Prediction of the Carbon nanotube quality using adaptive neuro–fuzzy inference system
محل انتشار: مجله بین المللی ابعاد نانو، دوره: 8، شماره: 4
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 121
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJND-8-4_003
تاریخ نمایه سازی: 24 تیر 1401
چکیده مقاله:
Multi-walled carbon nanotubes (CNTs) are synthesized with the assistance of water vapor in a horizontal reactor using methane over Co-Mo/MgO catalyst through chemical vapor deposition method. The application of Adaptive Neuro-Fuzzy Inference System (ANFIS) technique for modeling the effect of important parameters (i.e. temperature, reaction time and amount of H۲O vapor) on the quality of the CNT process is investigated. Using experimental data, qualities of CNTs are determined for training, testing and validation of developed ANFIS model. From the analysis carried out by the ANFIS-based model, the mean square deviation and a regression coefficient are found to be ۴.۴% and ۹۹%, respectively. The validation results confirm that the ability of the proposed ANFIS model for predicting the quality of the CNT process over a wide range of operational conditions. In addition, sensitivity analysis indicates that the temperature has the significant effect (i.e. ۹۴%) on the quality of the CNT process.
کلیدواژه ها:
نویسندگان
Hasan Alijani
Department of Chemistry, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran.
Shokoufe Tayyebi
Research Institute of Petroleum Industry (RIPI), P.O.Box: ۱۴۶۶۵-۱۳۷, Tehran, Iran.
Zeinab Hajjar
Research Institute of Petroleum Industry (RIPI), P.O.Box: ۱۴۶۶۵-۱۳۷, Tehran, Iran.
Zahra Shariatinia
Department of Chemistry, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran.
Saeed Soltanali
Research Institute of Petroleum Industry (RIPI), P.O.Box: ۱۴۶۶۵-۱۳۷, Tehran, Iran.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :