بهینه سازی سنتز بیودیزل از روغن جوجوبا با استفاده از روش های محاسباتی

هدف: کشورهای مختلف به دانه جوجوبا به عنوان یک منبع جدید انرژی علاقه مند هستند زیرا می تواند در شرایط سخت مانند آب و هوای شدید، آب شور، بیابان ها و دمای بالا به خوبی رشد کند. بیودیزل سوختی است که می تواند در موتورهای خودروها، اجاق گاز و سیستم های گرمایش روغنی خانگی استفاده شود و قابل بازیافت، زیست تخریب پذیر و ایمن است. یک جایگزین سوخت پاک کننده برای سوخت دیزل که از نفت بدست می آید است و از چربی های حیوانی، گریس پخت و پز بازیافت شده یا روغن های گیاهی تولید می شود. بیودیزل (BD) در این مطالعه با استفاده از روغن جوجوبا تحت فشار ساخته شده است. پاراللیسم عظیم ذاتی شبکه های عصبی (NN) آن ها را به یک ابزار بهینه سازی امیدوارکننده تبدیل می کند. تولید بیودیزل تجاری که هم کارآمد و هم سازگار با محیط زیست باشد، نیازمند مدل سازی و بهینه سازی فرآیند مبتنی بر هوش مصنوعی است. مواد و روش ها: پیش بینی پارامترهای فرآیند ایده آل برای سنتز بیودیزل از روغن جوجوبا با استفاده از الگوریتم ژنتیک شبکه عصبی مصنوعی (ANN-GA) انجام شد. با کمک شبکه عصبی مصنوعی یکپارچه - الگوریتم ژنتیک (IANN-GA)، این مطالعه با هدف بهبود فرآیند ترانس استریفیکاسیون برای تبدیل متانول فوق بحرانی (HCM) به BD انجام شد. محدوده دما برای بهینه سازی IANN-GAبرابر ۳۵۵-۲۴۰ درجه سانتیگراد بود و محدوده زمانی روی ۷-۲۱ دقیقه تنظیم شد.نتایج: طراحی ترکیبی اولیه (PCD) برای مدل سازی ANN برای ایجاد مطالعات اولیه استفاده شد. بهترین ساختار ANN با تعداد مناسب نورون های پنهان با استفاده از ارزیابی اکتشافی مقادیر ضریب تعیین (R) پیدا شد. مقادیر R به دست آمده برای آموزش و آزمایش دقت بالای چارچوب ANN را نشان می دهد.نتیجه گیری: متغیرهای فرآیند برای ترانس استریفیکاسیون HCM با استفاده از GA با ANN به عنوان ضریب تناسب بهینه شدند. به طور کلی، یافته ها نشان داد که ANN-GA نسبت به مدلی که قبلا ارائه شده بود برتر است و این یک رویکرد مدل سازی و بهینه سازی قابل اعتماد برای ساخت بیودیزل از روغن جوجوبا است که هم عملی و هم پایدار است.

کلیدواژه ها:

الگوریتم ژنتیک ، بهینه سازی ، سنتز بیودیزل ، شبکه عصبی مصنوعی ، متانول فوق بحرانی