ورود کاربران دانشگاهی
ثبت نام(مطالعه آنلاین پایان نامه ها)
کاربر مهمان
سپندا
جمعه 10 فرودرین 1403
|
3.227.251.194
:Your IP
س
امانه
پ
ایان
ن
امه های
د
انشگاه
ا
صفهان (
سپندا
)
صفحه اول(جستجو)
مرور موضوعی
پرسش های متداول و راهنما
سامانه تطبیق پایان نامه با شیوه نامه
تماس با ما
(0)
عنوان :
تعیین تابع توزیع شعاعی (RDF) سیال لنارد- جونز در حالت خالص و مخلوط با استفاده از روش شبکه عصبی مصنوعی (ANN)
انتشارات :
دانشگاه اصفهان
سال :
1392
زبان :
Persian
شماره سند :
11282
موضوع :
شیمی گرایش شیمی فیزیک
پژوهشگر :
اعظم جوهریان
توصیفگر لاتین :
Radial distribution function , Artificial neural network , Lennard-Jones fluid , Molecular dynamics simulation , Mixture
توصیفگر فارسی :
تابع توزیع شعاعی ? شبیه سازی دینامیک مولکولی ? شبکه عصبی مصنوعی ? خواص ترمودینامیکی
دانشکده :
دانشکده شیمی، گروه شیمی فیزیک
مقطع :
کارشناسی ارشد
استاد راهنما :
مجید موسوی
استاد مشاور :
سال دفاع :
1392
شماره رکورد :
11282
شماره راهنما :
CHE2 473
فهرست :
فهرست مطالبعنوان صفحهفصل اول: معرفی تابع توزیع شعاعی1-1 تابع توزیع شعاعی 11-2 اثر چگالی روی RDF 21-2-1 جامدهای کریستالی 21-2-2 گازها در چگالی کم 21-2-3 مایعات 31-3 چگونگی محاسبه g(r) 41-4 سیالات لنارد-جونز (LJ) 51-4-1 قسمت¬های مختلف تابع انرژی پتانسیل لنارد- جونز 61-5 ویژگی¬های RDF 61-6 برخی از عبارات مربوط به RDF 71-6-1 عبارت گلدمن 81-6-2 عبارت متولی و منصوری(MM) 81-6-3 عبارت لی و همکاران 101-6-4 عبارت مرسلی و همکاران (MGMA) 101-6-5 عبارت بامداد و همکاران 111-7 محاسبه خواص به وسیله RDF 111-7-1 خواص ترمودینامیکی 111-7-2 خواص رئولوژیکی 121-7-2-1 گرانروی 121-7-2-1-1 تغییرات گرانروی 121-7-2-1-2 عوامل ایجاد گرانروی 131-8 سیال 131-8-1 انواع سیالات 131-8-2 قانون نیوتنی 131-9 ضریب برشی و ضریب کشسانی 141-10 هدف از این پژوهش 15فصل دوم: روش¬های شبیه¬سازی2-1 دلیل استفاده از مدل¬سازی کامپیوتری 162-1-1 مدل¬سازی و آزمایش 17عنوان صفحه2-2 شبیه¬سازی دینامیک مولکولی 172-2-1 تاریخچه 182-3 شبیه¬سازی¬های اتفاقی و جبری 182-3-1 روش اتفاقی یا روش مونت کارلو 192-3-2 روش مونت کارلو با تحمیل نیرو 192-3-3 دینامیک مولکولی 202-3-4 مقایسه بین روش مونت کارلو و روش دینامیک مولکولی 202-4 محاسبه خواص ترمودینامیکی با استفاده از شبیه¬سازی دینامیک مولکولی 212-4-1 توابع ترمودینامیکی ساده 212-4-1-1 تعیین میانگین¬های ترمودینامیکی با استفاده از دینامیک مولکولی 212-4-1-1-1 انرژی داخلی 212-4-1-1-2 فشار 222-4-1-1-3 میانگین مجذور نیرو 222-4-2 توابع ترمودینامیکی پاسخ 232-4-2-1 مقایسه بین دو روش 232-4-3 خواص وابسته به آنتروپی 232-4-4 خواص ساختاری استاتیکی 242-5 شبکه¬های عصبی 242-5-1 ساختار شبکه های عصبی 242-5-2 معرفی شبکه عصبی مصنوعی 252-6 مدل نورون با یک ورودی 262-6-1 توابع انتقال 272-6-2 معماری شبکه¬های عصبی 282-7 شبکه¬های چند لایه 282-7-1 پرسپترون چند لایه 292-7-2 انواع شیوه¬های آموزش 302-7-2-1 شیوه ترتیبی یا گام به گام 302-7-2-2 شیوه دسته¬ای 302-8 ساختمان داده¬های 302-8-1 شبیه¬سازی با ورودی¬های همزمان در یک شبکه ایستا 302-8-2 شبیه¬سازی با ورودی¬های ترتیبی در یک شبکه پویا 31عنوان صفحه2-9 شبکه¬های پس انتشار 312-9-1 معماری شبکه¬های پس انتشار 322-9-2 شبکه¬های پیش¬خور 332-9-2-1 ایجاد یک شبکه پیش¬خور 332-9-2-2 مقداردهی آغازین به وزن¬ها 332-9-2-3 شبیه¬سازی 342-10 دیگر روش¬های شبیه¬سازی سنتی 342-10-1 روش¬های مکانیک کوانتومی 342-10-2 شبیه¬سازی تصادفی 342-10-3 مونت کارلو 342-11 روش پژوهش 342-11-1 مرحله تولید داده¬های RDF 342-11-2 مرحله تولید داده¬های ورودی برای نرم¬افزار مطلب 362-11-2-1 سیال خالص 362-11-2-2 سیال مخلوط 362-11-3 مدل¬سازی شبکه عصبی مصنوعی 36فصل سوم: روش تحقیق و بحث و نتیجه¬گیری3-1 عملکرد و بهینه¬سازی شبکه عصبی مصنوعی 383-2 انتخاب بهترین شبکه 393-2-1 سیال خالص 393-2-2 سیال مخلوط 403-3 مقایسه داده¬های RDF حاصل از روش شبکه عصبی مصنوعی (ANN) با سایر مطالعات 413-3-1 مقایسه داده¬های RDF حاصل از روش (ANN) با شبیه¬سازی¬های ورلت 413-3-2 مقایسه داده¬های RDF حاصل از روش (ANN) با شبیه¬سازی¬های بامداد و همکاران 413-4 بررسی صحت نتایج حاصل از سیال مخلوط 413-4-1 مقایسه شبیه¬سازی دینامیک مولکولی این پژوهش برای سیال مخلوط با سایر مطالعات 413-4-2 بررسی کیفی تابع توزیع شعاعی برای سیال مخلوط 423-5 محاسبه خواص به وسیله تابع توزیع شعاعی 423-5-1 خواص ترمودینامیکی 423-5-1-1 مقایسه کلی فشار حاصل از ANN در چند دما و چگالی با سایر مطالعات 423-5-1-2 مقایسه فشار حاصل از شبکه عصبی مصنوعی و فشار حاصل از عبارات تحلیلی................. 43عنوان صفحه3-5-1-3 مقایسه انرژی داخلی حاصل از ANN و انرژی داخلی حاصل از عبارات تحلیلی 433-5-2 محاسبه خواص رئولوژیکی 433-6 نتیجه¬گیری 443-7 کارهای آینده 44پیوست 1 115پیوست 2 116پیوست 3 118پیوست 4 120پیوست 5 121منابع 122
چکیده :
چکیده تابع توزیع شعاعی(RDF) به عنوان یک فاکتور کلیدی در تئوری¬های مکانیک آماری برای سیالات خالص و مخلوط سیالات به کار می رود، تابع توزیع شعاعی دارای اهمیت زیادی است، زیرا علاوه بر اینکه اطلاعاتی درباره ساختار مایع فراهم می¬کند با فرض تقریب جمع¬پذیر جفت¬گونه (pair-wise additivity) برای انرژی پتانسیل، می¬توان کلیه توابع ترمودینامیکی سیستم¬های شامل مولکول¬هایی با تقارن کروی را بر حسب RDF یا g(T^*,?^*,r^*) نوشت. تابع توزیع شعاعی معمولا توسط شبیه¬سازی دینامیک مولکولی به صورت مقادیر جدول¬بندی شده در دماها و چگالی¬های خاص ارائه می¬شود. بیشتر تلاش¬ها در سال¬های گذشته برای ارائه عبارتی تحلیلی برای RDF سیالات لنارد-جونز انجام شده¬ است. در سال¬های اخیر، روش شبکه عصبی مصنوعی (ANN) به عنوان روشی ساده برای مدل¬سازی در علوم مختلف از جمله برای محاسبه خواص ترمودینامیکی سیستم¬های مختلف مورد استفاده قرار گرفته است. یک شبکه عصبی از تعداد زیادی عناصر محاسباتی که رشته عصبی (Neuron) نامیده می¬شوند تشکیل شده و چگونگی رفتار این سیستم یا شبکه بسته به الگوریتم آموزشی خواهد بود که برای آن تعریف می¬گردد و به این ترتیب با طراحی یک شبکه عصبی مناسب می¬توان به خروجی¬های معتبری دست یافت. در این پژوهش، ابتدا با استفاده از شبیه¬سازی دینامیک مولکولی و نرم افزار Moldy، داده¬های RDF مربوط به سیال لنارد-جونز را در محدوده وسیع دمایی و چگالی (5/1¬? T^* ? 5/0) و (1/1¬? ?^* ? 35/0) بدست آورده و سپس با استفاده از نرم افزار Matlab توانایی شبکه عصبی در مدل سازی داده¬های RDF را بررسی نموده و مناسب¬ترین شبکه که کمترین خطا را خواهد داشت را انتخاب می¬کنیم. بدین ترتیب میتوان با استفاده از شبکه انتخابی مقادیر تابع توزیع شعاعی را در هر دما، چگالی و فاصله بین مولکولی دلخواه محاسبه نمود. لازم به ذکر است در این تحقیق برای اولین بار از روش شبکه عصبی به عنوان یک روش جدید در مدل¬سازی داده¬های RDF استفاده شده است. در مورد سیالات خالص فاصله بین مولکولی، دما و چگالی به عنوان سه ورودی شبکه و g(r) به عنوان خروجی و در مورد مخلوط سیالات علاوه بر سه ورودی قبلی کسرمولی نیز به عنوان ورودی خواهد بود. با بدست آوردن یک مدل موفق و با کمترین میزان خطا، از RDF تولیدی توسط روش شبکه عصبی برای محاسبه خواص ترمودینامیکی نظیر فشار استفاده شد. کلید واژه¬ها: 1. تابع توزیع شعاعی 2. شبیه¬سازی دینامیک مولکولی 3. شبکه عصبی مصنوعی 4. خواص ترمودینامیکی
چکیده انگلیسی :
ABSTRACT In this work, two different artificial neural network (ANN) models have been used to obtain the radial distribution function (RDF) of the Lennard-Jones fluids and their mixture. A total of 20120 data points of g(r) for pure fluids and 17160 data points for binary mixtures at different temperatures and densities, obtained by molecular dynamics calculations, for the range of state variables of and ( and are reduced temperature and density, respectively) have been used to train, validate and test the models. The inter-particle distance, temperature, density and mole fraction (in the case of mixtures) have been used as input data and the RDF (or a set of partial RDFs in the case of mixtures) has been used as target data. The proposed networks reproduce the RDF data of pure fluids and the binary mixture fluids with an average root-mean-squared deviation (RMSD) of 0.0044 and 0.0163 for the range of state variables, respectively. This study shows that the proposed ANN models represent an excellent alternative to calculate the g(r) of the Lennard-Jones fluids and their mixture. A wide comparison between our results and those of obtained from some previous methods show that these models can provide a simple procedure for prediction the g(r) of the Lennard-Jones fluids and their mixture. The proposed model predicts the thermodynamic properties such as pressure for the Lennard-Jones fluids with an uncertainty that is comparable to that obtained directly from the molecular dynamics simulations and experiment. Keywords: Radial distribution function, Artificial neural network, Lennard-Jones fluid, Molecular dynamics simulation, Mixture.
کلید واژه ها :
تابع توزیع شعاعی ? شبیه سازی دینامیک مولکولی ? شبکه عصبی مصنوعی ? خواص ترمودینامیکی,Radial distribution function , Artificial neural network , Lennard-Jones fluid , Molecular dynamics simulation , Mixture
1392
0
صفحه اول :
University of Isfahan Department of Physical Chemistry Faculty Chemistry M.Sc. Thesis Determination of the radial distribution function of the Lennard-Jones fluid in both pure and mixture states using artificial neural network (ANN) method Supervisor: Dr. Majid Moosavi By: Azam Joharian February 2014
فصل اول :
1-15
فصل دوم :
16-37
فصل سوم :
38-125
فصل چهارم :
فصل پنجم :
فصل ششم :