به کارگیری شبکه عصبی در پیش بینی رفتار فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و بهینه سازی بازده فرایند با الگوریتم کلونی زنبورهای عسل

موضوع تحقیق: در ده­های اخیر روش­های بهینه سازی مبتنی بر پدیده­های طبیعی به دلیل عدم نیاز به انجام محاسبات سنگین ریاضی، عدم وابستگی به نقاط انتخابی اولیه و قابلیت بهینه­سازی نسبت به سایر روش­ها، در زمینه بهینه­سازی ترکیبی جایگاه ویژه­ای پیدا کرده­ است. علاوه بر این شبکه عصبی مصنوعی به عنوان یکی از ابزار قدرتمند هوش مصنوعی در شبیه­سازی فرایندها به کار برده می­شود. به­کارگیری شبکه عصبی برای مدل­سازی  فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و روش فرا ابتکاری در به دست آوردن شرایط بهینه برای کاتالیست و واکنش می­تواند گام موثری، در جهت انجام فرایند با بازده بالا فراهم ­سازد. روش تحقیق: در این پژوهش شبکه عصبی برای پیش­بینی فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و الگوریتم کلونی زنبورهای عسل به منظور بهینه سازی بازده فرایند به کار گرفته شد. شبکه عصبی طراحی شده دارای ۵ نرون در لایه پنهان می­باشد. به منظور بررسی عملکرد الگوریتم پیشنهادی، شبکه عصبی مصنوعی برای پیش بینی تبدیل متاکروزل و گزینش پذیری آن به تیمول در فرایند آلکیلاسیون متاکروزل با ایزوپروپانول ۱۲۰ داده استفاده شد. در این فرایند، سرعت فضایی (WHSV)، فشار و دما، به عنوان متغیرهای ورودی و تبدیل متاکروزل و گزینش پذیری تیمول به عنوان متغیرهای خروجی شبکه عصبی در نظر گرفته شده است. نتایج اصلی: سیستم شبیه­سازی طراحی شده با ضریب رگرسیون (R۲) بالاتر از %۹۷.۵، نشان دهنده دقت بالای شبکه عصبی طراحی شده برای این فرایند می­باشد. میزان بیشینه بازده این فرایند با استفاده از الگوریتم کلونی زنبورهای عسل  ۲۸.۹%  )با متغیرهای قابل تنظیم  h-۱۰.۰۶۲ WHSV=، فشار  bar۱.۵ و دمای ˚C ۳۰۰( حاصل شد. هم­چنین برای دستیابی به کارایی بهتر الگوریتم بهینه سازی، مقادیر مطلوب ضریب شتاب و جمعیت زنبورها با آزمون سعی و خطا ۱۰۰ و ۱۰حاصل شد.

کلیدواژه ها:

Artificial Neural Network ، Bee Colony Algorithm ، Optimization ، Alkylation of m‐Cresol ، Thymol ، شبکه عصبی مصنوعی ، الگوریتم کلونی زنبورها ، بهینه سازی ، آلکیلاسیون متاکروزل ، تیمول