کاربرد هوش مصنوعی و یادگیری ماشین در طراحی و بهینه سازی کاتالیست های هیدرودی سولفور زدایی در پالایش نفت مروری بر روابط ساختار-فعالیت

هیدرودی سولفور زدایی یکی از مهم ترین فرایندهای کاتالیستی پالایش نفت برای کاهش ترکیبات گوگردی موجود در سوخت ها است. با وجود پیشرفت های قابل توجه در توسعه کاتالیست های صنعتی، حذف ترکیبات مقاومی مانند دی بنزوتیوفن و مشتقات آن همچنان با محدودیت هایی همراه است. پیچیدگی همزمان ساختار کاتالیست، ویژگی های سطح، شرایط واکنش و ترکیب خوراک باعث شده است روش های متداول آزمون و خطا برای بهینه سازی کاتالیست ها زمان بر و پرهزینه باشند. در سال های اخیر هوش مصنوعی و به ویژه یادگیری ماشین به عنوان ابزارهایی برای تحلیل روابط چندمتغیره میان ویژگی های کاتالیست و عملکرد آن مورد توجه قرار گرفته اند. در این مقاله کاربرد روش های یادگیری ماشین در تحلیل و پیش بینی عملکرد کاتالیست های هیدرودی سولفور زدایی با تمرکز بر سامانه های مبتنی بر MoS۲ و واکنش HDS دی بنزوتیوفن بررسی شده است. روش هایی مانند Ridge، Lasso و Random Forest می توانند برای پیش بینی تبدیل و گزینش پذیری و همچنین شناسایی ویژگی های موثر کاتالیست مورد استفاده قرار گیرند. با این حال نتایج مدل ها به کیفیت و استانداردسازی داده ها وابستگی زیادی دارد و تفسیر همبستگی های آماری بدون پشتوانه تجربی می تواند گمراه کننده باشد. بر اساس بررسی انجام شده ترکیب یادگیری ماشین با دانش شیمیایی، مشخصه یابی دقیق و آزمایش های هدفمند می تواند مسیر موثرتری برای طراحی نسل جدید کاتالیست های HDS فراهم کند.

کلیدواژه ها:

هیدرودی سولفورزدایی ، هوش مصنوعی ، یادگیری ماشین ، کاتالیز ناهمگن ، دی بنزوتیوفن ، MoS۲