مقاله ترجمه شده پیش بینی ظرفیت ذخیره سازی گاز در قالبهای کاری مواد آلی فلزی با استفاده از شبکه عصبی مصنوعی
قالب: WORD + متن اصلی Pdf
تعداد صفحات: 11
چکیده
در این مطالعه، شبکه عصبی مصنوعی برای پیش بینی 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 ذخیره سازی هیدروژن از MOFs با استفاده از این چهار پارامتر محاسبه شد. شبکه عصبی مصنوعی برای مدل فرآیند جذب مورد استفاده قرار گرفت. نتایج پیش بینی شده به شکل قابل توجهی با داده های تجربی موافق بودند.
مقدمه
طراحی و سنتز پلیمرهای هماهنگ با ساختارهای غیر معمول و خواصی که باعث بهرهوری بیشتر میشود، نه تنها برای توپولوژی های 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 ذخیره سازی گاز و جداسازی کاربردی آن به دلیل طیف وسیعی از اندازه منافذ، ویژگی های شیمیایی، خواص مکانیکی و حرارتی خوب، شناسایی شدهاند. MOFs، همچنین به عنوان پلیمرهای هماهنگی شناخته شدهاند. انواع خواص فیزیکی و شیمیایی MOFs، آن ها را در طیف گسترده ای از برنامههای کاربردی مانند ذخیره سازی گاز، جداسازی گاز، تحویل دارو، سنجش و به عنوان کاتالیزگر قرار میدهد.
شبکه عصبی مصنوعی (ANN) با استفاده از سلول های عصبی ریاضی به هم پیوسته برای ایجاد یک ساختار دارای مدل های سیستم های پیچیده، عمل می کند. در شبکه، تمام سلول های عصبی به یکدیگر متصل می شوند. سیگنال ورودی از طریق نورون، عبور می کند و سیگنال خروجی توسط وزن و تمایل مرتبط با قابلیت های اتصال، محاسبه می گردد. نوع قابل توجهی از ANN برای پیش بینی، بهینه سازی و طبقه بندی در زمینه های مختلف، از جمله اقتصاد، علوم کامپیوتر، شیمی و مهندسی شیمی و مهندسی منابع آب، مورد استفاده قرار می گیرد.