تلفیق مدلهای اصل اولی و یادگیری ماشین در راکتور ناپیوسته فرایند تولید بیودیزل از ریزجلبک Enteromorphacompressa

در این پژوهش ابتدا و پس مطالعه موردی متغیرهای فرایندی، با استفاده از روابط سرعت واکنش و معادلات بقا، به مدلسازیاصل اولی راکتور ناپیوسته تولید بیودیزل از ریزجلبک Enteromorphacompressa در حضور کاتالیست اسیدی و متانول پرداخته و سپس پس از تولید ۱۰۰۰ داده توسط آن مدل و انتخاب آن به وسیله روش نمونه گیری Latin Hypercube Sampling با استفاده مدل یادگیری ماشین eXtreme Gradient Boosting به مدلسازی جعبه سیاه یا همان مبتنی بر داده سرعت واکنش آن پرداخته ایم. در اینجا با استفاده مدل مبتنی بر داده پیشنهادی و جایگزین نمودن آن به جای روابط سینتیک سرعت واکنش، در هر لحظه با پیشبینی سرعت خروجی هر جزء و سپس حل معادلات بقا فرایند، مدلسازی ترکیبی فرایند را به سرانجام رساندیم. متغیرهای ورودی در این فرایند شامل زمان و غلظتهای تریگریسیلید، متانول، دیگلیسرید، مونوگلیسرید، بیودیزل وگلیسیرین در زمان t و متغیرهای خروجی شامل سرعت واکنش برای تمامی اجزاء در همان لحظه، نظر گرفته شده و میانگین مربعات خطا (Mean Square Error) و ضریب همبستگی ((R(۲) برای مدل ترکیبی (خطای میان مدل ترکیبی و اصل اولی)، بالای ۰/۹۹۸ و (۴-)۱۰ به دست آمده است که حاکی از دقت بالای مدل و قابلیت جایگزین نمودن آن در برابر مدل اصل اولی خواهد بود.