جستجوی مقالات مرتبط با کلیدواژه « الگوریتم ژنتیک » در نشریات گروه « شیمی »
تکرار جستجوی کلیدواژه «الگوریتم ژنتیک» در نشریات گروه «علوم پایه»-
هدف این پژوهش، بهینه سازی فرایند کشت نیمه پیوسته سلول های هیبریدوما برای تولید بیش ترین آنتی بادی مونوکلونال به کمک الگوریتم ژنتیک در طول دوره ی کشت ده روز است. متغیرهای مستقل نرخ خوراک روزانه سوبسترات (گلوکز و گلوتامین) در دو حالت ثابت و متغیر و تابع هدف میزان تولید مونوکلونال آنتی بادی است. به منظور مدل سازی فرایند کشت نیمه پیوسته هیبریدوما از یک مدل سینتیکی هفت مرحله ای و برای حل دسته معادله های دیفرانسیل (معادله های حاکم) از روش رانگ گوتای مرتبه چهارم اصلاح یافته (Ode45) در محیط نرم افزار متلب استفاده شد. نتیجه های به دست آمده از پژوهش نشان می دهد میزان مونوکلونال آنتی بادی تولیدی در حالت نرخ خوراک ثابت و متغیر (دوره کشت ده روزه) به ترتیب 233 و 314 میلی گرم است به عبارتی بهینه سازی خوراک در حالت متغیر نسبت به حالت ثابت نرخ خوراک افزایش 34 درصدی در تولید فراورده را نشان می دهد. برای صحت سنجی مدل از نتیجه های تجربی به دست آمده از پژوهش های ترمبلی و همکاران و در پژوهش دیگر نوسط میگویل و همکاران استفاده شد. داده های به دست آمده نشان از تطابق خوبی (با اختلاف 4/1 درصد) با پژوهش ترمبلی و به نسبت مناسب با پژوهش میگویل (با اختلاف 2/13 %) دارد.کلید واژگان: کشت نیمه پیوسته, بهینه سازی, مونوکلونال آنتی بادی, الگوریتم ژنتیک}In this study, the optimization of a semi-continuous culture of hybridoma cells have been investigated to maximize the production of monoclonal antibodies by using a genetic algorithm. The culture time was ten days. The objective function was the monoclonal antibody production and the independent variables were daily feeding profiles of the substrate (glucose and glutamine). To achieve the optimal feeding strategy, a seventh-order kinetic model was used to model the hybridoma semi-continuous cultivation process. The governing differential equations have been solved using MATLAB software. The modeling results show that the optimal amount for monoclonal antibody production based on the uniform feeding profile of the substrate is 233 mg and based on the variable feeding profile of the substrate is 314 mg, which shows 34% improvement in monoclonal antibody production. In addition, the results of the model have a consistent agreement with the previous research by Trembli et al. and Miguel et al.Keywords: Semi-continuous culture, Optimization, monoclonal antibody, Genetic}
-
روغن موتور ها ویژگی های فیزیکی و شیمیایی بسیاری دارند که از آن ها می توان به گرانروی، شاخص گرانروی، نقطه ی اشتعال، نقطه ی ریزش و غیره اشاره کرد. گرانروی یکی از مهم ترین ویژگی های روغن بوده و عامل بسیار مهمی در روغن های صنعتی به حساب می آید، زیرا تمام ویژگی های طراحی شده برای روغن های صنعتی به گرانروی آن ها ارجاع داده می شود. تغییر گرانروی با دما با شاخص گرانروی اندازه گیری و بیان می شود و برای تشخیص نوع روغن، از این شاخص استفاده می شود. هر چه این شاخص گرانروی بزرگ تر باشد نشان دهنده این است که گرانروی روغن نسبت به تغییرهای دما تغییر کم تری دارد. درنتیجه با توجه به اهمیت این شاخص در روغن های روان کننده، و با توجه به این که شاخص گرانروی در روغن موتور ها تابعی از ترکیب شیمیایی روغن است، در این پژوهش، با استفاده از یک فناوری طیف سنجی ساده مثل فروسرخ تبدیل فوریه (FT-IR)، آنالیز روغن موتور ها صورت گرفت، سپس به وسیله ی روش انتخاب متغیر الگوریتم ژنتیک، GA، عدد موج های مهم و تاثیر گذار بر شاخص گرانروی روغن موتور ها مشخص شد و معلوم شد ترکیب های دارنده ی گروه های عاملی آلکیل هالید، آلکن، نیترو، اسید، آلکان، آلکین و الکل بر شاخص گرانروی روغن موتور ها تاثیر گذار هستند. مدل سازی شاخص گرانروی روغن موتور ها به کمک روش برازش خطی چند متغیره (MLR) صورت گرفت. از روش های پیش پردازش گوناگونی مانند روش متمرکز کردن به میانگین و مقیاس گذاری پیش از روش های MLR وGA-MLR نیز استفاده شد. نتیجه های به دست آمده از مدل سازی با پارامتر های گوناگونی مانند ضریب برازش (R2) و ریشه ی دوم متوسط خطا ها (RMSE) سنجیده شد. مقدارهایR2 و RMSE به دست آمده با استفاده ازGA-MLR، به ترتیب 998/0و 954 /0 به دست آمدند
کلید واژگان: روغن موتور, شاخص گرانروی, طیف سنجی فروسرخ تبدیل فوریه, الگوریتم ژنتیک, برازش خطی چند متغیره}Motor oils have different physicochemical properties, namely viscosity, viscosity index, flash point, pour point, etc. Viscosity is one of the important properties of motor oils since all the properties of industrial lubricants are referred to as their viscosities. The changes in viscosity with variation in temperature are regarded as the viscosity index. The greater the viscosity index, the lower the chances of the viscosity of motor oil with temperature and vice versa. According to the importance of viscosity index in lubricants and because the viscosity index of lubricants is dependent on the chemical composition of motor oils, thus in this study, a simple spectroscopic technique like Fourier Transform InfraRed (FT-IR) spectroscopy was used to analyze the Behran motor oils. The important wavenumbers that affect the viscosity indices were identified by using the Genetic Algorithm (GA) as a variable selection method. By using this method, some functional groups like Alkyl halides, Alkene, Nitro, Acid, Alkane, Alkyne, and Alcohol were recognized that affect the viscosity index of motor oils. Modeling the viscosity index of motor oils was done by Multivariate Linear Regression (MLR) method. Various data preprocessing techniques like Mean Centering and Auto-scaling were operated before the MLR and GA-MLR techniques. The results of modeling were evaluated by using different parameters like regression coefficients (R2) and Root Mean Square Error (RMSE). The values of R2 and RMSE, obtained by the GA-MLR were 0.998 and 0.954 respectively.
Keywords: Engine oils, Viscosity Index, FT-IR, Genetic algorithm (GA), Multivariate Linear Regression (MLR)} -
در این پژوهش دمای ذوب مایع های یونی بر پایه آنیون بیس (تری فلورومتیل سولفونیل) ایمید با استفاده از داده های تجربی 64 مایع یونی و رویکرد مطالعه ها ارتباط کمی ساختار ویژگی QSPR مدل سازی شد. ساختار مایع های یونی توسط برنامه آووگادرو ترسیم و شکل سه بعدی آن ها توسط میدان نیروی مولکولی مرک بهینه سازی شدند.با استفاده از نرم افزارهای درآگون و پدل توصیف کننده ها محاسبه شدند. پس از کاهش تعداد توصیف کننده هااز الگوریتم کنارد-استون برای تقسیم بندی مایع های یونی به دو دسته آموزشی و ارزیابی بهره گرفته شد. برای انتخاب بهترین دسته از توصیف کننده ها از الگوریتم ژنتیک با تابع برازش فریدمن استفاده شد.سپس با استفاده از روش انتخاب متغیر مرحله ای MLR تعداد بهینه متغیرها تعیین شدند و معادله خطی میان متغیرها به دست آورده شد. مدل های خطی و غیرخطی با استفاده از روش های برازش خطی چندگانه MLR و شبکه عصبی پرسپترون چند-لایه MLP ارایه شدند. مقدارهای ضریب تشخیص R2 و میانگین انحراف نسبی ARD به ترتیب برابر با 787/0 ، 043/0 برای مدل خطی و 785/0، 0428/0 برای مدل غیر خطی به دست آمد. بنابراین هر دو مدل از دقت یکسانی برخوردار بودند. دامنه کاربرد نیز برای مدل های ارایه شده تعیین شد. همچنین با استفاده از توصیف کننده های به دست آمده، تاثیر ساختار مولکولی در تعیین دمای ذوب بررسی شد.
کلید واژگان: مایع های یونی, الگوریتم ژنتیک, شبکه عصبی مصنوعی, دمای ذوب}In this study, the melting temperature of ionic liquids based on bis(trifluoromethylsulfonyl)imide anion using experimental data were modeled using the QSPR approach. The structures of ionic liquids were drawn by Avogadro software and their 3D structure were optimized by Merck molecular force field. Descriptors were calculated using Dragon and Padel software. After reducing the number of descriptors, the ionic liquids were divided into training and test set employing Kenard- Stone algorithm. For choosing the best set of descriptors, a genetic algorithm with Friedman's lack of fitness was used. Then, the numbers of optimized variables were determined by the multiple linear regression MLR method and the linear equation between variables was obtained. Linear and nonlinear models were built by means of Multiple Linear Regressions (MLR), MultiLayer Perceptron (MLP) neural networks, and using genetic algorithm. R2, AARD values were 0.787, 0.043 for linear model and 0.785, 0.0428, for nonlinear model. Both models showed the same accuracy. The applicability domain of the proposed models was also determined. Also using the obtained descriptors, the effect of molecular structure on the physical properties such as melting temperature was addressed.
Keywords: Ionic liquids, genetic algorithm, Artificial neural network, Melting point} -
همگام با گسترش فعالیت های صنعتی و ازدیاد جمعیت، ورود فلزات سنگین به محیط های آبی به مقدار زیادی افزایش یافته است، این آلاینده ها به دلیل سمیت و توانایی تجمع زیستی در جانداران می توانند منجر به تاثیرات نامطلوب زیادی گردند، باکتری ها از جمله میکروارگانیسم هایی هستند که به دلیل سازگاری با طبیعت و نسبت سطح به حجم بالا برای جذب یون های فلزی از محیط مناسب هستند. لذا در این تحقیق به مدل سازی حذف فلزات مس و منگنز با کمک شبکه عصبی مصنوعی است. شبکه عصبی مصنوعی (ANN)[1] ایده‌ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده است و مانند مغز به پردازش اطلاعات می‌پردازد. عنصر کلیدی این ایده ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده به هم پیوسته بنام نرون[2] تشکیل شده است که برای حل یک مساله بطور هماهنگ با یکدیگر عمل می‌کنند. شبکه‌های عصبی مصنوعی نظیر انسان با مثال یاد می‌گیرند. آنها برای وظیفه‌ای مشخص مانند شناسایی الگوها و دسته‌بندی اطلاعات در طول یک پروسه یادگیری تنظیم می‌شوند.
در این تحقیق مدلسازی جذب فلزات منگنز و مس توسط شبکه عصبی مصنوعی مورد بررسی قرار گرفت. ساختار انتخابی شبکه از نوع پرسپترون چند لایه با یک لایه ورودی، یک لایه پنهان و دو لایه خروجی و الگوریتم آموزش پس انتشار لونبرگ- مارکوارت بود. با بررسی توابع انتقال و تعداد نرون های مختلف، توابع بهینه برای لایه پنهان و لایه خروجی به ترتیب tansig و purelin و تعداد نرون های لایه پنهان برابر با 15 انتخاب گردید. ضریب همبستگی و میانگین مربع خطا برای آموزش شبکه مورد نظر به ترتیب 9733/0 و 00071/0 و برای ارزیابی دقت شبکه 9921/0 و 00025/0 به دست آمد که بیانگر تطابق خوب بین داده های آزمایشگاهی و نتایج پیش بینی شده و دقت بالای مدل سازی بود.کلید واژگان: مدلسازی, شبکه عصبی مصنوعی, الگوریتم ژنتیک, جذب زیستی, آلاینده ها} -
QSAR investigations of some platinum (IV) derivatives were conducted using multiple linear regression (MLR) and artificial neural network (ANN) as modelling tools, along with simulated annealing (SA) and genetic algorithm (GA) optimization algorithms. In addition, CORAL software was used to correlate the biological activity to the structural parameters of the drugs. The obtained results from different approaches were compared and GA-ANN combination showed the best performance according to its correlation coefficient (R2) and mean sum square errors (RMSE). From the GA-ANN method, it was revealed that MTAS8e, ESpm05d, BElv3, MWC09, ESpm14u, BEHe2, RDF125e, and S3K are the most important descriptors. From Monte Carlo simulations, it was found that the presence of double bond, present of Platinum, number of chlorine connected to Pt, branching in molecular skeleton and presence of N and O atoms are the most important molecular features affecting the biological activity of the drug. It was concluded that simultaneous utilization of QSAR and Monte Carlo method can lead to a more comprehensive understanding of the relation between physico-chemical, structural or theoretical molecular descriptors of drugs to their biological activities.
Keywords: Platinum (IV) Antitumor Drugs, QSAR, Genetic algorithm, Monte Carlo method} -
در علم مهندسی، واژه طراحی از دیدگاه افراد دارای تغریف های متفاوتی بوده و انتخاب ورودی های مناسب برای مدل در قسمت های گوناگون طراحی و مدل سازی فرایندهای شیمیایی دارای جایگاه ویژ ه ای می باشد. الگوریتم ژنتیک از جمله روش هایی است که به کارگیری آن در کنار یک شبیه ساز ابزاری قدرتمند در بهینه سازی فرایندها است. با توجه به گسترش فراوان این روش در سال های اخیر و نتیجه های چشمگیر آن در زمینه های گوناگون مهندسی شیمی، در این مقاله به چگونگی عملکرد روش یاد شده و کاربردهای آن در زمینه های گوناگون مرتبط با صنایع شیمیایی پرداخته می شود. در این مطالعه، میزان کارایی الگوریتم ژنتیک در بهینه سازی صنایع مرتبط با مهندسی شیمی مانند بهینه سازی راکتورهای همزن دار، طراحی کنترل کننده تجهیزات فرایندی، بهینه سازی پارامترهای فرایند غشایی، بهینه سازی سامانه های گرمایی و... بررسی شده است. نتیجه ها بیانگر قابلیت بالای الگوریتم ژنتیک در بهینه سازی فرایندهای مرتبط با صنایع مهندسی شیمی است.
کلید واژگان: مهندسی شیمی, الگوریتم ژنتیک, بهینه سازی, تابع هدف, ارزیابی}In engineering science, the word design from the perspective of people with different definitions and the selection of inputs for the model in different parts of the design and modeling of chemical processes have a special place. A genetic algorithm is one of the methods that it has been using with a simulator to turn it into a powerful tool for optimizing the target function. Due to the widespread of this method in recent years and its significant results in various fields of chemical engineering, in this article, the method of operation of this method and its applications in different fields are discussed in order to get more familiar. In this research, the efficiency of the genetic algorithm in the optimization of chemical engineering-related industries, such as the optimization of agitated reactors, the design of process control equipment, the membrane process parameters, and the optimization of thermal systems have been investigated. The results of this study showed the great ability of the genetic algorithm to optimize the processes associated with the chemical engineering industry.
Keywords: Chemical Engineering, genetic algorithm, Optimization, Objective function, Assessment} -
مطالعه ارتباط کمی ساختار فعالیت (QSAR) برای مدل سازی و پیش بینی فعالیت مهارکنندگی PIM،39 ترکیب از مشتق های تری آزولوپیریدین به کار گرفته شد. نخست پس از رسم و بهینه سازی ساختار ترکیب ها و محاسبه توصیف کننده ها، مجموعه داده ها به صورت تصادفی به دو مجموعه آموزش و آزمون تقسیم شد. در انتخاب مهم ترین توصیف کننده ها روش گام به گام (SW) و الگوریتم ژنتیک (GA) استفاده شد. سپس برای مدل سازی و پیش بینی فعالیت های ترکیب ها از روش برازش خطی چندگانه (MLR) استفاده شد. مقایسه مدل های SW-MLRو GA-MLR نشان داد که GA-MLR نسبت به SW-MLR نتیجه های بهتری به دست می دهد. سپس برای بررسی اعتبار مدل ها از روش های اعتبارسنجی تقاطعی (LOO) و (LGO)، Y- تصادفی و آزمون خارجی استفاده شد. این مطالعه نشان داد که مدل GA-MLR با پنج توصیف کننده می تواند برای پیش بینی فعالیت ترکیب های دارویی همانند به کار رود و همچنین از تحلیل توصیف کننده های مدل می توان در طراحی ترکیب های دارویی نوین استفاده کرد.کلید واژگان: ارتباط کمی ساختار فعالیت, الگوریتم ژنتیک, برازش خطی چندگانه, مهارکننده های PIM, مشتق های تری آزولوپیریدین}Quantitative Structure-Activity Relationship (QSAR) was developed for modeling and predicting of the PIM inhibitory activities a data set containing 39 structures of triazolopyridine derivatives with known biological activities. Segmentation the whole dataset into a training set and test set was performed randomly. StepWise (SW) and Genetic Algorithm (GA) techniques with Multiple Linear Regression (MLR) were used to select the most important descriptors and to create the best prediction model. Comparison of the results obtained for SW-MLR and GA-MLR models was showed that GA-MLR model is superior to the SW-MLR model. The robustness and the predictive ability of the final GA-MLR model validated by internal and external statistical validations including Leave-One-Out (LOO) cross-validation, Leave-Group-Out (LGO) cross-validation, Y-randomization and external test set. High agreement between experimental and predicted activity values indicated that GA-MLR model with five variables has good quality and it could be used in design novel compounds with higher PIM inhibitor activity.Keywords: QSAR, Genetic algorithms (GA), Multiple Linear Regressions (MLR), PIM inhibitors, Triazolopyridine derivatives}
-
بهینه سازی شبکه راکتورها اغلب منجر به بروز مسائل غیرخطی می شود که حل آن ها جهت رسیدن به ساختار بهینه شبکه راکتورها بسیار مشکل و بعضا غیرقابل حل می شود. در این مطالعه تلفیقی از الگوریتم ژنتیک و روش حل برنامه ریزی شبه خطی برای بهینه سازی شبکه راکتورها هم دما استفاده شده است. ساختار شبکه راکتوری یک راکتور لوله ای بوده که دارای چندین جریان جانبی ورودی میباشد. جهت جلوگیری از ظهور معادلات دیفرانسیل به دلیل ماهیت راکتور لوله ای، راکتور با چندین راکتور همزن دار سری شبیه سازی شده که بسته به شرایط مساله مورد بررسی، تعداد راکتورهای همزن دار و جریان های جانبی ورودی به آنها، متغیر خواهد بود. این نوع سیستم های راکتوری بیشتر زمانی کارایی خواهند داشت که خواسته شود، بنا به دلایلی، ماده و یا موادی تدریجا وارد راکتور شود. مقایسه نتایج حاصل با مراجع نشان می دهد که روش مذکور قادر به ایجاد جواب های بهینه جدید در سنتز شبکه راکتوری است.کلید واژگان: سنتز شبکه راکتوری, الگوریتم ژنتیک, روش برنامه ریزی شبه خطی, راکتور لوله ای, جریان های جانبی, راکتورهای سری همزندار}Optimizing of reactor networks (RNs) often cause to nonlinear problems that solving them for approaching to the optimum structure of RNs is so hard and sometimes is unsolvable. In this article¡ a compilation of genetic algorithm and quasi liner programming method for optimizing isothermal reactor networks has been used. The structure for RN was a tubular reactor which has several incoming side flow. To avoid the presence of differential equations due to PFR type¡ this reactor has been simulated by series of CSTRs reactors. The number of reactors¡ and side flows incoming to it are variable. This type of reactor systems will be more applicable when is wanted some materials gradually are entered the reactor. The case studies showed that this method can reach the same optimum solutions.Keywords: Reactor network synthesi, Genetic Algorith, Quasi linear programming method, PFR, Side flows}
-
تاکنون روش های گوناگونی برای طراحی مبدل های چندجریانه ارایه شده است، اما در بیشتر الگوریتم های موجود، ویژگی های فیزیکی کلیه جریان ها در طول مسیر انتقال گرمای ثابت فرض شده است. در این پژوهش، روشی پیشنهاد شده است که اثر تغییر ویژگی های فیزیکی سیال را در نظر می گیرد. این قابلیت به همراه در نظرگرفتن افت فشار جریان های موجود، الگوریتم قدرتمندی را برای تخمین سطح شبکه پیش از طراحی فراهم می سازد. در این روش وابستگی ویژگی های فیزیکی از جمله ظرفیت گرمایی ویژه، ویسکوزیته، دانسیته و هدایت گرمایی به تغییر دما مورد توجه قرار می گیرد. بنابراین کلیه ی پارامترهای موثر در رابطه ی افت فشار به طور دقیق تری محاسبه می شوند. این کار با معرفی ضریب های تصحیحی در هدف گذاری و طراحی شبکه مبدل گرمایی شامل جریان های مایع و گاز صورت گرفته است.
بر این اساس، نتیجه دقیق تر و قابل اعتمادتری برای مرحله های هدف گذاری و طراحی مبدل چند جریانه به دست می آید. همچنین، در میان روش های گوناگون برای طراحی مبدل های گرمایی چند جریانه، روشی که همراه با بهینه سازی افت فشار جریان ها، بهترین پره را برای هر جریان برگزیند پیشنهاد نشده است. این پژوهش روش جدیدی در طراحی این مبدل ها بر پایه ی استفاده از افت فشارهای بهینه ارایه می دهد که تلفیقی از مفهوم فناوری پینچ و الگوریتم ژنتیک است.
تابع هدف مسئله، هزینه کل سالیانه است که هزینه های سطح و هزینه تامین افت فشار جریان ها را شامل می شود. نتیجه ها نشان دهنده آن است که با درنظر گرفتن ویژگی های فیزیکی متغیر به جای ثابت فرض کردن آنها، حجم مبدل و هزینه کل سالیانه به ترتیب به میزان 3/27% و 5 /13% با دقت بیشتری محاسبه خواهد شد. همچنین با بهینه سازی افت فشار، میزان حجم مبدل و هزینه سالیانه کاهش خواهد یافت که این میزان در حالت انجام عمل بهینه سازی بر مسئله با لحاظ خواص فیزیکی متغیر به میزان 28/4% کاهش در حجم مبدل و 92/4% کاهش در هزینه کل سالیانه را نشان می دهد.
کلید واژگان: مبدل گرمایی چند جریانه, فناوری پینچ, خواص فیزیکی متغیر, بهینه سازی, الگوریتم ژنتیک, نوع پره}Although several methods have been proposed in design of multi-stream heat exchangers, but they often apply for constant physical properties. In this research, a new method is presented using the variation of physical properties with temperature as well as optimum pressure drops. Having indicated the dependency of specific heat capacity, viscosity, density and thermal conductivity on temperature variation, a set of temperature correction factors is defined for each stream. Calculating the correction factors for all streams will lead in finding an optimum DTmin in targeting stage as well as a reliable design based on effective pressure drops, which will guarantee the accuracy of results. Moreover, the optimum pressure drops are used by the optimum selection of fins for each stream in which the total annual cost of exchanger is minimized using genetic algorithm. Having applied the temperature correction factors in design of a multi-stream heat exchanger as case study, the results showed a 27.3% and 13.5% reduction in exchanger volume and total annual cost, respectively, compared to those calculated based on constant physical properties. Also, by optimization of fin types using the genetic algorithm, the results showed a 4.28% and 4.92% reduction in volume and total annual cost, respectively.Keywords: Multi, stream heat exchanger, PINCH technology, Variable physical property, Optimization, Genetic algorithm, Fin type} -
مطالعه ارتباط کمی ساختار- فعالیت برای پیش بینی فعالیت دارویی مشتقات پیرازول ها، با استفاده از توصیف کننده های ساختاری و روش رگرسیون خطی چندگانه توسعه داده شده است. توصیف کننده های مولکولی با استفاده از الگوریتم ژنتیک انتخاب شدند. سپس یک مدل ساده، قوی، قابل تفسیر و با خطای کم و ضریب همبستگی بالا ساخته شد. نتایج نشان می دهد که تکنیک های خطی مانند رگرسیون خطی چندگانه که با یک روش انتخاب متغیر مناسب کوپل شده باشد، قادر است مدلهای مناسبی برای پیش بینی فعالیت دارویی ترکیبات ارائه نماید. مدل ارائه شده پارامترهای آماری بالایی را نشان داد که می تواند جهت پیش بینی فعالیت دارویی ترکیبات مشابه مورد استفاده قرار گیرد.
کلید واژگان: ارتباط کمی ساختار, فعالیت - مشتقات پیرازول ها, رگرسیون خطی چندگانه, الگوریتم ژنتیک}Quantitative structure-activity relationship (QSAR) study for prediction of medicinal activity of pyrazole derivatives is developed using structural descriptors and multiple linear regression (MLR) method. Molecular descriptors are selected by genetic algorithm. Then a simple, strong, descriptive and interpretable model with low error and high correlation coefficient is construct. The results illustrated that the linear techniques such as MLR combined with a successful variable selection procedure are capable to generate an efficient QSAR model for predicting the activity of different compounds. This model was used for the prediction of activity values of some medicinal compounds which were not used in the modeling procedure.Keywords: Quantitative structure, Activity relationship, Pyrazole derivatives, Multiple linear regression, Genetic algorithm} -
تعیین بهترین مکان برای حفر چاه های جدید یک مسئله ی پیچیده است که به ویژگی های سیال و مخزن، شرایط تجهیزات سطحی و چاه ها و معیار های اقتصادی وابسته است. روش های گوناگونی برای حل این مسئله پیشنهاد شده است. در این میان، روش های بهینه سازی مستقیم که از شبیه ساز برای محاسبه تابع هدف استفاده می کنند، روش های به نسبت دقیقی هستند. ولی در بیشتر موردها به علت تعداد بالای شبیه سازی های مورد نیاز، این روش ها غیر عملی هستند. برای رفع این مشکلات، در این پژوهش از الگوریتم بهینه سازی هیبریدی (HGA) استفاده شده است. اساس این روش بر پایه ی الگوریتم ژنتیک است که با تابع های کمکی شبکه ی عصبی مصنوعی و الگوریتم پلی توپ ترکیب شده است. ترکیب الگوریتم ژنتیک با روش پلی توپ، سبب افزودن اثر پالایش موضعی شده و سرعت همگرایی را افزایش می دهد. همچنین با استفاده از شبکه ی عصبی مصنوعی می توان در طول اجرای برنامه، تابع نماینده شبیه ساز را تولید و کالیبره کرد. شایان ذکر است که در مسئله ی بهینه سازی مکان چاه ها، مدل عددی ساخته شده بر پایه داده های همراه با عدم قطعیت است. بنابراین در چنین شرایطی، یک جواب عمومی قطعی برای مسئله وجود نخواهد داشت. در این مطالعه، به منظور لحاظ کردن اثر عدم قطعیت موجود در داده ها بر روی تصمیم گیری، از سامانه استنتاج فازی استفاده شده است. خروجی این سامانه، میزان نامناسب بودن یک نقطه که برای حفر چاه جدید انتخاب شده است را با در نظرگرفتن اثرهای عدم قطعیت موجود در داده ها، دید مهندسی و ترجیح های تصمیم گیرنده تعیین می کند. در بیشتر مسئله های مهندسی، از جمله مسئله مکان یابی چاه، تابع هدف رایج در بهینه سازی، تابع سود به زمان حال بازگردانده شده (NPV) است. در این پژوهش، خروجی سامانه استنتاج فازی و NPV با هم ترکیب شده و یک تابع هدف جدید (NPV تصحیح شده یا CNPV) برای مسئله ی بهینه سازی مکان چاه ها ساخته شده است. در پایان عملکرد الگوریتم پیشنهاد شده برای مسئله ی مکان یابی چاه های تزریق آب در بخشی از یکی از مخازن غربی ایران بررسی شد. با توجه به نتیجه های به دست آمده از آزمایش های کنترل شده دیده شده که تعداد شبیه سازی های مورد نیاز برای یافتن مکان بهینه ی چاه ها در حالتی که از الگوریتم HGA استفاده شود تا حد زیادی کاهش می یابد. همچنین مکان و شدت جریان مناسب تزریق تا حداکثر چهار چاه تزریق آب در این مخزن با استفاده از الگوریتم پیشنهاد شده تعیین شد.
کلید واژگان: مکان یابی چاه, بهینه سازی, الگوریتم ژنتیک, روش پلی توپ, شبکه ی عصبی مصنوعی, تصمیم گیری, سامانه استنتاج فازی, ارزیابی عدم قطعیت}Decision on the location of new wells through infill drilling projects is a complexproblem that depends on the reservoir rock and fluid properties, well and surface facilitiesspecifications, and economic measures. Various methods to deal with this have been suggested.Direct optimization methods which use the numerical flow simulation are exact. However, these are not practical as they are computationally very extensive. In this study we use a Hybrid Genetic Algorithm optimization technique (HGA) based on the Genetic Algorithm (GA) with helper functions based on the polytope algorithm and the neural network. This hybridization introduces hill-climbing into the stochastic search and makes use of proxies created and calibrated iteratively throughout the run. It is emphasized that the numerical models are constructed based on scarce data, hence the simulation forecasts are uncertain and consequently the deterministic global solution is not achievable. To resolve this we use Fuzzy Inference System (FIS). The output of such system evaluates the selected point given the conditions. For economic evaluation we use Net Present Value (NPV). Therefore, the FIS output is incorporated into the NPV, and a new objective function called Corrected NPV (CNPV) is constructed. We validate the method by optimizing the placement of water injection wells in a section of an oil reservoir located in the west of Iran by maximizing the CNPV. The suggested algorithm was used to find the points for drilling water injection in a reservoir located in the south of Iran. It was observed that the number of simulations required to find the optimal well configurations were reduced significantly by using HGA. Moreover, the positions and the injection rates for four injection wells has been suggested. -
در پژوهش حاضر، مدل سازی و بهینه سازی فرایند ریفرمینگ متان با بخار و تبدیل آن به گاز سنتز با شرایط صنعتی در بستر ثابت کاتالیستی در داخل کوره با کمک مدل پراکندگی محوری و سینتیک های غیر خطی ارایه شده است. برای ارزش گذاری و اطمینان از مدل، نتیجه های آن با مقدارهای حاصل از نرم افزار تجاری (Hysys) و نیز با داده های خروجی فرایند واقعی مورد مقایسه قرار گرفته است. با توجه به نتیجه های حاصل، مدل از هم گرایی بالاتر و خطای کم تری نسبت به نرم افزار تجاری (Hysys) برخوردار است. از الگوریتم ژنتیک به منظور بهینه سازی پارامترهای عملیاتی فرایند با تعریف تابع های هدف بر مبنای کمینه سازی میزان متان مصرفی در خوراک و بیشینه سازی مقدار کربن منواکسید در گاز سنتز تولیدی استفاده شده است. نتیجه های بهینه سازی در سه مورد متفاوت حاصل شده اند. مورد اول براساس شرایط عملکرد واحد صنعتی و مورد دوم براساس اثر تغییرهای قید موجود بر دمای جداره خارجی لوله های راکتور و مورد سوم نیز بر مبنای تغییر در مقدارهای تخلخل بستر کاتالیستی صورت پذیرفته است. نتیجه های حاصل به پژوهشگر اجازه می دهد که افزون بر اصلاح و توسعه فرایند برای افزایش کیفیت فراورده، اثر گذشت زمان و نیاز به اصلاح شرایط عملکردی واحد به منظور عملکرد بهینه را مد نظر قرار دهد.
کلید واژگان: مدل سازی ریاضی, بهینه سازی, ریفرمینگ گاز طبیعی, مدل پراکندگی, الگوریتم ژنتیک} -
انتقال و توزیع گاز طبیعی از مهم ترین موضوع های صنعت گاز کشور برای مصرف گاز در داخل و فروش گاز به کشورهای دیگر است. یکی از مشکلاتی که در شرایطی خاص در خطوط انتقال و توزیع گاز رخ می دهد تشکیل بلورهای جامد هیدرات است. محاسبه های تحلیل پایداری باید قبل ازمحاسبه های مربوط به تبخیر آنی انجام شود تا فازهای حاضر درتعادل تعیین شوند و بتوان به محاسبه ویژگی های تعادلی فازها پرداخت. در این پژوهش، تحلیل پایداری هیدرات در سیستم های گازی به وسیله ی کمینه سازی فاصله ی صفحه بوسان برمنحنی انرژی آزاد گیبس با روش الگوریتم ژنتیک مورد بررسی قرارگرفته است. محاسبه های ترمودینامیکی سیستم های چند جزیی چند فازی به علت غیرخطی بودن زیاد بیشتر با پیچیدگی های زیادی همراه است. بنابراین، به کارگیری روش های بهینه سازی تصادفی همانند الگوریتم ژنتیک (GA) می تواند به عنوان روشی مناسب برای انجام این محاسبه ها پیشنهاد شود. در این مقاله، برای محاسبه ویژگی های تعادلی و محاسبه فوگاسیته آب در فازهای مایع و بخار از معادله حالت ولدراما پتل تجا (VPT) و برای محاسبه فوگاسیته آب در فاز هیدرات از مدل واندروالس پلاتیو (VDW-P) استفاده شده است. تحلیل پایداری هیدرات برای سیستم شامل آب و متان با ساختار هیدرات نوع I، سیستم سه جزیی آب، متان و اتان با ساختار هیدرات نوع I، سیستم سه جزیی آب و متان و پروپان با ساختار هیدرات نوع II، و سیستم چهار جزیی آب، متان، اتان، پروپان و آب با ساختار هیدرات نوع II انجام شده است. محاسبه ها در دمای 274 کلوین و برای فشارهای متفاوت انجام شده است. میزان خطا نشان می دهد که مدل ارایه شده از دقت بسیار خوبی برخوردار است.
کلید واژگان: هیدرات گازی, پایداری, انرژی آزادگیبس, الگوریتم ژنتیک}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.