، ضروری است.

مدل‌های برگشتی تصحیح شونده که از قوانین تعدیل ماتریس‌های وزنی مسیرهای ارتباطی بین نرون‌های مدل استفاده می‌کنند، در این پروژه به کار گرفته شده‌اند.

این قوانین برای آموزش سیستم، جهت کنترل و دستیابی به خروجی مطلوب در زمان‌های بعدی به کار می‌روند.

فراگیری در این سیستم نیز از نوع فراگیری با سرپرست[3] می‌باشد؛ به این صورت که معادله‌ی دیفرانسیل دینامیکیِ سیستم در دسترس است و بنابراین مقادیر مطلوب برای متغیر هدف، که سیستم باید به آن برسد، برای زمان‌های آینده مشخص می‌باشد و خروجی سیستم با استفاده از یک کنترل‌کننده‌ی پیش‌بین، همواره باید به این اهداف دست یابد. سیستم مورد مطالعه در این پروژه، یک رآکتور شیمیایی است که برای اختلاط پیوسته‌ی مواد شیمیایی واکنش دهنده با غلظت‌ها و مقادیر تعریف شده و تولید یک ماده‌ی محصول با یک غلظت متغیر با زمان[4] به کار می‌رود؛ که میزان مطلوب این غلظت در یک زمان خاص، به‌عنوان هدف مطلوبی است که سیستم باید به آن دست یابد.

همچنین به‌جای یک سیستم واقعی، از یک مدل نرم‌افزاری برای جمع‌آوری داده‌های ورودی و خروجی استفاده می شود و در نهایت، نتایج این مدل سازی موفقیت‌آمیز، توانایی روش‌های مدل سازی هوشمند را همان‌گونه که در این تحقیق آمده است، اثبات می‌کند.

کلمات کلیدی: هوش مصنوعی، شبکه های عصبی مصنوعی، رآکتور شیمیایی، کنترل پیش‌بین، نرون، پتانسیل فعالیت، پرسپترون چندلایه غیر خطی، تورش، سیستم‌های غیر خطی، بازشناسی الگو، دستگاه‌های طبقه‌بندی خطی و غیر خطی، قاعده‌ی پس انتشار خطا، تعدیل ضرایب وزنی، شبیه‌سازی، مدل دینامیکی کامل / ناکامل شبکه‌‌ی عصبی مصنوعی

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 کنترل با پسخور[5]، که به عنوان معمول‌ترین نوع کنترل سیستم‌های دینامیکی مورد استفاده قرار می‌گیرد، فرمان کنترل سیستم، با در نظر گرفتن میزان خطای محاسبه شده بین خروجی واقعی و مطلوب، صادر می‌شود.

کنترل پیش‌بین نیز که با استفاده از روش‌های هوش محاسباتی انجام می‌شود، نوعی کنترل با پسخور است. در این روش کنترلی، خطای سیستم قبل از اینکه اتفاق بیفتد، پیش‌بینی شده و برای تعیین دستور کنترل خطا، پیش از آنکه خطایی اتفاق بیفتد، استفاده می‌شود.

کنترل پیش بین در ابتدا به عنوان مدل کنترلی پیش بین کلاسیک که به یک مدل خطی، از سیستم، در فضای حالت نیاز داشت، معرفی شد.

در هر حال طبیعت غیرخطی بسیاری از سیستم‌ها، قابل صرف نظر کردن نیست؛ بنابراین مدل‌های خطیِ فضای حالت نمی‌توانند به‌درستی، خواص غیر خطی سیستم‌ها را ارائه دهند.

در چنین مواردی، تقریب کامل یا قسمتی از مدُل خطی ممکن است استفاده شود ولی در حالت کلی مدل‌های غیر خطی برای پیش بینیِ خروجی سیستم‌های غیر خطی برای اهداف کنترلی استفاده می‌شوند.

برخی از روش‌هایی که از اساس قواعد فیزیک استفاده می‌کنند، وجود دارند که می‌توانند مُدل برخی از سیستم‌ها را به طور کامل، و یا تا اندازه‌‌ی قابل قبولی، توصیف کنند و ساختارهای مدل را به‌وجود آورند.

شبکه‌های عصبی مصنوعی 2] و [11 و سیستم‌های منطق فازی[6] (شبکه‌های نوروفازی) 8] [نیز می‌توانند برای مدل کردن سیستم‌ها به کار روند که به عنوان روش‌های مدل سازی هوشمند طبقه‌بندی می‌شوند. این گونه مدل‌ها باید پس از طراحی مقدماتی، توسط داده‌های ورودی و خروجی آموزش ببینند.

سیگنال داده‌های ورودی و خروجی در آموزش سیستم، به‌صورت آرایه‌ای‌از اعداد استفاده می‌شوند. آموزش سیستم به این شیوه، برای بهبود عملکرد سیستم، به شدت وابسته به خروجی مُدل می‌باشد.

در این پروژه، سیستم مورد مطالعه برای مُدل‌سازی هوشمند، یک رآکتور شیمیایی در نظر گرفته شده است که مدل نرم‌افزاری آن، در دسترس می‌باشد [2] و داده‌های ورودی و خروجی این سیستم، با داده‌های حاصل از آزمایش یک رآکتور واقعی، جایگزین می‌شود.

رآکتور شیمیایی مورد مطالعه، یک سیستم دینامیکی غیر خطی با چند ورودی و چند خروجی[7] است.

هدف این تحقیق، آشکار ساختن توانایی یک مدل هوشمند، برای مقاصد پیش‌بینی غیر خطی کمیت‌های سیستم دینامیکی و پیشنهاد راه‌کارهای مفیدی جهت کاربرد سیستم‌های هوشمند است.

در واقع روش‌ پیشنهادی می‌تواند در مواقعی که مدل ریاضی دقیقی از سیستم با استفاده از روش‌های مشخص و معمول (مانند معادله‌های موازنه جرم و انرژی) در دسترس نیست، و یا اینکه ساختار ریاضی و یا پارامترهای غیر قابل اندازه‌گیری و تأثیرگذار مدل به طور قابل توجهی نامشخص باشد (مانند ایجاد خوردگی در برخی نقاط خطوط انتقال یا بدنه سیستم) مورد استفاده قرار گیرد.

یکی از ویژگی‌های برجسته‌ی این مدل هوشمند در مقایسه با روش‌های مدل سازی کلاسیک، بی‌نیازی آن در اندازه‌گیری پارامترهای سیستم (مانند پارامترهای مربوط به انتقال جرم و حرارت) است.[8]

مرور اجمالی فصل‌های این پایان‌نامه به قرار زیر است:

فصل اول، مقدمه‌ای شامل شرح عنوان پایان‌نامه، روش تحقیق، و تشریح کامل صورت مسأله می‌باشد که از نظر گذشت. در فصل دوم مقایسه‌ای بین شبکه‌های عصبی طبیعی و مصنوعی و نحوه‌ی پردازش داده‌ها در آنها صورت گرفته است. همچنین شیوه‌های یادگیرi input multi output (MIMO).


دانلود با لینک مستقیم


مقاله در مورد مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی