مدل اکتیویتی کاتالیست راکتور هیدور فرمیلاسیون پروپیلن با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک

فرآیند هیدرو فرمیلاسیون الفین ها یکی از فرآیندهای میانی و مهم واحدهای تولید اکسو الکل ها است. یکی از مشکلات عملیاتی فرایند سنتز اکسو، دی اکتیو شدن کاتالیست است. در این مقاله سعی شده است تا با استفاده از دادههای واحدصنعتی در طی 822 روز از آغاز فرآیند، با شبیه سازی راکتور و حل معادلات موازنه جرم و انرژی برای آن، تغییر فعالیت اکتیویته کاتالیست محاسبه شده و سپس یک رابطه ریاضی برای تخمین اکتیویته کاتالیست به این داده ها برازش شد. بااستفاده از الگوریتم ژنتیک ضرایب بهینه رابطه ریاضی بدست آمد. همچنین یک مدل شبکه عصبی مصنوعی نیز برایتخمین اکتیویتی کاتالیست مورد استفاده قرار گرفت. برای این منظور مدل شبکه عصبی فید فوروارد با دو لایه پنهان به کار رفته که مدل شبکه عصبی ارائه شده و مدل ریاضی بهینه شده با الگوریتم ژنتیک به ترتیب با خطای مربعات متوسط×10- 2.041 و 3 ×10-65.2 و خطای متوسط نسبی 0.1141 و 0.6027 در تخمین اکتیویته کاتالیست بدست آمدند در نهایت تطابق قابل قبولی بین هر دو مدل و داده های صنعتی مشاهده شد و نتایج نشان داد که شبکه عصبی می تواند به عنوان ابزاری قدرتمند در تخمین دی اکتیو شدن کاتالیست ها مورد استفاده قرار گیرد

کلیدواژه های مدل اکتیویتی کاتالیست راکتور هیدور فرمیلاسیون پروپیلن با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک:

هیدرو فرمیلاسیون پروپیلن- اکتیویتی کاتالیست- شبکه عصبی مصنوعی- الگوریتم ژنتیک ،