مطالعه و بررسی مدل های RSM و ANN در بهینه سازی سنتز بیودیزل با کاتالیست های ناهمگن

با افزایش مصرف سوخت های فسیلی و چالش های ناشی از آن شامل آلودگی محیط زیست، تخریب اکوسیستم و محدودیت منابع، بیودیزل به عنوان جایگزینی پایدار و تجدیدپذیر مورد توجه قرار گرفته است. این مقاله مروری به بررسی سیستماتیک کاربرد فناوری های یادگیری ماشین در بهینه سازی فرآیند تولید بیودیزل می پردازد. با تحلیل مطالعات معتبر در این حوزه، نقش روش های بهینه سازی شامل روش سطح پاسخ (RSM) و شبکه عصبی مصنوعی (ANN) در تولید بیودیزل با استفاده از کاتالیست های ناهمگن مورد ارزیابی قرار گرفته است. یافته ها نشان می دهد که کاتالیست های ناهمگن به دلیل قابلیت بازیابی، سازگاری زیستی و کاهش هزینه های تولید سهم بسزایی در بهبود بازده فرآیند دارند. همچنین مقایسه روش های مدلسازی حاکی از آن است که اگرچه ANN در پیش بینی پارامترهای کیفیتی از دقت بالاتری برخوردار است، اما RSM در تحلیل روابط علی بین متغیرهای فرآیندی و بهینه سازی چندهدفه عملکرد مطلوبی دارد. به کارگیری همزمان این دو روش در کنار استفاده از کاتالیست های پیشرفته می تواند به توسعه پایدار و اقتصادی تولید بیودیزل در مقیاس صنعتی منجر شود.

کلیدواژه ها:

بیودیزل ، مدلسازی ، روش سطح پاسخ ، شبکه عصبی مصنوعی