Rangkaian neural adalah neuron yang dihubungkan dengan sinaps. Rangkaian
neural terdiri daripada tiga lapisan utama iaitu lapisan input, lapisan tersembunyi dan
lapisan output. Rangkaian neural tersebut akan menjalani proses pembelajaran mendalam
untuk meramal output dengan lebih tepat. Rangkaian neural menggunakan fungsi sigmoid
sebagai fungsi pengaktifan kerana ia mampu untuk memetakan hasil dari 0 hingga 1.
Hasil tambah nilai purata berkuasa dua fungsi kehilangan telah digunakan untuk mengira
ralat dengan mengubah berat pada setiap lelaran sehingga ralat tersebut menghampiri
sifar. Rangkaian saraf direka bentuk dengan menggunakan bahasa pemrograman MATLAB
dan Python. Perisian pihak ketiga juga turut diimport untuk membantu dalam pengiraan
dalam bahasa pemograman Python untuk rangkaian neural buatan seperti GEKKO dan
NumPy. Rangkaian neural dalam bahasa pengaturcaraan Python mengandungi 2 nod di
lapisan input, 10 nod lapisan tersembunyi dan 1 nod lapisan output yang telah dijalankan
sebanyak 500 lelaran dan model yang sama juga turut dibina bagi MATLAB. Rangkaian
neural dalam bahasa pengaturcaraan Python menunjukkan 1.030 × 10-3 ralat manakala
1.401 × 10-9 ralat ditunjukkan oleh MATLAB yang boleh dianggap hampir bersamaan
dengan 0. Rangkaian neural yang telah dicipta kemudian diuji pada unit operasi
pemindahan haba cangkerang dan tiub. Kadar aliran air sejuk masuk dan suhu panas aliran
air masuk telah digunakan sebagai input untuk rangkaian neural. Rangkaian neural dapat
meramalkan output yang menyimpang paling tinggi ialah 1.95 ℃ daripada output yang
sebenar semasa proses latihan, manakala bagi proses ujian, ia menyimpang sebanyak
2.03℃ yang merupakan paling tinggi semasa proses ujian.
_______________________________________________________________________________________________________
Neural network is neurons that are connected by synapses. Neural network consist
of three main layers which are input layer, hidden layer and output layer. It undergoes deep
learning process to produce higher accuracy of predicted output. The neural network used
sigmoid function as activation function because it is able to map the results ranging from 0
to 1. Mean sum squared loss function was used to calculate the error by altering the weights
on each iteration until the error is approaching zero. The neural network is design by using
MATLAB and Python programming language. Third party software is imported to help in
calculation of artificial neural network in Python programming language such as GEKKO
and NumPy. Neural network in Python programming language consisting of 2 nodes of
input layers, 10 nodes of hidden layers and 1 node of output layer that was run for 500
iterations and the same model are build in MATLAB. Neural network in Python
programming language showed 1.030 × 10-3 error while 1.401 × 10-9 error are shown in
MATLAB which both can be considered nearly equivalent to 0. The neural network created
was then tested on shell and tube heat exchanger. The flow rate of cold water stream inlet
and the temperature of hot water stream inlet were used as the input for the neural network.
The neural network was able to predict the output which was deviated 1.95℃ the most from
the actual output during training process while it deviate 2.03℃ the most during test
process.