پیش بینی گرادیان فشار در پایه کاتالیست های متخلخل با استفاده از یک مدل ترکیبی از روش های دینامیک سیالات محاسباتی و یادگیری ماشین

امروزه طراحی پایه های متخلخل کاتالیستی نظیر فوم ها که از سطح ویژه بالایی برخوردار می باشند یکی از موضوعات مهم درصنایع مختلف نظیر پالایشگاه های نفت و گاز پتروشیمی و نیز فولاد می باشد. در این تحقیق. از شبیه سازی دینامیک سیالاتمحاسباتی (CFD) برای بررسی تاثیر پارامترهای هندسی، ۱۳۲ نوع فوم مختلف با درصد تخلخل ها (۶۸ تا ‎۹۳ درصد) و قطرتخلخل های متفاوت (۱۸۰۰-۲۵۰ میکرومتر)؛ بر جریان سیال و محاسبه گرادیان فشار با مشخصات هندسی مختلف استفادهشده است. لازم به ذکر است که فوم های کاتالیستی این مطالعه با پارامترهای ساختاری توسط تکنیک Voronoi tessellationتولید شدند. با انجام شبیه سازی برای این دسته از فوم های مختلف می توان گرادیان فشار را مورد پیش بینی قرار داد. از طرفی،نتایج حاصل از این تحقیق در مقایسه با نتایج تجربی نشان داد که از دقت و اعتبار سنجی خوبی برخوردار بوده است. اماء مشکلاساسی این روش حجم محاسباتی بالای آن می باشد که می تواند در زمینه طراحی فوم به شدت زمان بر باشد. همچنین با تغییرمشخصات ساختاری هر فوم لازم است این شبیه سازی برای آن فوم نیز مجددا تکرار شود. بدین منظور یک شبکه عصبی عمیق(DNN) طراحی و با استفاده از نتایج حاصل از (CFD) آموزش داده شد تا گرادیان فشار را در طیف وسیعی از فوم ها پیش بینیکند. مقایسه بین پیش بینی گرادیان فشار حاصل CFD و شبکه عصبی مصنوعی نشان داد که یادگیری ماشین عملکرد قابل قبولیدر پیش بینی گرادیان فشار برای فوم های مختلف با پارامترهای ساختاری جدید دارد. بنابراین انتظار می رود که از این روشمی توان به خوبی برای پیش بینی گرادیان فشار با حداقل هزینه و پیچیدگی محاسباتی در طراحی فوم های کاتالیستی استفاده شود.

کلیدواژه ها:

پارامترهای ساختاری فوم ، جریان سیال ، گرادیان فشار ، CFD شبکه عصبی مصنوعی