فاضلی, سیدمرتضی, راوری, فاطمه, بزرگ زاده, حمیدرضا, صادق زاده اهری, جعفر. (1396). مدلسازی فرایند تبدیل خشک متان بهکمک پلاسما با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک. پژوهش های کاربردی در شیمی, 11(2), 49-60.
سیدمرتضی فاضلی; فاطمه راوری; حمیدرضا بزرگ زاده; جعفر صادق زاده اهری. "مدلسازی فرایند تبدیل خشک متان بهکمک پلاسما با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک". پژوهش های کاربردی در شیمی, 11, 2, 1396, 49-60.
فاضلی, سیدمرتضی, راوری, فاطمه, بزرگ زاده, حمیدرضا, صادق زاده اهری, جعفر. (1396). 'مدلسازی فرایند تبدیل خشک متان بهکمک پلاسما با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک', پژوهش های کاربردی در شیمی, 11(2), pp. 49-60.
فاضلی, سیدمرتضی, راوری, فاطمه, بزرگ زاده, حمیدرضا, صادق زاده اهری, جعفر. مدلسازی فرایند تبدیل خشک متان بهکمک پلاسما با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک. پژوهش های کاربردی در شیمی, 1396; 11(2): 49-60.
مدلسازی فرایند تبدیل خشک متان بهکمک پلاسما با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک
1دانشجوی دکتری شیمیفیزیک، دانشکده شیمی، دانشگاه پیامنور، تهران، ایران
2استادیار شیمیفیزیک، دانشکده شیمی، دانشگاه پیامنور، تهران، ایران
3دانشیار، شیمیفیزیک، پژوهشگاه صنعت نفت، تهران، ایران
4استادیار، مهندسی شیمی، پژوهشگاه صنعت نفت، تهران، ایران
چکیده
پیشبینی فراوردههای (هیدروژن و کربن مونوکسید) تبدیل خشک متان بهکمک پلاسما در فشار جوی با استفاده از شبکه عصبی مصنوعی شبیهسازی شد. دادههای تجربی موردنیاز برای مدلسازی شبکه عصبی مصنوعی از یک واکنشگاه پلاسمایی تخلیه کرونا جمعآوری شد. اثر عاملهای فرایندی (توان تخلیه پلاسما، دبی خوراک ورودی) بر کارایی تبدیل متان و گزینشپذیری نسبت به فراوردههای مورد بررسی قرار گرفتند. شبکه پیشخور با الگوریتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ مارکوارت، تابع فعالسازی سیگموئیدی برای لایه مخفی و تابع فعالسازی خطی برای لایه خروجی، مناسبترین شبکه عصبی بهدست آمده در این پژوهش است. برای مثال، مدل شبکه عصبی مصنوعی تبدیل متان 25/12% و گزینش پذیری نسبت به هیدروژن و کربنمونوکسید به ترتیب 71/15% و 74/85% را در توان تخلیه 4 وات پیشبینی کرد که مقادیر خطای مدل برای درصد تبدیل متان، گزینشپذیری نسبت به هیدروژن و کربنمونوکسید به ترتیب برابر 0/47%،1/2% و 0/2% است. برای رسیدن به شرایط بهینه عملیاتی در فرایند تبدیل از ترکیب الگوریتم ژنتیک و شبکه عصبی مصنوعی استفاده شد. نتیجهها نشان دادند که شدتجریان خو.راک ورودی بهینه 175 میلیلیتر بر دقیقه و توان تخلیه بهینه 6 وات بود. در این شرایط درصد تبدیل متان 25/85% و گزینشپذیری نسبت به هیدروژن برابر 65/15% بهدست آمد. اختلاف کوچک در شرایط عملیاتی بهینه بین مقادیر پیشبینی شده و تجربی، تأیید میکند که مدل شبکه عصبی مصنوعی ترکیب شده با الگوریتم ژنتیک، ابزاری مناسب برای مدلسازی و بهینهسازی فرایند تبدیل خشک متان بهکمک پلاسماست.