دانلود تحقیق مهندسی مکانیک با موضوع مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی
نوع فایل : Word 
تعداد صفحات : 130
فهرست محتوا
پیشگفتار
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 از نوع پرسپترون‌های چندلایه 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 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 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:
در کنترل با پسخور ، 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 (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 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 یادگیری در انسان و ماشین نیز بررسی شده‌اند.
فصل سوم به معرفی مختصر فنون طرح شناسی می‌پردازد که بخش مهمی از علوم کامپیوتری است. بیشتر مطالب ریاضی در مبحث طرح شناسی همانند مطالب ریاضی بحث شده در مورد شبکه‌های عصبی است. طرح شناسی به‌عنوان یک موضوع پایه، به شناخت ما از نحوه‌ی عملکرد شبکه‌های عصبی کمک می‌کند.
فصل چهارم به معرفی نرون پایه بیولوژیکی و مقایسه‌ی ویژگی‌های آن با پرسپترون که نرون مدل سازی شده برای استفاده در شبکه‌های عصبی مصنوعی است، می‌پردازد؛ و در ادامه به الگوریتم فراگیری پرسپترون و محدودیت‌های آموزش سیستم، توسط تک‌پرسپترون می‌پردازد.
در فصل پنجم به بررسی ساختار مدل پرسپترون چند لایه پرداخته شده و توانایی آن در حل مسائل تفکیک پذیر غیر خطی تشریح شده است. در انتهای این فصل نیز به مواردی از کابرد شبکه‌های عصبی مصنوعی از نوع پرسپترون‌های چند لایه در شبکه‌های گویا، زمینه‌های پزشکی و سیستم‌های پیش‌بین مالی و اقتصادی، اشاره شده است.
در فصل ششم نیز به اصول زمینه‌ای، کاربرد تئوری‌های مطرح شده در فصول قبل و روابط مورد نیاز برای مدل‌سازی یک رآکتور شیمیایی به عنوان یک سیستم غیر خطی پرداخته شده است. در انتها نیز نتایج حاصل از این مدل‌سازی آورده شده است.
در نهایت فصل هفتم نیز شامل نتیجه‌گیری و پیشنهاداتی در جهت تداوم تحقیق و انجام مدل‌سازی‌های جدیدی از این دست است.
فصل دوم:
مقدمه‌ای بر مقایسه‌ی شبکه‌های عصبی بیولوژیکی و مصنوعی و شیوه‌های یادگیری در آنها
1-2 انسان و کامپیوتر:
2-2 ساختار مغز:
شکل 1-2 مشخصات اصلی یک نرون بیولوژیک
شکل 2-2 ورودی‌های نرون باید از آستانه معینی تجاوز کند تا نرون بتواند کنش کند.
1-2-2 یادگیری در سیستم‌های بیولوژیک:
شکل 3-2 ناقل شیمیایی آزاد شده از شکاف سیناپس می‌گذرد و دریافت‌کننده‌های دندریت نرون دیگر را تحریک می‌کنند.
2-2-2 سازمان مغز:
3-2 یادگیری در ماشین‌ها:
4-2 تفاوت‌ها:
چکیده نکات مهم فصل دوم:
فصل سوم:
بازشناسی الگوها
بازشناسی الگوها:
1-3 مقدمه:
طرح شناسی یا بازشناسی الگو در حال حاضر اغلب کاربردهای شبکه عصبی را به خود اختصاص داده است. طرح شناسی خود بخش عمده‌ای از علوم کامپیوتری است و کسانی که مایلند در زمینه‌ی شبکه‌های عصبی مطالعه کنند دیری نمی‌گذرد که به نحوی با مسائل طرح‌شناسی روبه‌رو می‌شوند. مطالبی که در این بخش مورد بحث قرار می‌گیرد، یعنی تعریف طرح‌شناسی و بررسی فنون جدید این رشته، به عنوان یک زمینه‌ی مطالعاتی، ضروری است. بیشتر مطالب ریاضی مبحث طرح‌شناسی مانند مطالب ریاضی شبکه‌های عصبی است و در واقع هر دو به موضوع واحدی می‌پردازند. در این فصل فنون طرح‌شناسی به‌طور بسیار مختصر معرفی می‌شوند و سعی می‌شود تمامی موضوعات پایه که به شناخت ما در زمینه‌ی شبکه‌های عصبی کمک می‌کند مورد بحث قرار گیرد.[1]
2-3 چشم‌انداز طرح شناسی:
3-3 تعریف بازشناسی الگوها:
4-3 بردارهای مشخصات و فضای مشخصات:
شکل 1-3 یک فضای مشخصات دوبعدی اقلیدسی
5-3 توابع تشخیص‌دهنده یا ممیز
شکل 2-3 محدوده‌ی تصمیم یک طبقه‌بندی خطی.
6-3 فنون طبقه‌بندی :
1-6-3 روش طبقه‌بندی «نزدیکترین همسایه» :
شکل 3-3 طبقه‌بندی به وسیله مقایسه با «نزدیکترین همسایه»
شکل 4-3 اندازه‌گیری تا نزدیکترین همسایه گاه باعث خطا می‌شود.
2-6-3 میزان‌های اندازه‌گیری فاصله
فاصله‌ی همینگ
فاصله‌ی اقلیدسی
شکل 5-3 فاصله اقلیدسی
7-3 دستگاه‌های طبقه‌بندی خطی :
شکل 6-3 جدا کردن طبقه‌ها توسط یک محدوده تصمیم خطی به اضافه شدن بردار وزنها توجه کنید.
شکل 7-3 طبقه‌بندی خطی جزء به جزء برای طبقه‌بندی طرح‌های جدایی‌پذیر غیرخطی
8-3 بازشناسی الگوها – خلاصه :
چکیده نکات مهم فصل سوم:
فصل چهارم:
نرون پایه
1-4- مقدمه:
در فصل 2 ساختار مغز را بررسی کردیم و دیدیم که مغز از مکانیزم بسیار پیشرفته‌ای برخوردار است که هنوز چندان شناخته نشده و توانایی انجام اعمال بسیار شگرف را دارد. همچنین دیدیم بسیاری از کارهایی که آرزود داریم کامپیوترها توانایی انجامشان را داشته باشند، توسط مغز انجام می‌شود. در واقع فلسفه‌ی اصلی محاسبات شبکه‌های عصبی این است که با مدل کردن ویژگی‌های عمده‌ی مغز و نحوه‌ی عملکرد آن بتوان کامپیوترهایی را ساخت که اکثر ویژگی‌های مفید مغز را از خود نشان دهند.
به پیچیدگی ساختار مغز اشاره کردیم و گفتیم که مغز را می‌توان به‌صورت مجموعه‌ی بسیار متصل و شبکه‌ای از عناصر پردازشی نسبتاً ساده در نظر گرفت. به‌مدلی نیاز داریم که بتواند ویژگی‌هایی مهم شبکه‌های عصبی را کسب کند؛ به این منظور که بتواند رفتار مشابهی را از خود بروز دهد. ولی اگر بخواهیم این مدل به اندازهی کافی برای فهمیدن و به‌کارگیری ساده باشد باید بسیاری از جزئیات را عمداً نادیده بگیریم. توجه به تعداد محدودی از ویژگی‌های مهم و نادیده گرفتن بقیه‌ی ویژگی‌ها از ضروریت‌های معمول مدل‌سازی است. هدف مدل‌سازی اصولاً ایجاد نمونه‌ی ساده‌تری از سیستم است که رفتار عمومی سیستم را حفظ کرده و به‌درک آسان‌تر آن، کمک کند.
2-4 مدل‌سازی نرون تنها:
شکل 1-4 مشخصات اصلی یک نرون بیولوژیک.
شکل 2-4 نمای مدل اصلی نرون.
3-4 تابع آستانه
شکل 4-4 جزئیات مدل نرون پایه.
شکل‌های 5-4 نمایش مدل نرون تک لایه با جزئیات ساختاری آن
شکل 6-4 نمایش مدل نرون تک‌لایه به صورت اختصاری
3-4 فراگیری در نرون‌های ساده:
شکل 8-4 آیا می‌توانیم Aها را از Bها تمیز دهیم؟
1-3-4 الگوریتم فراگیری پرسپترون:
الگوریتم فراگیری پرسپترون
4-4 آدالاین
1-4-4 یادگیری و تعدیل وزنها در آدالاین:
جدول 1-4) جدول ارزش گزاره برای تابع AND با ورودی‌های 0 و 1
جدول 2-4) مقادیر ورودی‌ها و مقدار محاسبه شده برای net و خروجی
جدول 3-4) جدول ارزش گزاره مربوط به تابع
جدول 4-4) جدول ارزش گزاره‌ها برای تابع
با احتساب مقدار 5/0 – برای تورش
جدول 5-4 ) جدول ارزش گزاره برای تابع
با به کارگیری ارقام دو قطبی
جدول 6-4) جدول ارزش گزاره برای ورودی‌های خروجی و مقدار net و تورش 5/0-
2-4-4 قاعده دلتا برای ورودی‌ها و خروجی‌های دوقطبی:
جدول 7-4) الگوی مرحله اول استفاده از مجموعه آموزش، برای تابع
جدول 8-4) الگوی مرحله دوم استفاده از مجموعه آموزش، برای تابع
جدول 9-4) الگوی مرحله‌ی نهایی استفاده از مجموعه آموزش برای تابع وقتی میزان تغییر تمامی وزنها برای مرحله بعد به صفر رسیده است
5-4 پرسپترون: یک رویکرد برداری:
شکل 9-4 دو مجموعه‌ی مجزا از الگوها در فضای دوبعدی.
شکل 10-4 رفتار بردار ضرایب وزنی در فضای الگوها.
شکل 11-4 تکامل خط تفکیک‌کننده از حالت تصادفی اولیه به خطی که به درستی دو گروه را طبقه‌بندی می‌کند.
6-4 قاعده‌ی فراگیری پرسپترون: اثبات:
تعاریف:
7-4 محدودیت‌های پرسپترون:
شکل 12-4 علامت منطقی یای حذفی.
جدول 10-4 جدول تابع یای حذفی.
شکل 13-4 مسأله‌ی یای حذفی XOR در فضای الگوها.
8-4 آیا این به معنای پایان راه است؟
1-8-4 نتیجه‌گیری:
چکیده نکات مهم فصل چهارم:
فصل پنجم:
پرسپترون چندلایه‌ای
1-5) مقدمه:
2-5 تغییر مدل پرسپترون:
1-2-5 رفع مشکل:
شکل 1-5 ترکیب پرسپترون‌ها می‌تواند مسئله‌ی XOR را حل کند. پرسپترون شماره‌ی 1 الگوی (1 , 0) پرسپترون شماره‌ی 2 الگوی (0 , 1) را شناسایی می‌کند و با ترکیب این دو پرسپترون، پرسپترون شماره‌ی 3 می‌تواند الگوی ورودی را به درستی تمیز دهد. ولی این پرسپترون‌ها را باید از قبل تنظیم کرد. آنها هرگز نمی‌توانند خود این راه طبقه‌بندی را فراگیرند.
2-2-5 حل مشکل:
شکل 2-5 دو راه ممکن برای توابع آستانه‌ای.
3-5 مدل جدید:
شکل 3-5 پروسپترون چند لایه‌ای.
شکل 4-5 ) نمایش مدل پرسپترون چند لایه همراه با جزئیات ساختاری آن
شکل 5-5) نمایش مدل پرسپترون چند لایه به صورت اختصاری
4-5 قاعده جدید فراگیری:
1-4-5 ریاضیات:
5-5 الگوریتم پرسپترون چند لایه‌ای:
الگوریتم آموزش پرسپترون چند لایه‌ای
6-5 بررسی مجدد مساله یابی حذفی (XOR):
شکل 6-5 یک راه برای مسئله XOR.
شکل 7-5 شبکه‌ای که مسئله XOR را بدون اتصال مستقیم گره‌های ورودی و خروجی حل می‌کند.
شکل 8-5 شبکه پایداری که نمی‌تواند مسئله XOR را حل کند.
7-5 تجسم رفتار شبکه :
شکل 9-5 تابع انرژی در یک بعد بر حسب تغییرات یکی از ضرایب وزنی برای یک الگوی ثابت.
شکل 10-5 تابع انرژی در بعد، به دره سمت راست توجه کنید، اگر از یک نقطه میانی در جلوی صفحه شروع کنید ممکن است بر حسب جهتی که هر بار انتخاب می‌کنید از دره سمت راست پایین رفته و به عمق دره برسید و یا مجدداً قله‌ای را دور زده و به نقطه دیگری منتهی شوید. ضمناً توجه کنید که دره سمت چپ چندین گودال دارد. این نقاط کمینه محلی ممکن است جواب مسئله را به خود جلب کرده و مانع از رسیدن به نقاط عمیق‌تر شوند.
شکل 11-5 این نمودار نشان می‌دهد که چگونه تغییر ضرایب وزنی در یک شبکه صفحه انرژی را تغییر می‌دهد. در این مثال تغییرات ضرایب وزنی از چپ به راست به نفع الگوی A است زیرا مقدار انرژی آن الگو را به ضرر الگوی B کاهش می‌دهد.
8-5 پروسپترون چند لایه‌ای به عنوان دستگاه طبقه بندی:
شکل 12-5) در پروسپترون می توانند ترکیب شوند و ورودی پروسپترون دیگر را فراهم کنند.
شکل 13-5) ترکیب پرسپترون ناحیه‌ی تصمیم از ترکیب دو پر-
مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی
