9984

مطالعه الگوريتم‌هاي يادگيري شبكه‌هاي عصبي مورد استفاده در فرآيندهاي مهندسي شيمي

1400

دكتر احد قائمي

حوزه مهندسي فرآيند با طيف وسيعي از مباحث مانند سيستم‌هاي مكانيكي، حرارتي، بيولوژيكي، الكتروشيميايي، شيميايي، همچنين فناوري نانو سروكار دارد. بنابراين، مدل‌سازي اصول اساسي فرآيند با چالش‌هاي فراواني مواجه مي‌شود. از طرفي مدل‌سازي اين فرآيندها براي طراحي، بهينه‌سازي، كنترل و تشخيص خطاي بعدي ضروري است. براي حل اين مشكلات، شبكه‌هاي عصبي مصنوعي به عنوان زيرشاخه‌اي از هوش مصنوعي پيشنهاد مي‌شوند. در اين مطالعه، به بررسي پركاربردترين الگوريتم‌هاي يادگيري شبكه عصبي به عنوان يكي از مهم‌ترين عوامل مؤثر بر يادگيري شبكه پرداخته شد. الگوريتم‌هاي يادگيري شبكه عصبي تنوع بسيار زيادي دارند. از طرفي، هيچ روش دقيقي براي انتخاب بهترين الگوريتم يادگيري براي شبكه‌ها موجود نيست. بنابراين شاخت دقيق نحوه عملكرد، مزايا و معايب اين الگوريتم‌ها در انتخاب درست آن‌ها اهميت دارد. نتايج اين مطالعه نشان داد كه در ميان شبكه‌هاي عصبي مصنوعي، MLP، RBF و LSSVM محبوب‌ترين انواع شبكه براي مدل‌سازي، پيش‌بيني، شبيه‌سازي، آناليز و بهينه‌سازي فرآيندهاي مختلف مهندسي شيمي هستند. يادگيري شبكه MLP، با الگوريتم‌هاي پس‌انتشار لونبرگ-ماركوارت، منظم‌سازي بيزي و گرايادن مقياس‌شده عموماً به نتايج بهتري منجر مي‌شود. براي يادگيري شبكه‌هاي عصبي RBF و LSSVM، الگوريتم‌هاي فرا ابتكاري نظير الگوريتم ژنتيك، ازدحام ذرات و رقابت استعماري بيشتر استفاده مي‌شوند. هم‌چنين، علاوه بر الگوريتم يادگيري، عوامل مختلفي نظير نوع شبكه، تعداد لايه‌ها، تعداد نورون‌ها در هر لايه، نوع تابع فعال‌سازي، نحوه پيش‌پردازش داده‌ها، انتخاب ويژگي‌ها و انتخاب ورودي و خروجي در ايجاد شبكه بهينه، كاهش هزينه محاسبات و افزايش دقت مدل نقش دارند.

10/11/2021 12:00:00 AM

72829

1400/08/16

Investigating on neural networks learning algorithms used in chemical engineering processes

هوش مصنوعي , شبكه‌هاي عصبي مصنوعي , الگوريتم يادگيري , فرآيندهاي شيميايي , مهندسي شيمي

Artificial Intelligence , Artificial Neural Networks , Learning Algorithm , Chemical Processes , Chemical Engineering