دانلود مقاله پیش بینی ظرفیت ذخیره سازی گاز در قالب های کاری مواد آلی فلزیبا استفاده از شبکه عصبی مصنوعیمتن ترجمه به فارسیاین فایل در قالب Word قابل ویرایش، آماده پرینت و ارائه به عنوان پروژه پایانی می باشدقالب: Word + Pdfتعداد صفحات: 11پیشبینی ظرفیت ذخیرهسازی گاز در قالبهای کاری مواد آلی فلزی با استفاده از شبکه عصبی مصنوعیچکیدهدر این مطالعه، شبکه عصبی مصنوعی برای پیشبینی ظرفیت جذب گاز هیدروژن در چارچوب کاری آلی فلزی طراحی شده است. سطح منطقه، آنتالپی جذب، دما و فشار به عنوان پارامترهای ورودی انتخاب شده اند. ظرفیت ذخیرهسازی هیدروژن از MOFs با استفاده از این چهار پارامتر محاسبه شد. شبکه عصبی مصنوعی برای مدل فرآیند جذب مورد استفاده قرار گرفت. نتایج پیشبینی شده به شکل قابل توجهی با دادههای تجربی موافق بودند.مقدمهطراحی و سنتز پلیمرهای هماهنگ با ساختارهای غیر معمول و خواصی که باعث بهره وری بیشتر می شود، نه تنها برای توپولوژیهای مولکولی جذابشان، بلکه همچنین برای کاربردهای بالقوه به عنوان مواد کاربردی مورد استفاده قرار می گیرند. ساخت و ساز معماری مولکولی بستگی به ترکیبی از عوامل مختلف، مانند هندسه هماهنگی نمک فلز و لیگاند دارد. چارچوب های آلی فلزی (MOFs) به عنوان یک گروه جدید از مواد متخلخل با پتانسیل بسیار عالی در ذخیرهسازی گاز و جداسازی کاربردی آن به دلیل طیف وسیعی از اندازه منافذ، ویژگیهای شیمیایی، خواص مکانیکی و حرارتی خوب، شناسایی شده اند. MOFs، همچنین به عنوان پلیمرهای هماهنگی شناخته شده اند. انواع خواص فیزیکی و شیمیایی MOFs، آنها را در طیف گستردهای از برنامه های کاربردی مانند ذخیرهسازی گاز، جداسازی گاز، تحویل دارو، سنجش و به عنوان کاتالیزگر قرار می دهد.
مقاله پیش بینی ظرفیت ذخیره سازی گاز در قالب های کاری مواد آلی فلزی با استفاده از شبکه عصبی مصنوعی
دانلود مقاله پیش بینی ظرفیت ذخیره سازی گاز در قالب های کاری مواد آلی فلزیبا استفاده از شبکه عصبی مصنوعیمتن ترجمه به فارسیاین فایل در قالب Word قابل ویرایش، آماده پرینت و ارائه به عنوان پروژه پایانی می باشدقالب: Word + Pdfتعداد صفحات: 11پیشبینی ظرفیت ذخیرهسازی گاز در قالبهای کاری مواد آلی فلزی با استفاده از شبکه عصبی مصنوعیچکیدهدر این مطالعه، شبکه عصبی مصنوعی برای پیشبینی ظرفیت جذب گاز هیدروژن در چارچوب کاری آلی فلزی طراحی شده است. سطح منطقه، آنتالپی جذب، دما و فشار به عنوان پارامترهای ورودی انتخاب شده اند. ظرفیت ذخیرهسازی هیدروژن از MOFs با استفاده از این چهار پارامتر محاسبه شد. شبکه عصبی مصنوعی برای مدل فرآیند جذب مورد استفاده قرار گرفت. نتایج پیشبینی شده به شکل قابل توجهی با دادههای تجربی موافق بودند.مقدمهطراحی و سنتز پلیمرهای هماهنگ با ساختارهای غیر معمول و خواصی که باعث بهره وری بیشتر می شود، نه تنها برای توپولوژیهای مولکولی جذابشان، بلکه همچنین برای کاربردهای بالقوه به عنوان مواد کاربردی مورد استفاده قرار می گیرند. ساخت و ساز معماری مولکولی بستگی به ترکیبی از عوامل مختلف، مانند هندسه هماهنگی نمک فلز و لیگاند دارد. چارچوب های آلی فلزی (MOFs) به عنوان یک گروه جدید از مواد متخلخل با پتانسیل بسیار عالی در ذخیرهسازی گاز و جداسازی کاربردی آن به دلیل طیف وسیعی از اندازه منافذ، ویژگیهای شیمیایی، خواص مکانیکی و حرارتی خوب، شناسایی شده اند. MOFs، همچنین به عنوان پلیمرهای هماهنگی شناخته شده اند. انواع خواص فیزیکی و شیمیایی MOFs، آنها را در طیف گستردهای از برنامه های کاربردی مانند ذخیرهسازی گاز، جداسازی گاز، تحویل دارو، سنجش و به عنوان کاتالیزگر قرار می دهد.