جستجو در:
دوره 5، شماره 4 - ( 1400 )
جلد 5 شماره 4 صفحات 78-69 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
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 2021; 5 (4) : 5
URL: http://arcpe.modares.ac.ir/article-38-53258-fa.html
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. 1400; 5 (4) :69-78
حمید کرمی1 
، سعید سلطانعلی 2، شکوفه طیبی3
، سعید سلطانعلی 2، شکوفه طیبی3
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
2- پژوهشکده توسعه فناوری‌های کاتالیست،پژوهشگاه صنعت نفت ،
3- پژوهشکده توسعه فناوری‌های پالایش،پژوهشگاه صنعت نفت
چکیده: (1803 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.
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
نوع مقاله: پژوهشی اصیل |
موضوع مقاله:
نانوکاتالیزور
دریافت: 1400/3/22 | پذیرش: 1400/7/25 | انتشار: 1401/2/5
دریافت: 1400/3/22 | پذیرش: 1400/7/25 | انتشار: 1401/2/5
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |