بهینه سازی فرایند تولید کاتالیزگر رس فعال به کاررفته در کاهش و حذف ترکیبات غیراشباع الفینی از خوراک های آروماتیکی به کمک فرآیند یادگیری ماشین

برای حذف ترکیبات الفینی از خوراک های آروماتیکی، از کاتالیزگر رس فعال شده به روش اسیدی استفاده می شود که در آن معمولا، بنتونیت خام در زمان و دمای مشخص در تماس با اسید رقیق شده قرار می گیرد. یکی از مشخصه های مهم تعیین کیفیت کاتالیزگر، یعنی سطح ویژه ی آن، متاثر از عوامل مختلفی از جمله، ویژگی های خاک اولیه و عوامل متعدد فرآیندی است؛ به همین دلیل در این پژوهش، از روش یادگیری ماشین، به دلیل دقت و تعمیم پذیری نسبی بالا و صرفه جویی در زمان و هزینه بهره گرفته شد. مدل یادگیری ماشین در ابتدا، به کمک ۴۰۰ نمونه ی آزمایشگاهی و جمع آوری شده از منابع، آموزش داده شد و مهم ترین عوامل و محدوده ی بهینه ی آن ها به دست آمد. سپس با توجه به این مقادیر بهینه، طراحی آزمایش تاگوچی برای پنج عامل در سه سطح و در ۲۷ گام آزمایشگاهی انجام گرفت. مدل یادگیری ماشین، به کمک داده های جدید آموزش داده شد. از میان مدل های یادگیری ماشین خطی، درختی و دسته جمعی، مدل «ارتقاء گرادیان» بهترین عملکرد را در پیش بینی سطح ویژه با دقت نهایی %۷۴ داشت. با تحلیل مدل، عوامل «غلظت اسید»، «زمان»، «دما» و «نسبت وزن رس به حجم اسید» به ترتیب موثرترین عوامل فرآیندی و ویژگی های «مجموع فلزات ساختار هشت وجهی»، «فاصله ی صفحات»، «نسبت سیلیکا به آلومینا» و «سطح اولیه» به ترتیب موثرترین ویژگی های رس اولیه در تعیین سطح ویژه ی رس فعال بودند. یک نمونه رس فعال، براساس مقادیر بهینه ی عوامل فرایندی، به دست آمده از مدل ارتقاء گرادیان، تولید و در نهایت سطح ویژه ی نمونه ی بهینه برابر m۲/g ۱ ± ۲۰۴ اندازه گیری شد که در محدوده ی پیش بینی مدل یادگیری ماشین m۲/g (۱۹ ± ۲۰۵) قرار داشت.

کلیدواژه ها:

رس فعال ، کاتالیزگر ، روش اسیدی ، یادگیری ماشین