به کارگیری شبکه عصبی در پیش بینی رفتار فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و بهینه سازی بازده فرایند با الگوریتم کلونی زنبورهای عسل
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 77
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ARCPE-5-4_005
تاریخ نمایه سازی: 10 دی 1403
چکیده مقاله:
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:
نویسندگان
حمید کرمی
Department of Chemical and Petroleum Engineering, Sharif University of Technology
سعید سلطانعلی
Catalysis Technologies Development Division, Research Institute of Petroleum Industry
شکوفه طیبی
Refining Technologies Development Division, Research Institute of Petroleum Industry
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :