دوره 5، شماره 4 - ( 1401 )                   جلد 5 شماره 4 صفحات 78-69 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

karami H, Soltanali S, Tayyebi S. Applying Artificial Neural Network in Prediction behavior of alkylation of m-Cresol with isopropanol process and yield optimization by Bee Colony algorithm. IQBQ. 2022; 5 (4) :69-78
URL: http://arcpe.modares.ac.ir/article-38-53258-fa.html
کرمی حمید، سلطانعلی سعید، طیبی شکوفه. به کارگیری شبکه عصبی در پیش‌بینی رفتار فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و بهینه‌سازی بازده فرایند با الگوریتم کلونی زنبورهای عسل. پژوهش‌های کاربردی مهندسی شیمی-پلیمر. 1401; 5 (4) :78-69

URL: http://arcpe.modares.ac.ir/article-38-53258-fa.html


1- دانشکده مهندسی شیمی و نفت، دانشگاه صنعتی شریف
2- پژوهشکده توسعه فناوری‌های کاتالیست،پژوهشگاه صنعت نفت ، sssoltan@gmail.com
3- پژوهشکده توسعه فناوری‌های پالایش،پژوهشگاه صنعت نفت
چکیده:   (209 مشاهده)
موضوع تحقیق: در ده­های اخیر روش­های بهینه‌سازی مبتنی بر پدیده­های طبیعی به دلیل عدم نیاز به انجام محاسبات سنگین ریاضی، عدم وابستگی به نقاط انتخابی اولیه و قابلیت بهینه­سازی نسبت به سایر روش­ها، در زمینه بهینه­سازی ترکیبی جایگاه ویژه­ای پیدا کرده­ است. علاوه بر این شبکه عصبی مصنوعی به‌عنوان یکی از ابزار قدرتمند هوش مصنوعی در شبیه­سازی فرایندها به‌کار برده می­شود. به­کارگیری شبکه عصبی برای مدل­سازی  فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و روش فرا ابتکاری در به دست آوردن شرایط بهینه برای کاتالیست و واکنش می­تواند گام موثری، در جهت انجام فرایند با بازده بالا فراهم ­سازد.
روش تحقیق: در این پژوهش شبکه عصبی برای پیش­بینی فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و الگوریتم کلونی زنبورهای عسل به منظور بهینه‌سازی بازده فرایند به کار گرفته شد. شبکه عصبی طراحی شده دارای 5 نرون در لایه پنهان می­باشد. به منظور بررسی عملکرد الگوریتم پیشنهادی، شبکه عصبی مصنوعی برای پیش بینی تبدیل متاکروزل و گزینش پذیری آن به تیمول در فرایند آلکیلاسیون متاکروزل با ایزوپروپانول 120 داده استفاده شد. در این فرایند،‌ سرعت فضایی (WHSV)، فشار و دما، به‌عنوان متغیرهای ورودی و تبدیل متاکروزل و گزینش پذیری تیمول به‌عنوان متغیرهای خروجی شبکه عصبی در نظر گرفته شده است.
نتایج اصلی: سیستم شبیه­سازی طراحی شده با ضریب رگرسیون (R2) بالاتر از %97.5،‌ نشان‌دهنده دقت بالای شبکه عصبی طراحی شده برای این فرایند می­باشد. میزان بیشینه بازده این فرایند با استفاده از الگوریتم کلونی زنبورهای عسل  28.9%  )با متغیرهای قابل تنظیم  h-10.062 WHSV=، فشار  bar1.5 و دمای ˚C 300( حاصل شد. هم­چنین برای دستیابی به کارایی بهتر الگوریتم بهینه سازی، مقادیر مطلوب ضریب شتاب و جمعیت زنبورها با آزمون سعی و خطا 100 و 10حاصل شد.
شماره‌ی مقاله: 5
متن کامل [PDF 426 kb]   (14 دریافت)    
نوع مقاله: پژوهشي اصيل | موضوع مقاله: نانوکاتالیزور
دریافت: 1400/3/22 | پذیرش: 1400/7/25 | انتشار: 1401/2/5

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.