پایان نامه مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی

تعداد صفحات: ۱۳۴ | قابل ویرایش

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 مصنوعی از نوع پرسپترون‌های چندلایه برای 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 سرپرست می‌باشد؛ 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 زمان به کار می‌رود؛ که میزان مطلوب این غلظت در یک زمان خاص، به‌عنوان هدف مطلوبی است که سیستم باید به آن دست یابد.

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.

انسان و کامپیوتر

موجوداتی منطقی هستند و تنها اعمال منطقی را به خوبی انجام می‌دهند. چون کامپیوترها می‌توانند بعضی کارها را که ما آن‌ها را در مدت زمان قابل ملاحظه‌ای انجام می‌دهیم (چون جمع کردن اعداد)، در کم‌ترین زمان انجام دهند و یا می توانند نام‌ها و آدرس‌ها را ماه‌ها بعد به درستی به یاد بیاورند، از آن‌ها انتظار می‌رود که در سایر زمینه‌ها نیز چنین عمل کنند.

بدین علت آن‌گاه که نمی‌توانند انتظارات ما را برآورده کنند مأیوس می‌شویم. هدف هوش مصنوعی را می‌توان در این جمله خلاصه کرد که می‌خواهد در نهایت به کامپیوترها و ماشین‌هایی بسیار توانمندتر از انسان (هدفی که بسیار از دنیای واقعی به‌دور است) دست یابند.

چرا کامپیوترها نمی‌توانند کارهایی را که ما انجام می‌دهیم انجام دهند؟ یکی از دلایل را می‌توان در نحوه‌ی ساختار آن‌ها جستجو کرد. به‌طور منطقی می‌توان انتظار داشت که سیستم‌هایی با ساخت مشابه عملکرد مشابهی داشته باشند. کامپیوترها طوری طراحی شده‌اند که یک عمل را بعد از عمل دیگر با سرعت بسیار زیاد انجام دهند. لیکن مغز ما با تعداد اجزای بیش‌تر اما با سرعتی کم‌تر کار می‌کند. در حالی‌که سرعت عملیات در کامپیوترها به میلیون‌ها محاسبه در ثانیه بالغ می‌شود، سرعت عملیات در مغز تقریباً بیش‌تر از ده بار در ثانیه نمی‌باشد.

لیکن مغز در یک لحظه با تعداد زیادی اجزاء به طور هم‌زمان کار می‌کند، ‌کاری که از عهده کامپیوتر بر نمی‌آید. کامپیوتر ماشینی سریع اما پیاپی کار است در حالی که مغز شدیداً ساختاری موازی دارد. کامپیوترها می‌توانند عملیاتی را که با ساختار آن‌ها سازگاری دارند به خوبی انجام دهند. برای مثال شمارش و جمع کردن اعمالی پیاپی است که یکی بعد از دیگری انجام می‌شود.

ساختار مغز

مغز انسان پیچیده‌ترین چیزی است که تاکنون به دقت مطالعه شده و در مجموع چندان شناخته نشده است. ما هنوز جوابی به پرسشهای پایه مانند «اندیشه چیست؟» و «چگونه فکر می‌کنیم؟» نیافته‌ایم. لیکن شناختی ابتدایی را از نحوه‌ی عمل مغز در سطوح پایین‌تر کسب کرده‌ایم. مثلاً می‌دانیم که مغز تقریباً دارای ۱۰^۱۰ واحد پایه نام نرون است وهر نرون تقریبا به ۱۰^۴ نرون دیگر اتصال دارد.

نرون عنصر اصلی مغز است و به تنهایی مانند یک واحد پردازش منطقی عمل می‌کند. نرون‌ها دو نوع هستند. نرون‌های داخل مغز که در فاصله‌های حدود ۱۰۰ میکرون به یکدیگر متصل‌اند و نرون‌های خارجی که قسمت‌های مختلف مغز را به یکدیگر و مغز را به ماهیچه‌ها و اعضای حسی را به مغز متصل می‌کنند. نحوه‌ی عملیات نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست، هر چند قوانین پایه‌ی آن نسبتاً روشن است. هر نرون ورودی‌های متعددی را پذیراست.

که با یکدیگر به طریقی جمع می‌شوند. اگر در یک لحظه تعداد ورودی‌های فعال نرون به حد کفایت برسد نرون نیز فعال شده و آتش می‌کند. در غیر این صورت نرون به‌صورت غیرفعال و آرام باقی می‌ماند. نمایشی از ویژگی‌های عمده‌ی نرون در شکل ۱-۲ آمده است. بدنه‌ی نرون سوما نامیده می‌شود. به سوما رشته های نامنظم طولانی متصل است که به آن‌ها دندریت می‌گویند.

مراجع:

1. Russell Beale, Tom Jackson, “Neural Computing: An Introduction”; CRC Press 1990; ISBN: 0852742622
2. Howard Demuth, Mark Beale, Martin Hagan “Neural Networks Toolbox 5, User’s Guide”, The MathWorks, march 2007, Online. 6-3.
3. فیلیپ پیتکن؛ شبکه‌های عصبی (اصول و کارکردها)، ویرایش دوم؛ مترجم دکتر غضنفری، مهندس ارکات، انتشارات دانشگاه علم و صنعت. سال ۱۳۸۳، شابک: ۴-۴۶۸-۴۵۴-۹۶۴
4. L. McClelland & D.E.Rumelhart, “Parallel Distributed Processing”, Volumes 1, 2, and 3, 1989; ISBN: 0262631296.
5. Teuvo Kohonen, “An Introduction to Neural Computing”. In Neural Networks, Volume 1, number1, 1988. ISBN: 3540679219.
6. Donald Hebb & Lawrence Erlbaum; “Organization of Behaviour “Associates; 2002, ISBN: 0805843000.
7. M. Minsky & S. Papert. “Perceptrons “MIT Press 1969. ISBN: 1422333442.