• صفحه اصلی
  • مرور
    • شماره جاری
    • بر اساس شماره‌های نشریه
    • بر اساس نویسندگان
    • بر اساس موضوعات
    • نمایه نویسندگان
    • نمایه کلیدواژه ها
  • اطلاعات نشریه
    • درباره نشریه
    • اهداف و چشم انداز
    • اعضای هیات تحریریه
    • همکاران دفتر نشریه
    • اصول اخلاقی انتشار مقاله
    • بانک ها و نمایه نامه ها
    • پیوندهای مفید
    • پرسش‌های متداول
    • فرایند پذیرش مقالات
    • اخبار و اعلانات
  • راهنمای نویسندگان
  • ارسال مقاله
  • داوران
  • تماس با ما
 
  • ورود به سامانه
  • ثبت نام
صفحه اصلی فهرست مقالات مشخصات مقاله
  • ذخیره رکوردها
  • |
  • نسخه قابل چاپ
  • |
  • توصیه به دوستان
  • |
  • ارجاع به این مقاله ارجاع به مقاله
    RIS EndNote BibTeX APA MLA Harvard Vancouver
  • |
  • اشتراک گذاری اشتراک گذاری
    CiteULike Mendeley Facebook Google LinkedIn Twitter
پژوهش های کاربردی در شیمی
arrow مقالات آماده انتشار
arrow شماره جاری
شماره‌های پیشین نشریه
دوره دوره 13 (1398)
دوره دوره 12 (1397)
دوره دوره 11 (1396)
شماره شماره 4
شماره شماره 3
شماره شماره 2
شماره شماره 1
دوره دوره 10 (1395)
دوره دوره 9 (1394)
دوره دوره 8 (1393)
دوره دوره 7 (1392)
دوره دوره 6 (1391)
دوره دوره 5 (1390)
دوره دوره 4 (1389)
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

مقاله 7، دوره 11، شماره 2، تابستان 1396، صفحه 49-60  XML اصل مقاله (1.63 MB)
نوع مقاله: پژوهشی
نویسندگان
سیدمرتضی فاضلی1؛ فاطمه راوری2؛ حمیدرضا بزرگ زاده email 3؛ جعفر صادق زاده اهری4
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.
کلیدواژه‌ها
شبکه عصبی مصنوعی؛ تبدیل خشک متان؛ پلاسما؛ مدل‌سازی؛ بهینه‌سازی
مراجع
[1] Samimi, A.; Zarinabadi, S.; Australian J Basic and Applied Sci, 5(12), 752-756, 2011
[2] Abbas, H.F.; Wan Daud W.M.A.; Int J of Hydrogen Energy, 35, 1160−1190, 2010.
[3] Moshrefi, M.M.; Rashidi, F.; Bozorgzadeh, H.R.; Haghighi, M.E.; Plasma Chem Plasma P, 33, 453–466, 2013.
[4] Ha, K.S.; Bae, J.W.; Woo, K.J.; Jun, K.W.; Environ Sci Technol, 44, 1412–1417, 2010.
[5] Tao, X.M.; Bai, M.J.; Li, X.; Long, H.L.; Shang, S.Y.; Yin, Y.X.; Dai, X.Y.; Prog Energy Combust Sci, 37, 113–124, 2011.
[6] Aleknaviciute, I.; Karayiannis, T.G.; Collins, M.W.; Xanthos, C.; Energy, 59, 432-439, 2013.
[7] Wang, Q.; Spasova, B.; Hessel, V.; Kolb, G.; Chemical Engineering Journal, 262, 766–774, 2015.
[8] Ozkan, A.; Dufour, T.; Arnoult, G.; De Keyzer, P.; Bogaerts, A.; Reniers, F.; Journal of CO2 Utilization, 9, 74–81, 2015.
[9] وافری، بهزاد؛ کرمی، حمیدرضا؛ کریمی، غلامرضا؛ نشریه شیمی و مهندسی شیمی ایران، (3)30، 37-25، 1390.
[10] Yan, B.; Wang, Q.; Jin, Y.; Cheng, Y.; Plasma Chem Plasma Process, 30(2):257–266, 2010.
[11] Aerts, R.; Tu, X.; Van Gaens, W.; Whitehead, J.C.; Bogaerts, A.; Environ Sci Technol, 47, 6478−6485, 2013.
[12] De Bie, C.; Verheyde, B.; Marten, T.; van Dijk, J.; Paulussen, S.; Bogaerts, A.; Plasma Processes Polym, 8, 1033−1058, 2011.
[13] De Bie, C.; Marten, T.; van Dijk, J.; Paulussen, S.; Verheyde, B.; Corthals, S.; Bogaerts, A.; Plasma Source Sci Technol, 20, 024008, 2011.
[14] Snoecks, R.; Aerts, R.; Tu, X.; Bogaerts, A.; J. Phys. Chem. C, 117, 4957−4970, 2013.
[15] Sadeghzadeh Ahari, J.; Sadeghi, M.T.; Zarrin Pashne, S.; J Taiwan Ind of Chem Eng, 42, 751–759, 2011.
[16] Nasr, N.; Hafez, H.; El, M.H.; Nakhla, G.; Int J Hydrogen Energy, 38, 3189–3195, 2013.
[17] Hossain, M.A.; Ayodele, B.V.; Cheng, C.K.; Khan, M.R.; Int J of Hydrogen Energy, 1-12, 2016.
[18] Ayodele, B.V.; Cheng, C.K.; J Ind Eng Chem, 32, 246-258, 2015.
[19] Zamaniyan, A.; Joda, F.; Behroozsarand, A.; Int J of Hydrogen Energy, 38, 6289-6297, 2013.
[20] Istadi, I.; Amin, N.A.S.; Chem Eng Sci, 62, 6568–6581, 2007.
[21] Liu, S.Y.; Mei, D.H.; Shen, Z.; Tu, X.; J Phys Chem C 118, 10686−10693, 2014.
[22] Peng, Z.; Min, Z.J.; Hong, Y.T.; Hui, Z.P.; Chinese Sci Bull, 56(20), 2162-2166, 2011.
[23] de Bie, C.; Martens, T.; Van Dijk, J.; Plasma Sources Sci and Technol, 20(2), 1– 11, 2011.
[24] Lee, D.H.; Kim, K.T.; Cha, M.S.; Song, Y.H.; Int J of Hydrogen Energy, 35(20), 10967–10976, 2010.
[25] Amin, N.A.S.; Istadi, I.; In book: Real-World Applications of Genetic Algorithms, 2007.
[26] Amin, N.A.S.; Yusof, K.M.; Isha, R.; Jurnal Teknologi, 43, 15–30, 2005.
[27] اکبری، ایمان؛ قریشی، سید محمد؛ رضوی، نرجس السادات؛ قریشی سید مهرداد؛ وفایی جهان مجید؛ نشریه پژوهش‌های کاربردی در شیمی، (4)7، 5، 1392.
[28] Aziznia, A.; Bozorgzadeh, H.R.; Seyed-Matin, N.; Baghalha, M.; Mohamadalizadeh, A.; J Nat Gas Chem, 21, 466-475, 2012.
[29] حسن‌آبادی، مرتضی؛ نشریه شیمی و مهندسی شیمی ایران، (2)31، 55، 1391.
[30] Istadi, I.; Amin, N.A.S.; Fuel Processing Technology, 87, 449–459, 2006b.
[31] Holland, J.; "Adaptation in Natural and Artificial Systems," University of Michigan Press, 1975.
[32] Hossain M.A.; Ayodele, B.V.; Cheng, C.K.; Khan, M.R.; Int J Hydrogen Energy, 1-12, 2016.
[33] Huang, K.; Zhan, X.L.; Chen, F.Q.; Lu, D.W.; Chem. Eng. Sci, 58, 81-85, 2003.
[34] Nazari, H.; Kazemi, A.; Hashemi, M.H.; Sadat, M.M.; Nazari, M.; Int J Energy Environ Eng, 6, 345–355, 2015.
[35] Tu, X.; Whitehead, J.C.; App Catal B: Enviro, 125, 439−448, 2012.
[36] Eliasson, B.; Liu, C.J.; Kogelschatz, U.; Ind. Eng. Chem. Res, 39, 1221-1227, 2000.

آمار
تعداد مشاهده مقاله: 175
تعداد دریافت فایل اصل مقاله: 234
صفحه اصلی | واژه نامه اختصاصی | اخبار و اعلانات | اهداف و چشم انداز | نقشه سایت
ابتدای صفحه ابتدای صفحه

Journal Management System. Designed by sinaweb.