تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله روش آموزش هیبریدی برای شبکه عصبی مصنوعی با الگوریتم ژنتیکی به منظور برآورد سرعت واکنش – نشریه الزویر

عنوان فارسی: روش آموزش هیبریدی برای شبکه های عصبی مصنوعی با استفاده از الگوریتم های ژنتیکی به منظور برآورد سرعت واکنش: نرم افزاری برای اکسایش متانول صنعتی به فرمالدئید بر روی کاتالیزور نقره
عنوان انگلیسی: Hybrid training approach for artificial neural networks using genetic algorithms for rate of reaction estimation: Application to industrial methanol oxidation to formaldehyde on silver catalyst
تعداد صفحات مقاله انگلیسی : 8 تعداد صفحات ترجمه فارسی : 16
سال انتشار : 2010 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 5228 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.62Mb
رشته های مرتبط با این مقاله: شیمی و مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: شیمی کاتالیست، هوش مصنوعی و شیمی تجزیه
مجله: مجله مهندسی شیمی
دانشگاه: دانشگاه ایالتی کمپیناس، دانشکده مهندسی شیمی، برزیل
کلمات کلیدی: فرمالدئید، نقره، شبکه های عصبی مصنوعی، الگوریتم ژنتیکی، هوش مصنوعی، اکسایش متانول، مدلسازی کینتیکی
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

2. شبیه ساز راکتور فرمالدئید

3. نتایج و بحث

3.1. ادبیات شبیه سازی داده ها

3.2 آموزش ANN با داده های صنعتی

4. نتیجه گیری

نمونه متن انگلیسی

abstract

A novel reactor simulator for the methanol oxidation to formaldehyde on silver catalyst was presented in this paper, including an original kinetic model based on artificial neural networks. The neural network training was performed using genetic algorithms associated with standard back-propagation, in order to improve the training efficacy, eliminating the effect of random initial weights estimates. Experimental data for training (rates of reaction) were obtained from process data (conversion and selectivity), using a back-calculation procedure through a simplified deterministic model implemented in the reactor simulator. Process data are widely available at industrial plants or literature and the proposed approach improves the response time to train the neural network in cases where rigorous kinetic experimental work cannot be conducted due to resource limitations. The simulator containing the trained artificial neural network was successfully validated with literature and industrial data, especially at industrial operating conditions, where available deterministic kinetic models for this system have failed. The simulator presented here, as well as the procedure to train the neural net consist in a powerful tool for plant process engineers to optimize the formaldehyde silver reactor in a timely and economical fashion.

نمونه متن ترجمه

چکیده

در این مقاله یک شبیه ساز جدید راکتور برای اکسایش متانول به فرمالدئید بر روی کاتالیزور نقره، ارائه شده است، که شامل مدلی کینتیکی اصلی براساس شبکه های عصبی مصنوعی است. آموزش شبکه عصبی با استفاده از الگوریتم ژنتیکی مرتبط با پس انتشار استاندارد، انجام شد که به منظور بهبود اثربخشی آموزش، حذف شدن اثر وزن اولیه تصادفی، برآورد می شود. داده های تجربی برای آموزش (سرعت های واکنش) از طریق پردازش داده ها (تبدیل و گزینش یا انتخاب پذیری) با استفاده از روش پس محاسبه ای، از طریق مدل قطعی ساده شده ای که در شبیه ساز راکتور اجرا شده است، بدست آمدند. پردازش داده ها بطور گسترده ای در کارخانه های صنعتی یا متون موجود است و روش پیشنهاد شده، پاسخ زمانی به آموزش شبکه عصبی را در مواردی که کار تجربی کینتیکی دقیق، نمی تواند با توجه به محدودیت های منابعی انجام شود، را بهبود می بخشد. شبیه ساز حاوی شبکه های عصبی مصنوعی آموزش دیده، بطور موفقیت آمیزی در متون و داده های صنعتی بخصوص در شرایط عملیاتی صنعتی، که مدل های کینتیکی قطعی موجود، برای این سیستم، ناموفق بوده اند، تائید شده است. شبیه ساز ارائه شده در اینجا، و همچنین روش آموزش شبکه عصبی، شامل ابزار قدرتمندی برای مهندسین پردازش کارخانه، به منظور بهینه سازی راکتور نقره فرمالدئید بموقع و دارای زمان مشخص و مقرون بصرفه می باشد.