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
- محل انتشار: پژوهش های کاربردی مهندسی شیمی-پلیمر، دوره: 5، شماره: 4
- کد COI اختصاصی: JR_ARCPE-5-4_005
- زبان مقاله: فارسی
- تعداد مشاهده: 81
نویسندگان
Department of Chemical and Petroleum Engineering, Sharif University of Technology
Catalysis Technologies Development Division, Research Institute of Petroleum Industry
Refining Technologies Development Division, Research Institute of Petroleum Industry
چکیده
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, تیمولاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.