GERİ BESLEMELİ VE İLERİ BESLEMELİ SİNİR AĞI KULLANILARAK DMMP VE CHCL3 GAZ KARIŞIMLARININ MİKTARSAL SINIFLANDIRILMASI

Abstract

Bu çalışmada, gaz karışımlarında gaz konsantrasyonlarının (DMMP and CHCl3) miktarsal olarak tanımlanması için ileri beslemeli sinir ağı (FFNN) kullanılmış ve Elman geri beslemeli sinir ağı (RNN) önerildi. Phthalocyanine kaplamalı kuartz kristal mikrodenge (QCM) gaz sensörü olarak kullanıldı. Kalibreli bir kütle akış kontrolörü, taşıyıcı gaz, DMMP ve CHCl3 gaz karışım  buharlarının akış miktarının kontrol edilmesi için kullanıldı.  Algılayıcının cevapları IEEE 488 kart vasıtasıyla toplandı. İkili karışımdaki bileşenler, QCM sensör dizisinden alınan sensör cevapları ileri beslemeli sinir ağı ve Elman geri beslemeli sinir ağına  giriş olarak uygulanma ile miktarsal olarak belirlendi. İki gizli katmanlı Elman geri beslemeli sinir ağı ile en iyi sonuç elde edildi. DMMP and CHCl3 gaz karışımlarının miktarsal sınıflandırılması için diğer sinir ağlarının da uygulanabilirliği görüldü.

In this study, the feed forward neural networks (FFNN) were used and Elman’s recurrent neural networks (RNN) were proposed for quantitative identification of individual gas concentrations (DMMP and CHCl3) in their gas mixtures. The phthalocyanine coated quartz crystal microbalance (QCM) type sensors were used as gas sensors. A calibrated mass flow controller was used to control the flow rates of carrier gas and DMMP and CHCl3 gas mixtures streams. Sensor responses were collected via an IEEE 488 card. The components in the binary mixture were quantified applying the sensor responses from the QCM sensor array as inputs to the feed forward and Elman’s recurrent neural networks. The results of the Elman’s recurrent neural network with two hidden layer was the best. The other neural networks are also applicable to the quantitative classification of DMMP and CHCl3 gas mixtures.