پروژه مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی. doc
نوع فایل: word
قابل ویرایش 150 صفحه
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 مصنوعیاز نوع پرسپترون‌های چندلایهبرای 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 سرپرستمی‌باشد؛ 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 زمانبه 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.
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 خروجیاست.
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.
فهرست مطالب:
چکیده
فصل اوّل
مقدمه
مقدمه
فصل دوم
مقدمه‌ای بر مقایسه‌ی شبکه‌های عصبی بیولوژیکی و مصنوعی و شیوه‌های یادگیری در آنها
انسان و کامپیوتر
ساختار مغز
1-2-2 یادگیری در سیستم‌های بیولوژیک
دندریت نرون دیگر را تحریک می‌کنند.
سازمان مغز
یادگیری در ماشین‌ها
4-2 تفاوت‌ها
چکیده نکات مهم فصل دوم
فصل سوم
بازشناسی الگوها
بازشناسی الگوها
مقدمه
چشم‌انداز طرح شناسی
تعریف بازشناسی الگوها
بردارهای مشخصات و فضای مشخصات
توابع تشخیص‌دهنده یا ممیز
فنون طبقه‌بندی
1-6-3 روش طبقه‌بندی «نزدیکترین همسایه»
2-6-3 میزان‌های اندازه‌گیری فاصله
فاصله‌ی همینگ
فاصله‌ی اقلیدسی
7-3 دستگاه‌های طبقه‌بندی خطی
8-3 بازشناسی الگوها – خلاصه
چکیده نکات مهم فصل سوم
فصل چهارم
نرون پایه
1-4-مقدمه
2-4 مدل‌سازی نرون تنها
3-4 تابع آستانه
3-4 فراگیری در نرون‌های ساده
1-3-4 الگوریتم فراگیری پرسپترون
4-4 آدالاین
1-4-4 یادگیری و تعدیل وزنها در آدالاین
با احتساب مقدار 5/0 – برای تورش
2-4-4 قاعده دلتا برای ورودی‌ها و خروجی‌های دوقطبی
5-4 پرسپترون: یک رویکرد برداری
گروه را طبقه‌بندی می‌کند.
6-4 قاعده‌ی فراگیری پرسپترون: اثبات
تعاریف
مرحله‌ی جمع
مرحله‌ی شروع
مرحله‌ی آزمون
7-4 محدودیت‌های پرسپترون:
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
2-2-5 حل مشکل
شکل 2-5 دو راه ممکن برای توابع آستانه‌ای
3-5 مدل جدید
4-5 قاعده جدید فراگیری
1-4-5 ریاضیات
6-5 بررسی مجدد مساله یابی حذفی (XOR)
7-5 تجسم رفتار شبکه
8-5 پروسپترون چند لایه‌ای به عنوان دستگاه طبقه بندی
9-5 تعریف ورودی‌ها بر اساس نحوه چینش آرایه‌های ماتریس ورودی برای یک سیستم استاتیکی
10-5 تعریف ورودی‌ها بر اساس نحوه چینش آرایه‌های ماتریس ورودی برای یک سیستم دینامیکی
1-10-5) مدل سازی سیستم دینا میکی با استفاده از ورودی‌های سری (ماتریس سطری)
2-10-5 مدل سازی سیستم دینامیکی با استفاده از ورودی‌های موازی (ماتریس ستونی)
11-5 روش‌های مختلف آموزش شبکه‌ی عصبی مصنوعی براساس چگونگی ورود داده‌ها
آموزش تدریجی
آموزش یکباره
12-5 تعمیم‌دهی
13-5 تحمل نقص
14-5 مشکلات آموزش
کاهش ضریب بهره
افزایش تعداد گره‌های داخلی
افزایش اغتشاش
1-14-5 سایر مشکلات آموزش
15-5 کاربردها
1-15-5 شبکه‌ی گویا
2-15-5 فیلتر کردن اغتشاش ای – سی – جی (ECG)
3-15-5 کاربردهای مالی
4-15-5 بازشناسی الگوها
چکیده‌ی نکات مهم فصل پنجم
فصل ششم
بررسی ویژگی‌ها و مدل‌سازی رآکتور شیمیایی مورد
بحث در این پروژه:
1-6 اصول و فرضیات زمینه‌ای مربوط
1-1-6) پرسپترون‌های چندلایه
2-6- مدل هوشمند سیستم‌های دینامیکی (جمع‌آوری داده)
دینامیکی و مدل برگشتی آن که u و y به ترتیب ورودی و خروجی آن است.
3-6- آزمون صحت عملکرد مدل
4-6- کنترل غیر خطی پیش‌بین
5-6- ویژگی‌های رآکتور مورد مطالعه
6-6- مدل هوشمند رآکتور مورد مطالعه
7-6) نتایج شبیه‌سازی
فصل هفتم
نتیجه‌گیری
نتیجه گیری
پیوست‌ها
بخش اول
اثبات قانون دلتا
1- الف اثبات قانون دلتا برای آدلاین
1-ب- اثبات قانون دلتا برای پرسترون منفرد
بخش دوم:
2-ب- برنامه‌ی آموزش به شبکه:
3-ب- برنامه بررسی صحت عملکرد پاسخ‌های پیش‌بینی شده
مراجع
فهرست اشکال:
شکل 1-2 مشخصات اصلی یک نرون بیولوژیک
شکل 2-2 ورودی‌های نرون باید از آستانه معینی تجاوز کند تا نرون بتواند کنش کند.
شکل 3-2 ناقل شیمیایی آزاد شده از شکاف سیناپس می‌گذرد و دریافت‌کننده‌های
شکل 1-3 یک فضای مشخصات دوبعدی اقلیدسی
شکل 2-3 محدوده‌ی تصمیم یک طبقه‌بندی خطی.
شکل 3-3 طبقه‌بندی به وسیله مقایسه با «نزدیکترین همسایه»
شکل 4-3 اندازه‌گیری تا نزدیکترین همسایه گاه باعث خطا می‌شود.
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
شکل 1-4 مشخصات اصلی یک نرون بیولوژیک.
شکل 2-4 نمای مدل اصلی نرون.
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
شکل 8-4 آیا می‌توانیم Aها را از Bها تمیز دهیم؟
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
شکل 12-4 علامت منطقی یای حذفی.
شکل 13-4 مسأله‌ی یای حذفی XOR در فضای الگوها.
شکل 1-5
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
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.
شکل 9-5 تابع انرژی در یک بعد بر حسب تغییرات یکی از ضرایب وزنی برای یک الگوی ثابت.
شکل 11-5
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 پرسپترون و یک پرسپترون دیگر به وجود می‌آید
شکل 14-5) مثال‌هایی از ناحیه‌ی محدب باز و بسته
شکل 15-5) مثال‌هایی از ناحیه دلخواه که از ترکیب ناحیه‌های محدب ایجاد شده است.
شکل 16-5) توانایی پرسپترون‌ها را در تفکیک فضاهای دلخواه نشان می دهد.
شکل 17-5 نحوه تشکیل محدوده‌های فضا توسط تعداد مختلف لایه‌های پرسپترون.
شکل 18-5
شکل 19- 5) نمایش ورود داده‌ها به صورت سری در یک سیستم دینامیکی
شکل 21-5) چگونه می‌توان صدمه‌ی وارده به شبکه را به سرعت بهبود بخشید
شکل 22-5 ساختار شبکه‌ی گویای NETtalk.
شکل 1-6) نمونه ای از نرون عصبی
شکل 2-6) یک پرسپترون سه‌لایه
شکل 3-6) شکل شماتیک از یک سیستم تک‌ورودی – تک‌خروجی مرتبه‌ی اول از یک سیستم
شکل 4-6) پیش‌بینی مقادیر خروجی به‌وسیله‌ی چهار مدل سری شده
شکل 5-6) شکل شماتیک از رآکتور مورد مطالعه
شکل 6-6) رآکتور شیمیایی به‌عنوان یک سیستم چندورودی – چندخروجی
شکل 7-6) مدل دینامیکی رآکتور شیمیایی، وقتی که نرخ وزنی یکی از جریان‌های ورودی ثابت فرض شود.
شکل 8-6) مدل دینامیکی ناکامل برای یک رآکتور، که میزان ارتفاع مایع درون آن، به‌عنوان خروجی در نظر گرفته نشده است.
شکل 9-6) شکل شماتیک از مدل کامل شبکه‌ی عصبی مصنوعی از یک رآکتور شیمیایی
شکل 10-6) نمودار بدست آمده از اولین سری از داده‌های مورد آزمون، برای دو حالت واقعی و تخمینی
شکل 11-6) نتایج کاذب و نامطمئن شبیه‌سازی با استفاده از مدل ناکامل
فهرست جداول:
جدول 1-4) جدول ارزش گزاره برای تابع AND با ورودی‌های 0 و 1
جدول 3-4) جدول ارزش گزاره مربوط به تابع
جدول 4-4) جدول ارزش گزاره‌ها برای تابع
جدول 5-4 ) جدول ارزش گزاره برای تابع
جدول 6-4) جدول ارزش گزاره برای ورودی‌های خروجی و مقدار net و تورش 5/0-
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)
جدول 10-4 جدول تابع یای حذفی.
جدول 1-6) دقت تخمین، برای مدل‌های مختلف آموزش
جدول 2-6) جدول پیش‌بینی کاذب از دقت مدل شبکه‌ی عصبی مصنوعی ناکامل
منابع و مأخذ:
Russell Beale, Tom Jackson, “Neural Computing: An Introduction”; CRC Press 1990; ISBN: 0852742622
Howard Demuth, Mark Beale, Martin Hagan “Neural Networks Toolbox 5, User's Guide”, The MathWorks, march 2007, Online. 6-3.
فیلیپ پیتکن؛ شبکه‌های عصبی (اصول و کارکردها)، ویرایش دوم؛ مترجم دکتر غضنفری، مهندس ارکات، انتشارات دانشگاه علم و صنعت. سال 1383، شابک: 4-468-454-964
L. McClelland & D.E.Rumelhart, “Parallel Distributed Processing”, Volumes 1, 2, and 3, 1989; ISBN: 0262631296.
Teuvo Kohonen, “An Introduction to Neural Computing”. In Neural Networks, Volume 1, number1, 1988. ISBN: 3540679219.
Donald Hebb & Lawrence Erlbaum; “Organization of Behaviour “Associates; 2002, ISBN: 0805843000.
Minsky & S. Papert. “Perceptrons “MIT Press 1969. ISBN: 1422333442.
Ali Ghaffari, Ali Reza Mehrabian, And Morteza Mohammad-Zaheri, “Identification and Control of Power Plant De-Super Heater Using Soft computing techniques,” Engineering Applications of artificial Intelligence, Special Issue in Applications of A.I. in Process Engineering, vol. 20, no. 2, March 2007, pp. 273-287.
ایلین ریچ، مترجم دکتر مهرداد فهیمی؛ «هوش مصنوعی» انتشارات جلوه؛ پاییز 1379؛ شابک:9-18-6618-964.
Omid Omidvar and Judith E. Dayhoff; Elservier; 1998, ISBN: 0125264208.
Morteza Mohammadzaheri and Lei chen, “Design of an Intelligent controller for a Model Helicopter Using Neuro-Predictive Method with Fuzzy Compensation”, World Congress of Engineering, London. 2~4 July 2007.
