تحقیق پیش بینی ظرفیت ذخیره سازی گاز در قالب های کاری مواد آلی فلزی

تحقیق پیش بینی ظرفیت ذخیره سازی گاز در قالب های کاری مواد آلی فلزی با استفاده از شبکه عصبی مصنوعی

دانلود تحقیق پیش بینی ظرفیت ذخیره سازی گاز در قالب های کاری مواد آلی فلزی با استفاده از شبکه عصبی مصنوعی

در قالب Word و در ۱۳ صفحه، قابل ویرایش، شامل:

چکیده

مقدمه

۲- مواد و روش‌ها

۲-۱- جاذب‌ها

۲-۲- مدل‌سازی شبکه‌های عصبی مصنوعی

شکل ۱- معماری شبکه‌ی عصبی مصنوعی چندلایه

۳- نتایج و بحث

۳-۱- داده‌های چارچوب آلی فلزی

جدول ۱- اطلاعات چارچوب‌های آلی فلزی مورد استفاده در شبکه عصبی مصنوعی

جدول ۲- مقایسه‌ی اجرای ساختارهای مختلف شبکه عصبی مصنوعی ANN

۳-۲- مدل‌های ANN

جدول ۳- نتایج پیش‌بینی شده برای داده‌های آزموده شده‌ی مدل ANN16

شکل ۲- مقایسه عملکرد آموزش مدل ANN16

۴- نتیجه‌گیری

جدول ۴- پارامترهای شبکه‌ای مدل ANN16

جهت دانلود رایگان نسخه انگلیسی این مقاله، اینجا کلیک نمایید.

چکیده

در این مطالعه، شبکه عصبی مصنوعی برای پیش‌بینی ظرفیت جذب گاز هیدروژن در چارچوب کاری آلی فلزی طراحی شده است. سطح منطقه، آنتالپی جذب، دما و فشار به عنوان پارامترهای ورودی انتخاب شده‌اند. ظرفیت ذخیره‌سازی هیدروژن از MOFs با استفاده از این چهار پارامتر محاسبه شد. شبکه عصبی مصنوعی برای مدل فرآیند جذب مورد استفاده قرار گرفت. نتایج پیش‌بینی شده به شکل قابل توجهی با داده‌های تجربی موافق بودند.

مقدمه

طراحی و سنتز پلیمرهای هماهنگ با ساختارهای غیر معمول و خواصی که باعث بهره‌وری بیشتر می‌شود، نه تنها برای توپولوژی‌های مولکولی جذابشان، بلکه همچنین برای کاربردهای بالقوه به عنوان مواد کاربردی مورد استفاده قرار می‌گیرند. ساخت و ساز معماری مولکولی بستگی به ترکیبی از عوامل مختلف، مانند هندسه هماهنگی نمک فلز و لیگاند دارد.  چارچوب‌های آلی فلزی (MOFs) به عنوان یک گروه جدید از مواد متخلخل با پتانسیل بسیار عالی در ذخیره‌سازی گاز و جداسازی کاربردی آن به دلیل طیف وسیعی از اندازه منافذ، ویژگی‌های شیمیایی، خواص مکانیکی و حرارتی خوب، شناسایی شده‌اند. MOFs، همچنین به عنوان پلیمرهای هماهنگی شناخته شده‌اند. انواع خواص فیزیکی و شیمیایی MOFs، آن‌ها را در طیف گسترده‌ای از برنامه‌های کاربردی مانند ذخیره‌سازی گاز، جداسازی گاز، تحویل دارو، سنجش و به عنوان کاتالیزگر قرار می‌دهد.