در تمامی استانداردهای مربوط به طراحی و ساخت مخازن CNG ، ترکیب های پیشنهادی از انواع تمام فلزی (نوع اول) ، فلزی – کامپوزیتی (نوع دوم و سوم) و تمام کامپوزیتی (نوع چهارم) طبقه بندی شده است . امروزه آنچه به چالشی مهم در به کارگیری مخازن CNG در صنایع مختلفی چون صنایع خودروسازی و […]

2- امکان افزایش میزان حلالیت با تغییر در محدوده وسیعی از دما و فشار.3- خواص فیزیکی گاز گونه سیالات فوق بحرانی با توجه به اینکه که رفتار دانسیته در این سیالات مشابه مایعات است.4- امکان استفاده از حلال های غیررسمی که پساب سمی تولید نمی کنندو6- امکان انجام عملیات در دماهای نسبتا پایین برای موادی […]

فصل 2- مرور بر منابع   5 2-1- معرفی چدن های سفید مقاوم به سایش (چدن نایهارد) 5 2-2- تاریخچه.. 6 2-3- کاربرد چدن‌های نایهارد.. 7 2-4- چدن‌های نایهارد و استانداردهای آن… 9 2-4-1- ترکیب شیمیایی و ریزساختار.. 9 2-4-2- چدن نایهارد 1 و2.. 10 2-4-3- چدن نایهارد 4.. 12 2-5- تاثیر عناصر آلیاژی… 14 2-5-1- […]

ایجاد ارتباط بین خواص ریز ساختاری و خواص مکانیکی نمونه های عملیات حرارتی شده و چگونگی تاثیر این خواص بر یکدیگر. بدست آوردن محدوده دمایی و زمانی بهینه عملیات حرارتی برای رسیدن به خواص مطلوب ریز ساختاری و مکانیکی آلیاژ نیکل تیتانیم غنی از نیکل. شرح کامل روش تهیه نمونه ها، روش انجام عملیات حرارتی […]

فشار بخار یک خاصیت ترمودینامیکی مهم در طراحی تجهیزات فرایندی و عملیات واحد مهندسی شیمی است. از این رو،داده های فشاربخار تجربی که تمام محدوده فشار بخار را پوشش دهند خیلی ارزشمند هستند اما به دلیل فقدان اندازه گیری های دقیق برای فشاربخار برخی از مواد در نزدیکی نقطه سه گانه و بحرانی، معادله هایی که قادر به پیش بینی فشاربخار در چنین شرایطی باشند بسیار حائز اهمیت می باشنداما به دلیل شرایط ومحدودیت های موجود در بسیاری از روابط موجود، استفاده از روش های جدیدی كه به دور از این محدودیت ها باشند ،توصیه می گردد.یکی از روش های عددی که در سالهای اخیر جایگاه خاصی در محاسبات مهندسی شیمی پیدا کرده است، روش محاسبه بر اساس شبکه های عصبی می باشد.در این پژوهش، با استفاده از روش شبکه های عصبی مصنوعی، مدلی برای پیش بینی فشار بخار مواد مختلف ارائه شد.در کارحاضر،از 4 گروه از مواد شامل هیدروکربن های آروماتیکی،آلکان ها و آلکن ها، الکل ها و آلکیل سیکلوهگزان ها استفاده شد.مناسب ترین نوع شبکه عصبی مصنوعی برای پیش بینی فشاربخار این مواد، یک شبکه سه لایه پیشخور با الگوریتم پس انتشارخطا می باشد كه در آن از تابع انتقال تانژانت سیگموئید در لایه پنهان و تابع انتقال خطی در لایه خروجی بهره گرفته شده است . پارامترهای ورودی شبکه عبارتند از: دما، دمای بحرانی، فشاربحرانی و ضریب بی مركزی. داده های مورد نیاز جهت آموزش وتست شبکه از مقادیرمعتبر آزمایشگاهی گردآوری شدند.میزان خطای روش شبکه عصبی با مقادیر خطای حاصل از روش ها ی مختلف تخمین فشاربخار مقایسه شد. نتایج شبیه سازی نشان می دهند كه روش شبکه عصبی توانسته پیش بینی دقیقی از فشاربخار مواد ارائه دهد و از دقت بالاتری نسبت به سایر روش ها برخوردار است.