Please enable javascript in your browser.
Page
of
0
تولید هیدروژن با استفاده از ریفورمینگ گلیسرول در فاز آبی در حضور کاتالیست های حاوی پلاتین
لاریمی، افسانه سادات Larimi, Afsaneh Sadat
Cataloging brief
تولید هیدروژن با استفاده از ریفورمینگ گلیسرول در فاز آبی در حضور کاتالیست های حاوی پلاتین
پدیدآور اصلی :
لاریمی، افسانه سادات Larimi, Afsaneh Sadat
ناشر :
صنعتی شریف
سال انتشار :
1395
موضوع ها :
زیست توده Biomass اصلاح فاز آبی Aqueous Phase Reforming کاتالیزور پلاتین Platinum...
شماره راهنما :
06-48891
Find in content
sort by
page number
page score
Bookmark
1 مقدمه
(11)
1-1 هیدروژن
(11)
1-2 کریستال های فلزی
(14)
1-3 هدف پایان نامه
(16)
2 فصل دوم : مبانی نظری و پیشینه پژوهش
(20)
2-1 تاثیر ویژگیهای بافتی چارچوب بروی جذب هیدروژن
(20)
2-2 تاثیر گرمای جذب در جذب هیدروژن
(23)
2-3 ظهور هوش مصنوعی در شناسایی چارچوبهای آلی -فلز
(24)
2-4 روشهای محاسباتی و اعتبار آنها در مقابل آزمایشات تجربی
(27)
2-5 رویکرد محاسباتی در کشف ساختارهای آلی – فلزی
(28)
2-6 تنوع ساختاری در رویکرد محاسباتی
(30)
2-7 میدانهای نیرو
(30)
2-7-1 پتانسیل کوتاه برد وان در والسی
(31)
2-7-2 پتانسیل برد بلند کولمبیک
(32)
2-8 شبیه سازی جذب مونت کارلو[100]
(33)
2-9 یادگیری ماشین
(36)
2-10 ملاحظات محاسباتی
(37)
2-11 پایگاههای داده
(37)
2-11-1 پایگاه داده کمبریج(CSD) [67]
(38)
2-11-2 پایگاه داده CORE
(39)
2-11-3 پایگاه داده ساختارهای آلی-فلز فرضی
(40)
2-12 معرفی توصیف گرها برای یادگیری در شناسایی ساختارهای آلی -فلز
(41)
2-12-1 توصیفگرهای مرتبه اول کلیدی مرتبط با کاربردهای گاز[9]
(43)
2-12-2 اهداف مهندسی ویژگی
(44)
2-13 تئوری جذب گاز
(45)
2-14 ایزوترم جذب گاز
(48)
2-15 مدل توصیف جذب گاز
(50)
2-15-1 مدل لانگمویر
(51)
2-15-2 مدل BET
(54)
2-16 جذب اضافی و کلی
(56)
2-17 ظرفیت کاری
(57)
2-18 پایداری چارچوب
(58)
2-19 ظرفیت مبتنی برسیستم
(59)
2-20 شرایط کاری نوسان فشار و دما [8]
(60)
3 فصل سوم : روش پژوهش
(63)
3-1 پایگاه داده بکار رفته در پژوهش
(63)
3-2 توصیفگرهای (ورودی اولیه) مدل
(65)
3-2-1 انتخاب توصیفگرها و منطق انتخاب
(66)
3-2-2 پیشپردازش دادهها
(66)
3-2-3 تحلیل همبستگی ویژگیها
(67)
3-2-4 اعتبارسنجی و ارزیابی مدل
(67)
3-3 محاسبات بهینه سازی و جذب توسط Material Studio BIOVIA
(71)
3-3-1 روش مونت کارلو در جذب هیدروژن
(71)
3-4 شبکه عصبی مصنوعی
(73)
3-4-1 توسعه شبکه عصبی پیش بینی کننده
(73)
3-4-2 داده های شبکه عصبی
(73)
3-4-3 توسعه شبکه عصبی
(74)
3-4-4 تعریف مسئله بهینه یابی دستیابی به معماری بهینه شبکه
(75)
3-4-5 الگوریتم بهینه یاب بکارگیری شده
(76)
3-4-6 سایر تنظیمات شبکه عصبی
(78)
3-4-7 نقش بهینه ساز در یادگیری عمیق
(78)
3-4-8 بهینهسازهای فراابتکاری
(80)
3-4-9 مروری بر فرآیند استفاده ازشبکه عصبی مصنوعی
(80)
3-4-10 بهینهسازی معماری با الگوریتمهای فراابتکاری(EO/GA )
(80)
4 فصل چهارم : تجزیه و تحلیل یافته ها
(83)
4-1 مقدمه
(83)
4-2 ارزیابی مدل شبکه عصبی
(83)
4-2-1 ارزیابی ظرفیت جرمی در شرایط نوسان دما و فشار
(84)
4-2-2 ارزیابی ظرفیت حجمی در شرایط فشار و دما
(84)
4-3 دلایل خطای بیشتر ظرفیت حجمی در مقابل جرمی
(85)
4-3-1 طبیعت سبک ساختارهای آلی -فلز و هیدروژن
(85)
4-4 اهمیت ویژگی تکمتغیره (تک ورودی) جهت شناسایی مهمترین ورودی تاثیرگذار
(87)
4-4-1 تحلیل اهمیت ویژگیهای تکمتغیره
(90)
4-5 ارزیابی دقت مدل با مقایسه مونت کارلو
(92)
4-6 شناسایی ساختارهای آلی - فلز برتر
(93)
4-7 آنالیز قابلیت سنتز پذیری
(97)
4-7-1 تجزیه و تحلیل مقایسه ای قابلیت سنتز بین hMOF-500 و MOF-5
(98)
4-8 فرآیند بهینه سازی hMOF-500 با استفاده از BIOVIA Material Studio
(100)
4-9 شبیه سازی ایزوترم جذب برای hMOF-500
(101)
4-10 شناسایی چارچوب از پایگاه داده QMOF
(102)
4-10-1 غربالگری برای چارچوب های قابل سنتز
(103)
4-10-2 شناسایی چارچوب از پایگاه داده QMOF
(103)
5 نتیجه گیری و پیشنهادات
(107)
5-1 مراجع
(108)
6 اطلاعات تکمیلی
(114)
6-1 اطلاعات تخصصی از جزئیات hMOF-500
(114)
6-2 جزئیات اطلاعات بهینه سازی ساختار توسط متریال استودیو
(115)
6-3 مشخصات ایزوترم جذب در سیکلهای معین توسط متریال استودیو
(116)
6-4 ساختارهای پیش بینی شده توسط مدل شبکه عصبی مصنوعی
(124)
