پیش بینی درصد تبدیل و توزیع محصولات در واکنش ریفورمینگ متانول با بخار آب در حضور کاتالیست Cu-Zn/ZrO۲ با استفاده از مدل های مبتنی بر هوش مصنوعی

موضوع تحقیق در این مطالعه، به کمک های روش های مختلف مبتنی بر هوش مصنوعی، عملکرد فرآیند ریفورمینگ متانول با بخار آب بر حسب دما، فشار و نسبت بخار به متانول در خوراک ورودی مورد ارزیابی قرار گرفت. روش تحقیق در ابتدا، کاتالیست های Cu-Zn/ZrO۲ با استفاده از روش همرسوبی سنتز شدند و آزمایش های واکنش ریفورمینگ متانول با بخار آب در شرایط عملیاتی مختلف در محدوده ۱۸۰- ۵۰۰ درجه سانتی گراد ،۱-۱۱ بار و نسبت بخار آب به متانول در خوراک ورودی ۷۵/۰ – ۷۵/۳ در یک راکتور بستر ثابت انجام گرفت. سه روش فازی ممدانی نوع۱، فازی ممدانی نوع۲ و فازی سوگنو به کار گرفته شده است که به کمک آنها بدون نیاز به دانستن پارامترها و روابط پیچیده سینتیکی و ترمودینامیکی و تنها به کمک شهود متخصص و برخی داده های موجود، مدلسازی انجام گرفت. همچنین، ساختار مدلهای فازی با هدف بهبود دقت عملکرد و بر اساس تحلیل نتایج اولیه بهینه شد. توسعه مدلها نیازی به تعداد بالای داده های ازمایشگاهی نداشت. این ویژگی، به خصوص برای شرایطی که دسترسی به داده های آزمایشگاهی هزینه بر است و یا داده ها از دقت کافی برخوردار نیستند، مورد توجه است. نتایج اصلی دقت کلی و ویژگیهای سه روش مدلسازی با هم مقایسه شد و مورد بحث قرار گرفت. مدل فازی ممدانی نوع۲ به دلیل ویژگی های منحصر به فرد آن بهترین عملکرد را از خود نشان داد و سه متغیر درصد تبدیل متانول، بازده هیدروژن و منوکسیدکربن را به ترتیب با دقت ۶۷%، ۹۱% و ۸۳% پیش بینی کرد.

کلیدواژه ها:

Cu-Zn/ZrO۲ catalyst ، Methanol conversion ، Artificial Intelligence ، Fuzzy logic ، Modeling. ، کاتالیست Cu-Zn/ZrO۲ ، درصد تبدیل متانول ، هوش مصنوعی ، منطق فازی ، مدلسازی