فهرست:
عنوان صفحه
فصل اول: مباحث نظری و تئوری
1-1- مقدمه. 2
1-1-1- هدف از انجام تحقیق. 3
1-2- تاریخچه. 3
1-3- روابط موجود در تخمین خواص بحرانی. 5
1-3-1- رابطه های کاوت.. 5
1-3-2- رابطه های لی- کسلر 7
1-3-3- رابطه های وین- ثیم. 8
1-3-4- رابطه های تعمیم یافته ریاضی- دابرت.. 9
1-3-5- رابطه های تعمیم یافته لین- چاوو 11
1-3-6- رابطه های واتنسیری. 14
1-3-7- رابطه ارائه شده توسط پازوکی و همکارانش... 15
1-3-7-1- مقایسه بین مدل پازوکی با داده های تجربی. 16
1-3-8- مدل یاسر خلیل و همکارانش... 17
فصل دوم: روش های انجام تحقیق
2-1- مقدمه ای بر روش های انجام تحقیق. 20
2-2- شبکه عصبی مصنوعی. 20
2-2-1- سابقه تاریخی شبکه عصبی. 21
2-2-2- شبکه عصبی اشتراک به جلو 22
2-2-3- مزیت های شبکه های عصبی 23
2-2-4- انواع یادگیری برای شبکه های عصبی. 23
2-2-5- ساختار شبکههای عصبی. 25
2-2-6- تقسیم بندی شبکههای عصبی. 27
2-2-6-1- تقسیم بندی داده ها در شبکه عصبی مصنوعی. 28
2-2-7- کاربرد شبکههای عصبی. 29
2-2-7-1-کاربرد شبکه عصبی مصنوعی در این تحقیق. 30
2-2-8- معایب شبکههای عصبی. 31
2-3- سیستم استنتاج تطبیقی عصبی- فازی (انفیس) 31
2-3-1- دسته بندی قواعد انفیس... 32
2-3-1-1- مدل تاکاگی- سوگنو-کانگ.. 32
2-4- شاخص های ارزیابی مدل های بدست آمده 34
فصل سوم: بحث و نتیجه گیری
3-1-هدف تحقیق 36
3-2- مدل های نیمه تجربی ارائه شده 36
3-2-1- مدل ارائه شده برای دمای بحرانی. 37
3-2-2- مدل ارائه شده برای حجم بحرانی. 37
3-2-3- مدل ارائه شده برای فشار بحرانی. 38
3-3- مقایسه مدل های ارائه شده با داده های تجربی 38
3-3-1- مقایسه مدل ارائه شده برای دمای بحرانی با داده های تجربی 38
3-3-2- مقایسه مدل ارائه شده برای حجم بحرانی با داده های تجربی 39
3-3-3- مقایسه مدل ارائه شده برای فشار بحرانی با داده های تجربی 40
3-4- توزیع خطای نسبی مدل های ارائه شده 41
3-5- مدل های ارائه شده توسط شبکه عصبی مصنوعی 42
3-5-1- مدل ارائه شده توسط شبکه عصبی مصنوعی برای دمای بحرانی 42
3-5-1-1- مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای دمای بحرانی 46
3-5-2- مدل ارائه شده توسط شبکه عصبی مصنوعی برای حجم بحرانی 47
3-5-2-1-مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای حجم بحرانی 51
3-5-3- مدل ارائه شده توسط شبکه عصبی مصنوعی برای فشار بحرانی 52
3-5-3-1- مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای فشار بحرانی 56
3-6- مدل های ارائه شده توسط انفیس... 57
3-6-1- مدل ارائه شده توسط انفیس برای دمای بحرانی. 57
3-6-1-1- مقایسه مدل ارائه شده توسط انفیس باداده های تجربی برای دمای بحرانی. 59
3-6-2- مدل ارائه شده توسط انفیس برای حجم بحرانی. 59
3-6-2-1- مقایسه مدل ارائه شده توسط انفیس با داده های تجربی برای حجم بحرانی. 61
3-6-3- مدل ارائه شده توسط انفیس برای فشا ر بحرانی. 61
3-6-3-1- مقایسه مدل ارائه شده توسط انفیس باداده های تجربی برای فشار بحرانی. 63
3-7- مقایسه مدل های ارائه شده با مدل های دیگر 63
3-7-1- مقایسه مدل ارائه شده برای دمای بحرانی. 64
3-7-2- مقایسه مدل ارائه شده برای حجم بحرانی. 65
3-7-3- مقایسه مدل ارائه شده برای فشار بحرانی. 66
3-8- نتیجه گیری. 68
3-9- پیشنهادات.. 69
3-10- منابع. 70
جدول ضمیمه
منبع:
1. Danesh, A, PVT and Phase Behaviour of Petroleum Reservoir Fluids, Elsevier, (1998).
2. Firoozabadi, A, Thermodynamics of Hydrocarbon Reservoirs, Mc Graw-Hill, (1999).
3. Whitson, C.H, Critical Properties Estimation from an Equation of State, 12634 (1984).
4. Peng, D.Y. And Robinson, D.B, AICHE Journal, 2, 23(1977).
5. Walas, S.M, Phase Equilibria in Chemical Engineering, Butterworth Publishers, (1985).
6. Joback, K. G, SM Thesis in Chem. Engin, MIT, Cambridge, MA, 6(1984).
7. Pitzer, K. S., et al.,J.A.C.S., 77, 3433(1955).
8. Lyderson, A. L, Estimation of Critical Properties of Critical Properties of Organic Compounds, Univ. Wisconsin Coll. Eng, Madison, April (1955( 12-15.
9. Fedors, R. F., AIChE J., 25, 202(1979).
10. Klincewicz, K. M., R. C. Reid, AIChe J., 30, 137(1984).
11. Halm, R. L., L. I. Stiel, AIChE J., 16, 3(1970).
12. Ahmed, Tarek H, Hydrocarbon Phase Behavior, Gulf Publishing Company, 7,(1989) 36.
13. Cavett, R. H., Physical Data for Distillation Calculations-Vapor- Liquid Equilibrium, San Francisco, (1962) 351-366.
14. Kesler, M. G., and Lee. B. I., Improved Prediction of Enthalpy of Fractions Hydrocarbon Processing, (1976) 153-158.
15. Winn, F. W., Petroleum Refiner , 36, 2(1957) 157.
16. Riazi, M. R. and Daubert, T. E., Hydrocarbon Processing, (1980) 115-116.
17. Riazi, M. R. and Daubert, T. E., Ind. Eng. Chem. Res., 26, 2(1987) 755-759.
18. Lin, H. G and Chao, K. C., AIChE Journal, 30, 6(1984) 981-983.
19. Watansiri, S., Owens, V. H., and Starling, K. E., Ind. Eng. Chem.Process Des. Dev., 24(1985) 294-296.
20. Pazuki, G. R.; Mokhatab, S. and Jahanshahi, V.,Theo. Found. of Chem. Eng., 1, 39(2005) 78–80.
21. Ibrahim, Y. K. and Hashim, L.G., College Of Education, , 1(2010) 11-15.
22. Schmitz, J. E.; Zemp, R. J. and Mendes, M.,J. Fluid Phase Equilib, 245(2006) 83-87.
23. Marquardt, D. SIAM J, 11(1963) 431-441.
24. Wilamowski, B.; Iplikci, S.; Kayank, O. and Efe, M. O. An
Algorithm for Fast Convergence in Training Neural Networks, International Joint Conference on Neural Networks (IJCNN01), Washington D.C., (2001) 1778-1782.
25. Levenberg, K. A Method for the Solution of Certain Problems in Least Squares. Quart. Appl. Math., 2(1944) 164-168.
26. J.A. Anderson, A simple neural network generating an interactive memory, Mathematical Biosciences, 14 (1972) 197-220.
27. S. Wold, A. Ruhe, H. Wold, I. Dunn, SIAM Journal on Scientific and Statistical Computing, 5 (1984) 735-743.
28. F. Rosenblatt, Principles of neurodynamics: perceptrons and the theory of brain mechanisms, (1962).
29. J.J. Hopfield, Neural networks and physical systems with emergent collective computational abilities, (1988) 457-464.
30. H.B. Demuth, M.H. Beale, Neural Network Toolbox: For Use with MATLAB, Version 4, MathWork, (2001).
31. Chapoy, A.; Mohammadi, A. H. and Richon, D. Predicting the
Hydrate Stability Zones of Natural Gases Using Artificial Neural Networks. Oil & Gas Science and Technology , 15, 62(2007) 701-706.
32. Mohammadi, A. H. and Richon, D. Ind. Eng. Chem. Res. 45(2006), 8207-8212.
33. Mohammadi, A. H. and Richon, D., Ind. Eng. Chem. Res., 46(2007) 3852-3857.
34. Mohammadi, A. H.; Martı´nez-Lo´pez, J. F. and Richon, D. Fluid Phase Equilib., 253(2007), 36-41.
35. Mohammadi, A. H.; Martı´nez-Lo´pez, J. F. and Richon D. Fluid Phase Equilib. 253(2007) 165-170.
36. J. Taskinen, J. Yliruusi, Prediction of physicochemical properties based on neural network modelling, Adv. Drug Deliv. Rev. 55 (2003). 1163–1183.
37. M. Hagan, M.H.B. Demuth, M.H. Beale, Neural Network Design, International Thomson Publishing, (2002).
38. F. Gharagheizi, R.F. Alamdari, M.T. Angaji, A new neural network-group contributionmethod for estimation of flash point, Energy Fuels, 22 (2008) 1628–1635.
39. F. Gharagheizi, A new neural network quantitative structureproperty relationship for prediction of (Lower Critical Solution Temperature) of Polymer Solutions, e-Polymers 114, (2007).
40. Jang, Jyh-Shing R (1991). "Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm". Proceedings of the 9th National Conference on Artificial Intelligence, Anaheim, CA, USA, 14, 19(2006) 762–767.
41. Jang, J.-S.R., ANFIS: adaptive-network-based fuzzy inference syste, IEEE Transactions on Systems, Man and Cybernetics, 23, 3(1993).
42. Abraham, A., Adaptation of Fuzzy Inference System Using Neural Learning, in Nedjah, Nadia, (2005) 53–83.
43. Jang, Sun, Mizutani, Neuro-Fuzzy and Soft Computing – Prentice Hall, (1997) 335–368.
44. E.H. Mamdani, S. Assilian, An experiment in linquistic synthesis with a fuzzy logic controller, Internat. J. Man-Mach. Stud., 7(1975) 1–13.
45. Sugeno, M., Industrial applications of fuzzy control, Elsevier Science Pub. Co., (1985).
46. J. Jang, ANFIS: adaptive network-based fuzzy inference systems, IEEE Trans Syst. Man Cybern., 3, 23(1993) 665–685