پایان نامه مدل سازی خواص بحرانی مواد آلی

word 1 MB 31757 124
1393 کارشناسی ارشد مهندسی شیمی
قیمت قبل:۶۰,۷۰۰ تومان
قیمت با تخفیف: ۲۲,۱۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان نامه

    جهت اخذ درجه کارشناسی ارشد

    در رشته مهندسی شیمی

     

    چکیده

    مشخصات بحرانی برای مواد از قبیل دمای بحرانی، حجم بحرانی و فشار بحرانی مشخصات مهمی برای پیش گویی بسیاری از خواص ترمودینامیکی مواد مختلف هستند. در کلیه عملیات های تولید و فرآیند هیدروکربن ها دانستن خواص بحرانی نقش اساسی دارد. زیرا این عملیات ها در شرایط بسیار نزدیک به نواحی نقاط شبنم و حباب صورت می گیرد و اغلب با پدیده های هم دما یا هم فشار همراه است.

    تاکنون روش های مختلفی برای تخمین خواص بحرانی مواد آلی ارائه شده که اساس کار آنها با هم متفاوت می باشد.

    در این تحقیق با در دست داشتن 7000 مشخصه ی بحرانی مواد آلی، مدلهای نیمه تجربی جدید برای خواص بحرانی ارائه شده است. در ادامه، مدلهایی برگرفته از هوش مصنوعی یعنی شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی- فازی ارائه شده اند.

    در مدلهای نیمه تجربی ارائه شده با در دست داشتن نقطه جوش نرمال و جرم مولکولی ماده (ورودی های دمای بحرانی)، تعداد اتم و جرم مولکولی ماده (ورودی های حجم بحرانی) و دمای بحرانی و حجم بحرانی ماده (ورودی های فشار بحرانی)، می توانیم خواص بحرانی را تخمین بزنیم.

    مدلهای پیشنهادی در عین سادگی خطای کمی دارند. از دیگر مشخصات مدلها می توان به عمومیت معادلات و قابل دسترس بودن پارامترهای ورودی نیز اشاره کرد.

    در پایان تحقیق با مقایسه بین مدل های پیشنهادی و مدل های برگرفته از هوش مصنوعی و نیز 4 رابطه نیمه تجربی، مشخص می شود که مدلهای پیشنهادی دقت خوبی جهت تخمین خواص بحرانی مواد دارند.

    میانگین خطای نسبی مدل نهایی برای دمای بحرانی، حجم بحرانی و فشار بحرانی به ترتیب برابر با 86/3 ، 06/5 و 57/5 می باشد که حاکی از دقت کافی مدلها می باشد.

     

    کلمات کلیدی:

    خواص بحرانی، مدل های نیمه تجربی، شبکه عصبی مصنوعی

     

    فصل اول

    مشخصات بحرانی: مباحث تئوری

     - مقدمه

     

     

    پیش بینی درست خواص بحرانی در تعیین خواص فازی سیستم ها اهمیت زیادی دارد. حالت بحرانی تنها شرایطی است که فازهای مایع و بخار را شناسایی می کند و در تئوری و عمل به یک اندازه مهم می باشد. در کلیه عملیات تولید و فرآیند هیدروکربن ها دانستن شرایط بحرانی نقش اساسی دارد. زیرا این عملیات ها در شرایط بسیار نزدیک به نواحی نقاط شبنم و حباب صورت می گیرد و اغلب با پدیده های هم دما یا هم فشار عقب روی[1]همراه است]1[. پیش بینی خواص سیالات و طراحی محاسبات در این ناحیه بسیار مشکل است و دانستن نقطه بحرانی در حل این مشکل به ما کمک می کند.

    از دید تئوری، بسیاری از خواص ترمودینامیکی با استفاده از خواص بحرانی تعیین می گردند و از دید عملی بسیاری از روابط تجربی بر پایه این خواص سیستم های مورد مطالعه، بنا نهاده شده است.

    هر چند داشتن خواص بحرانی در تئوری و عمل بسیار مهم می باشد ولی تعیین این خواص از طریق آزمایش بسیار مشکل است و از لحاظ اقتصادی نیز روش آزمایشگاهی برای تعیین خواص بحرانی مناسب نمی باشد]2.[

    مشخصات بحرانی برای مواد خالص از قبیل فشار بحرانی، دمای بحرانی و حجم بحرانی مشخصات مهمی برای پیش گویی رفتار فازی مواد هستند. همچنین این مشخصات برای تخمین تعادل بین فاز گاز و مایعVLE)) به همراه معادله حالت اندازه گیری می شوند. به عنوان مثال این مشخصات برای صنعت گاز و نفت و پتروشیمی پارامترهای مهمی هستند و نیز برای توصیف فرایند اجزا نفتی تعریف نشده ضروری هستند.

    1-1-1- هدف از انجام تحقیق

    با توجه به اهمیت مشخصات بحرانی مواد خالص شامل دمای بحرانی، فشار بحرانی و حجم بحرانی در صنعت به ویژه در صنعت نفت و پتروشیمی و همچنین با توجه به این که اندازه گیری این پارامترها توسط آزمایشگاهی کاری دشوار و هزینه بر است، لذا بر آن شدیم تا مدل های مختلفی برای تخمین مشخصات بحرانی مواد خالص ارائه کنیم. همچنین با توجه به حجم کم کارهای پیشین در ارائه ی مدل های جامع، این تحقیق مدل سازی را براساس 7000 ماده آلی صورت داده است. در عین عمومیت داشتن مدل ها، مدل های موجود دارای سادگی و خطای ناچیزی می باشند.

    1-2- تاریخچه

    اولین روش های یافتن خواص بحرانی، تجربی بوده اند که در مورد سیستم های هیدروکربنی به کار می رفته است. میان این روش ها، کاتز[2] و کاراتا[3] در سال 1942 شناخته شده تر می-باشد]3.[ همچنین شرایط ریاضی نقطه بحرانی اولین بار توسط گیبس ارائه شد و بعدها در سال 1954 تصحیحاتی توسط دیفای[4] و پریگاگین[5] و در سال 1977 توسط رید[6] و بیگل[7] روی آن صورت گرفت]5-4.[

    مشخصات فیزیکی مواد خالص در طول سال های اخیر اندازه گیری شده اند. این مشخصات شامل چگالی ویژه، نقطه جوش نرمال، جرم مولکولی، مشخصات بحرانی و ضریب خارج از مرکزی می باشد.

    برای تخمین مشخصات بحرانی مواد که گروه ساده ی مولکولی دارند روش هایی مانند جوبک[8]، پیتزر[9]، لیدرسن[10]، فدورس[11]، کلینسویچ[12] و هالم[13] مهمترین روش ها هستند. از مزیت مهم ترین ویژگی این روش ها این است که بدون انجام منابع محاسباتی قابل توجهی می توان مشخصات بحرانی را تخمین زد. در میان روش های فوق روش جوبک آسان تر وخطای کمتری دارد]11-6.[

    بسیاری از خواص مواد خالص در طول سالیان متمادی، اندازه گیری و گرد آوری شده اند. این خواص، اطلاعات اساسی را برای مطالعه رفتار حجمی و تعیین خواص ترمودینامیکی مواد خالص و مخلوط هایشان فراهم می آورند. مهم ترین این خواص عبارتند از :

    فشار بحرانی، pc

    دمای بحرانی، Tc

    حجم بحرانی، Vc

    ضریب تراکم پذیری بحرانی، Zc

    ضریب خارج از مرکزی، ω

    وزن مولکولی، MW.

    معمولاً خواص مخلوط های هیدروکربنی، بیش از خواص مواد خالص مورد توجه مهندسین نفت می باشد. البته، این ثابت های ویژه مواد خالص، می توانند با متغیر های مستقل[14] مانند فشار، دما و ترکیب به کار روند تا خواص فیزیکی و رفتار فازی مخلوط ها را مشخص و تعریف نمایند[12].

     

     

    1- 3-روابط موجود در تخمین خواص بحرانی

    رابطه های زیادی جهت برآورد خواص بحرانی مواد خالص وجود دارند. اکثر این رابطه ها چگالی نسبی(γ) و دمای نقطه جوش (Tb) را به عنوان پارامتر های رابطه[15] به کار می برند. انتخاب مقادیر مناسب برای پارامترهای فوق، بسیار مهم است، زیرا تغییرات کوچک در این پارامترها، می توانند موجب انحراف قابل توجهی در نتایج مورد انتظار شوند. تعدادی از این رابطه ها در زیر ارائه می شوند:

    1-3-1- روابط کاوت[16]

    کاوت (1962) روابطی را برای تخمین فشار و دمای بحرانی مواد بیان کرد. این روابط مقبولیت وسیعی در صنعت نفت پیدا کرده اندکه دلیل آن قابلیت برون یابی در شرایطی که اطلاعات مورد استفاده، خارج از محدوده ی رابطه های دیگر است می باشد. رابطه پیشنهاد شده به صورت تحلیلی به عنوان توابعی از نقطه جوش نرمال و چگالی API بیان شده اند. کاوت برای تخمین دما،  فشار و حجم بحرانی مواد مدل های زیر را پیشنهاد کرد:

    Tc =  a0 + a1 Tb + a2 Tb2 + a3 (API)(Tb) + a4 (Tb)3 + a5 (API) (Tb) 2 + a6 (API)2   + (Tb)2

     

    Log(Pc) = b0 + b1 (Tb) + b2(Tb)2 + b3 (API) (Tb) + b4 (Tb)3 + b5 (API) (Tb)2 + b6 (API)2 (Tb) + b7 (API)2 (Tb)2

    Abstract

     

    Critical properties for the pure materials such as critical temperature, critical pressure and critical volume are important properties to predict many different thermodynamic properties. Also critical properties play an important roles unit operations and chemical engineering processes. Several methods have been proposed to estimate the critical properties of organic materials.

    In this study, new empirical correlations for predicting critical temperature, critical pressure and critical volume of organic components have been proposed using 7000 data points. Then, the models based on adaptive adaptive network-based fuzzy inference system and artificial neural networks are provided.

    The new proposed empirical models were derived using normal boiling point, molecular weight and the number of atoms.

    The new proposed empirical models predict properly critical temperature, critical pressure and critical volume of pure organic components with AARDs% of 3.86, 5.06 and 5.57 respectively in comparison of existing empirical model used in this study.

    Also the accuracy of the models based on artificial neural networks and adaptive network-based fuzzy inference system has been calculated. The results showed that the AARDs% of model based on artificial neural networks for predicting of critical temperature, critical pressure and critical volume of pure organic components calculated as 2.96, 4.83 and 4.29 respectively. Also the AARDs% of model based on adaptive network-based fuzzy inference system for predicting of critical temperature, critical pressure and critical volume of pure organic components calculated as 2.95, 5.15 and 4.65 respectively

     

    Keywords:

    Critical temperature, critical pressure, critical volume, artificial neural network, adaptive network-based fuzzy inference system.

  • 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


موضوع پایان نامه مدل سازی خواص بحرانی مواد آلی, نمونه پایان نامه مدل سازی خواص بحرانی مواد آلی, جستجوی پایان نامه مدل سازی خواص بحرانی مواد آلی, فایل Word پایان نامه مدل سازی خواص بحرانی مواد آلی, دانلود پایان نامه مدل سازی خواص بحرانی مواد آلی, فایل PDF پایان نامه مدل سازی خواص بحرانی مواد آلی, تحقیق در مورد پایان نامه مدل سازی خواص بحرانی مواد آلی, مقاله در مورد پایان نامه مدل سازی خواص بحرانی مواد آلی, پروژه در مورد پایان نامه مدل سازی خواص بحرانی مواد آلی, پروپوزال در مورد پایان نامه مدل سازی خواص بحرانی مواد آلی, تز دکترا در مورد پایان نامه مدل سازی خواص بحرانی مواد آلی, تحقیقات دانشجویی درباره پایان نامه مدل سازی خواص بحرانی مواد آلی, مقالات دانشجویی درباره پایان نامه مدل سازی خواص بحرانی مواد آلی, پروژه درباره پایان نامه مدل سازی خواص بحرانی مواد آلی, گزارش سمینار در مورد پایان نامه مدل سازی خواص بحرانی مواد آلی, پروژه دانشجویی در مورد پایان نامه مدل سازی خواص بحرانی مواد آلی, تحقیق دانش آموزی در مورد پایان نامه مدل سازی خواص بحرانی مواد آلی, مقاله دانش آموزی در مورد پایان نامه مدل سازی خواص بحرانی مواد آلی, رساله دکترا در مورد پایان نامه مدل سازی خواص بحرانی مواد آلی

پایان نامه مقطع کارشناسی ارشد رشته مهندسی شیمی 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 ...

پایان نامه مقطع کارشناسی ارشد رشته : مهندسی شیمی چکیده 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 ...

پایان نامه مقطع کارشناسی ارشد رشته مهندسی شیمی چکیده: هدف از انجام این پایان نامه مدل سازی ریاضی خشک کن دوار برای خشک کردن دی کلسیم فسفات است. در این پروژه با شرایط مختلف دما و تعداد دور مختلف خشک کن، میزان رطوبت محصول خروجی از خشک کن بررسی شده است. در نتیجه 100 داده از خروجی خشک کن دوار بدست آمده است که آنالیز های متعدی بر روی آنها انجام شده است.نسبت رطوبت در هر دور خشک کن در ...

پایان نامه­ی کارشناسی ارشد رشته­ی مکانیک گرایش طراحی کاربردی چکیده آلیاژهای حافظ ه­دار دسته­ای از مواد هوشمند با دو ویژگی منحصربه­فرد حافظه­داری و سوپرالاستیسیته می­باشند. این دو ویژگی ناشی از استحاله­های فازی تحت بارگذاری­های ترمودینامیکی مختلف است. بسته به این دو ویژگی ذکر شده، آلیاژهای حافظه­دار می­توانند در فرم­های مختلفی به عنوان عملگر مورد استفاده قرار می­گیرند. این ...

پایان نامه کارشناسی ارشد در رشته نانو مهندسی شیمی چکیده مدل سازی حذف یون کلرید از میعانات گازی با استفاده از نانوفیلتراسیون یون کلرید موجود در میعانات گازی می تواند باعث خوردگی شدید تجهیزات و لوله ها شود. بنابراین، حذف آن از جریان میعانات گازی ضروری است. هدف این کار مدل سازی ریاضی فرایند نانوفیلتراسیون برای جداسازی یون کلرید از میعانات گازی است. بدین منظور، مدل های بار فضایی، ...

پایان نامه مقطع کارشناسی ارشد رشته : مهندسی شیمی چکیده چای امروزه یکی از پرطرفدارترین نوشیدنی ها در بین مردم جهان به خصوص ایران است به همین دلیل خشک کردنبرگ چای برای نگهداری طولانی مدت از ملزومات می باشد. در این تحقیق هم یک برگ چای وهم توده ای از آن مورد بررسی و خشک شدن قرار گرفتند. برگ سبز چای درمحدوده دمایی 35تا55 درجه سلسیوس وسرعت های5/0و7/0متربرثانیه هوای ورودی وبازه ی زمانی ...

پایان نامه برای دریافت درجه کارشناسی ارشد "M . Sc . " رشته : مهندسی کشاورزی گرایش : سازه های آبی چکیده فرایند انتقال رسوب یک پدیده کاملا پیچیده، متغیر و غیر خطی می باشد. بطوریکه رفتاررودخانه درظرفیت انتقال رسوب به ازای یک دبی معین درزمان های مختلف متفاوت می باشد. بنابراین به علت پیچیده بودن مکانیزم انتقال رسوب وتعدد عوامل موثر بر آن، برآورد و پیش بینی ظرفیت حمل رسوبات و تعیین ...

براي دريافت درجه کارشناسي ارشد مهندسي پليمر- صنايع پليمر ارديبهشت 1393 چکيده  با پيشرفت دانش‌ها و علوم مختلف، مرزهاي دانش به‌هم رسيده و در برخي از زمينه‌ها ما شاهد آمي

پایان نامه کارشناسی ارشد در رشته مهندسی شیمی (گرایش مهندسی گاز) در سالهای اخیر، چاه­های افقی زیادی در اطراف جهان حفر شده­است. دلیل عمده­ی آن توانایی افزایش سطح مخزن در تماس با چاه است که باعث افزایش بهره بری از چاه می­شود. از چاه­آزمایی برای شناخت مدل­های مخازن هیدروکربوری و تشخیص پارامترهای مربوط به آن­ها استفاده می­شود. چاه­آزمایی بر مبنای ایجاد اختلال در جریان و ثبت فشار ته ...

کارشناسی ارشد شیمی (گرایش شیمی­- فیزیک) چکیده در کار حاضر، به مطالعه تئوری ساختار های پایدار، انرژی­ های پیوند و نحوه برهم­ کنش در کلاستر های H2SO4…HNO…(H2O)n (n = 0-2) در سطح محاسباتی MP2/aug-cc-pVDZ پرداخته شد. حضور یک و دو مولکول H2O، بر هم­ کنش میان دو مولکول HNO و H2SO4 را تقویت نموده و این نشان دهنده نقش مثبت مولکول H2O در گرفتن و به دام انداختن مولکول HNO توسط ذرات معلق ...

ثبت سفارش