Viscosity is an important fluid pro

Viscosity is an important fluid property because of its direct relation with the fuel injection process for engines. The kinematic viscosity of biodiesel at 313 K should satisfy the range specified by the international biodiesel standards. In this study, an artificial neural network (ANN) method was developed to predict the biodiesel kinematic viscosity at 313 K with the experimental data of 105 biodiesel samples collected from the literature. The ANN method only uses the mass fractions of 19 fatty acid methyl esters (FAMEs) as inputs, which avoids the need of the kinematic viscosities of the individual FAMEs required by the prediction methods using the mixing equations. Two previously reported methods based on empirical equations, the Knothe–Steidley method with the experimental or predicted (when experimental data are unavailable) viscosities of FAMEs as inputs and the Ramírez-Verduzco method with the predicted viscosities of FAMEs as inputs were also extensively evaluated to compare with the proposed ANN method. Results indicate that the proposed ANN method is able to predict overall more accurate biodiesel kinematic viscosities at 313 K with the mean squared error (MSE) of 0.0099 compared with the Knothe–Steidley method and the Ramírez-Verduzco method. In most cases, both the Knothe–Steidley method and the Ramírez-Verduzco method tend to under-predict the kinematic viscosities. The underestimation might be attributed to the viscosity contributions of minor mono-, di- and triacylglycerols resulting from incomplete transesterification and minor or trace amount of other FAMEs to the experimental viscosities, as well as the neglect of the interactions between the individual components in calculation of the mixture kinematic viscosities. However, the ANN method could learn to account for the viscosity contributions from the minor components and the interactions between the individual components to some extent during the training process. Overall, the ANN method realizes the best accuracy for the prediction of biodiesel kinematic viscosity with the highest correlation coefficient of 0.9774.

ผลลัพธ์ (ไทย) 1:

ความหนืดเป็นลักษณะของเหลวสำคัญเนื่องจาก มีความเกี่ยวข้องโดยตรงกับกระบวนการฉีดเชื้อเพลิงสำหรับเครื่องยนต์ ความหนืดจลน์ของไบโอดีเซลที่ 313 K ควรตอบสนองช่วงตามมาตรฐานไบโอดีเซลระหว่างประเทศ ในการศึกษานี้ วิธีโครงข่ายประสาทเทียม (แอน) ถูกพัฒนาขึ้นเพื่อทำนายการไบโอดีเซลความหนืดจลน์ที่ 313 K ข้อมูลทดลองตัวอย่างไบโอดีเซล 105 ที่รวบรวมจากวรรณคดี แอนวิธีใช้ส่วนใหญ่ของกรดไขมัน 19 methyl esters (FAMEs) เป็นอินพุต เท่านั้น ซึ่งหลีกเลี่ยงจำเป็นต้อง viscosities จลน์ของ FAMEs แต่ละจำเป็นต้องใช้วิธีการพยากรณ์โดยใช้สมการผสม สองก่อนหน้านี้รายงานตามสมการประจักษ์ วิธีการ Knothe–Steidley กับการทดลอง หรือคาดการณ์ไว้ (เมื่อข้อมูลทดลองไม่มี) viscosities ของ FAMEs เป็นอินพุตและวิธี Ramírez Verduzco กับ viscosities คาดการณ์ของ FAMEs เป็นอินพุตอย่างกว้างขวางนอกจากนี้ยังได้ประเมินการเปรียบเทียบกับวิธีการนำเสนอของแอน ผลลัพธ์บ่งชี้ว่า วิธีแอนเสนอสามารถที่จะทำนายโดยรวมถูกต้องเพิ่มเติมไบโอดีเซลจลน์ viscosities ที่ 313 K มีข้อผิดพลาดกำลังสองเฉลี่ย (MSE) ของ 0.0099 เปรียบเทียบกับวิธี Knothe–Steidley และวิธี Ramírez-Verduzco ในกรณีส่วนใหญ่ วิธี Knothe–Steidley และวิธี Ramírez Verduzco มักจะ ภายใต้ทำนาย viscosities จลน์ Underestimation ที่อาจเกิดจากการจัดสรรความหนืดรองขาวดำ- ดี - และ triacylglycerols ผลลัพธ์จากสมบูรณ์เพิ่ม และรอง หรือติดตามจำนวนอื่น ๆ FAMEs เพื่อ viscosities ทดลอง และละเลยการโต้ตอบระหว่างแต่ละส่วนประกอบในการคำนวณ viscosities จลน์ผสม อย่างไรก็ตาม วิธีแอนได้เรียนรู้วิธีการบัญชีสำหรับการจัดสรรความหนืดจากคอมโพเนนต์ย่อยและการโต้ตอบระหว่างส่วนประกอบแต่ละบ้างระหว่างการฝึกอบรม โดยรวม วิธีแอนตระหนักถึงความถูกต้องที่สุดสำหรับคำทำนายของความหนืดจลน์ของไบโอดีเซลมีค่าสัมประสิทธิ์สหสัมพันธ์สูงสุดของ 0.9774

ผลลัพธ์ (ไทย) 2:

ความหนืดเป็นสถานที่ให้บริการน้ำมันที่สำคัญเพราะความสัมพันธ์โดยตรงกับการฉีดน้ำมันเชื้อเพลิงสำหรับเครื่องยนต์ หนืดของไบโอดีเซลที่ 313 K ควรพึงพอใจในช่วงที่ระบุโดยมาตรฐานไบโอดีเซลระหว่างประเทศ ในการศึกษานี้เครือข่ายประสาทเทียม (ANN) วิธีการได้รับการพัฒนาในการทำนายไบโอดีเซลหนืดที่ 313 K กับข้อมูลการทดลองจาก 105 ตัวอย่างไบโอดีเซลที่เก็บรวบรวมจากวรรณกรรม วิธี ANN ใช้เพียงเศษส่วนมวลของไขมันที่ 19 เอสเทอเมธิลกรด (ขวัญ) เป็นปัจจัยการผลิตที่หลีกเลี่ยงความต้องการของความหนืดจลนศาสตร์ของหนี้ส่วนบุคคลที่กำหนดโดยวิธีการทำนายโดยใช้สมการการผสม สองวิธีการรายงานก่อนหน้านี้ขึ้นอยู่กับสมการเชิงประจักษ์วิธี Knothe-Steidley กับความหนืดหรือการทดลองที่คาดการณ์ไว้ (ตอนที่ข้อมูลการทดลองที่สามารถใช้งานได้) ของหนี้ที่เป็นปัจจัยการผลิตและวิธีการRamírez-Verduzco กับความหนืดที่คาดการณ์ไว้ของหนี้เป็นปัจจัยการผลิตยังได้รับการประเมินอย่างกว้างขวางเพื่อ เปรียบเทียบกับวิธีการ ANN เสนอ ผลแสดงให้เห็นว่าวิธีการที่นำเสนอ ANN สามารถทำนายไบโอดีเซลโดยรวมถูกต้องมากขึ้นความหนืดจลนศาสตร์ที่ 313 K มีค่าเฉลี่ยยกกำลังข้อผิดพลาด (MSE) ของ 0.0099 เมื่อเทียบกับวิธีการ Knothe-Steidley และวิธีRamírez-Verduzco ในกรณีส่วนใหญ่ทั้งสองวิธี Knothe-Steidley และวิธีRamírez-Verduzco มีแนวโน้มที่จะต่ำกว่าการคาดการณ์ความหนืดจลนศาสตร์ เบาอาจจะนำมาประกอบกับการมีส่วนร่วมที่มีความหนืดของผู้เยาว์ขาวดำ, di-และ triacylglycerols ที่เกิดจากปฏิกิริยาที่ไม่สมบูรณ์และปริมาณเล็กน้อยหรือร่องรอยของหนี้อื่น ๆ เพื่อความหนืดการทดลองเช่นเดียวกับการละเลยของปฏิสัมพันธ์ระหว่างแต่ละองค์ประกอบในการคำนวณของ ส่วนผสมหนืดจลนศาสตร์ แต่วิธี ANN สามารถเรียนรู้ที่จะบัญชีสำหรับผลงานที่มีความหนืดจากชิ้นส่วนเล็ก ๆ น้อย ๆ และการมีปฏิสัมพันธ์ระหว่างองค์ประกอบแต่ละส่วนที่มีขอบเขตในระหว่างขั้นตอนการฝึกอบรม โดยรวมแล้ววิธี ANN ตระหนักถึงความถูกต้องที่ดีที่สุดสำหรับการทำนายของหนืดไบโอดีเซลที่มีค่าสัมประสิทธิ์สหสัมพันธ์ที่สูงที่สุดของ .9774

ผลลัพธ์ (ไทย) 3:

ความหนืดของของเหลว เป็นคุณสมบัติที่สำคัญเพราะมีความสัมพันธ์โดยตรงกับกระบวนการฉีดน้ำมันเชื้อเพลิงสำหรับเครื่องยนต์ ส่วนความหนืดจลน์ของไบโอดีเซลที่ 313 K ควรเป็นไปตามช่วงที่กำหนดโดยมาตรฐานไบโอดีเซลอินเตอร์เนชั่นแนล ในการศึกษานี้โครงข่ายประสาทเทียม ( ANN ) วิธีการพัฒนาเพื่อพยากรณ์ไบโอดีเซลความหนืดจลน์ที่ 313 K กับข้อมูลจำนวน 105 ไบโอดีเซลจากวรรณคดี วิธีที่แอนใช้เศษส่วนมวล 19 กรดไขมันเมทิลเอสเทอร์ ( FAMEs ) เป็นปัจจัยซึ่งหลีกเลี่ยงความต้องการของความหนืดจลน์ของบุคคลดีตามคำทำนายวิธีการใช้ผสมสมการ สองรายงานก่อนหน้านี้โดยวิธีสมการเชิงประจักษ์การ knothe – steidley วิธีการทดลองหรือทำนาย ( เมื่อข้อมูลทดลองใช้ ) ความหนืดดีเป็นปัจจัยการผลิตและ Ram íเรซ verduzco วิธีทำนายความหนืดดีเป็นปัจจัยการผลิตก็อย่างกว้างขวางประเมินเพื่อเปรียบเทียบกับวิธีที่เสนอแอน .ผลการวิจัยพบว่า วิธีการนำเสนอ แอนสามารถทำนายถูกต้องมากขึ้นความหนืดจลน์โดยไบโอดีเซลที่ 313 K กับค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( MSE ) 0.0099 เมื่อเทียบกับ knothe – steidley วิธีแกะ มาร์ติน เรซ verduzco วิธี ในกรณีส่วนใหญ่ ทั้ง knothe – steidley วิธีแกะ มาร์ติน เรซ verduzco วิธีมักจะภายใต้คาดการณ์เชิงความหนืด .การการประเมินค่าต่ำไป อาจจะเกิดจากความหนืดเล็กน้อย โมโน - di - และไตรกลีเซอรอลที่เกิดจากกระบวนการทรานส์เอสเทอริฟิเคชั่นที่ไม่สมบูรณ์และติดตามปริมาณเล็กน้อย หรือสารอื่น ๆเพื่อความหนืดทดลอง ตลอดจนละเลยของปฏิสัมพันธ์ระหว่างส่วนประกอบแต่ละส่วนของการคำนวณส่วนผสมความหนืดจลน์ . อย่างไรก็ตามวิธีแอนอาจเรียนบัญชีสำหรับความหนืดเขียนจากส่วนประกอบย่อยและปฏิสัมพันธ์ระหว่างแต่ละส่วนประกอบมีขอบเขตระหว่างการฝึกอบรม โดยรวม วิธีที่แอนตระหนักความถูกต้องที่ดีที่สุดสำหรับการทำนายความหนืดจลน์สูงสุดของไบโอดีเซลกับสัมประสิทธิ์สหสัมพันธ์ของ 0.9774 .