نفت خام­، گاز طبیعی و آب موادی هستند که برای مهندسان نفت دارای اهمیت ویژه­ای هستند­. این مواد که در دما و فشار پایین گاهی به صورت جامد یا نیمه جامد­­ (مانند پارافین­، هیدرات­های گازی­، یخ و نفت خام با نقطه ریزش بالا) یافت می­شوند­­، در اعماق زمین ودر ستون چاه به حالت سیال­، به […]

که عملیات آتشباری نزدیک مناطق مسکونی باشد دارای اهمیت بیشتری است . همچنین لرزش ناشی از آتشباری برای دیواره های معدن بسیار مخرب است . با توجه به تعداد پارامتر های موثر در بروز این پدیده و پیچیدگی رابطه ی متقابل بین این عوامل ، روش های تجربی موجود به طور دقیق قادر به پیش […]

1-2-بیان مسأله اساسی پژوهش بسیاری از سیستم‌های حسابداری فعلی از نقش و اهمیت فزاینده حق مالکیت معنوی و دانش در سازمان‌‌های عصر نوین غافل بوده و از توان سنجش ارزش واقعی دارایی‌ها در محاسباتشان ناتوانند. به عبارت دیگر، صورت‌های مالی در تشریح ارزش واقعی شرکت‌ها از محدودیت‌های بسیاری برخوردار هستند. در جوامع دانش‌محور کنونی، بازده […]

در دنیای امروز، ما با سیستم های پیچیده ای[1] در پیرامون خود احاطه شده ایم، از جامعه که در آن میلیون ها عضو با یکدیگر در حال تعامل هستند تا شبکه های تلفن همراه و کامپیوتر که میلیون ها کاربر را به یکدیگر متصل می‌کنند. همچنین توانایی ما برای استنتاج و درک محیط اطراف، وابسته […]

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. کلمات کلیدی: فشار بخار، مدل سازی، پیش بینی خواص ترمودینامیکی، روش های هوشمند

    5-2-1- روش کار  …………………………………………………………………………………………………………………………………………… 60        5-2-1-1- پیش‌بینی UCS توسط MLP  ……………………………………………………………………………………………… 60         5-2-1-2- پیش‌بینی UCS  توسط MLP&GA  …………………………………………………………………………………. 635-3- انتخاب مته حفاری و بهبود نرخ نفوذ  …………………………………………………………………………………………………. 66     5-3-1- روش کار  ………………………………………………………………………………………………………………………………………… 67          5-3-1-1- پیش‌بینی مته حفاری  ……………………………………………………………………………………………………….. 67          5-3-1-2- پیش‌بینی نرخ نفوذ حفاری  …………………………………………………………………………………………….. 68          5-3-1-3- بهینه‌سازی نرخ نفوذ  ……………………………………………………………………………………………………….. 69      […]