جستجو در:
دوره 6، شماره 3 - ( 1401 )
جلد 6 شماره 3 صفحات 59-41 |
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:
Eghbal Ahmadi M H, Mosayebi A. Prediction of conversion and products yields in steam reforming of methanol over Cu-Zn/ZrO2 catalyst using Artificial Intelligence methods. IQBQ 2022; 6 (3) :41-59
URL: http://arcpe.modares.ac.ir/article-38-64202-fa.html
URL: http://arcpe.modares.ac.ir/article-38-64202-fa.html
اقبال احمدی محمدحسین، مصیبی امیر. پیش بینی درصد تبدیل و توزیع محصولات در واکنش ریفورمینگ متانول با بخار آب در حضور کاتالیست Cu-Zn/ZrO2 با استفاده از مدل های مبتنی بر هوش مصنوعی. پژوهش‌های کاربردی مهندسی شیمی-پلیمر. 1401; 6 (3) :41-59
1- عضو هیات علمی گروه مهندسی شیمی، دانشگاه تفرش، تفرش، ایران ، mh.eghbalahmadi@tafreshu.ac.ir
2- عضو هیات علمی گروه مهندسی شیمی، دانشگاه تفرش، تفرش، ایران
2- عضو هیات علمی گروه مهندسی شیمی، دانشگاه تفرش، تفرش، ایران
چکیده: (1185 مشاهده)
موضوع تحقیق
در این مطالعه، به کمک های روش های مختلف مبتنی بر هوش مصنوعی، عملکرد فرآیند ریفورمینگ متانول با بخار آب بر حسب دما، فشار و نسبت بخار به متانول در خوراک ورودی مورد ارزیابی قرار گرفت.
روش تحقیق
در ابتدا، کاتالیست های Cu-Zn/ZrO2 با استفاده از روش همرسوبی سنتز شدند و آزمایش های واکنش ریفورمینگ متانول با بخار آب در شرایط عملیاتی مختلف در محدوده 180- 500 درجه سانتی گراد ،1-11 بار و نسبت بخار آب به متانول در خوراک ورودی 75/0 – 75/3 در یک راکتور بستر ثابت انجام گرفت. سه روش فازی ممدانی نوع1، فازی ممدانی نوع2 و فازی سوگنو به کار گرفته شده است که به کمک آنها بدون نیاز به دانستن پارامترها و روابط پیچیده سینتیکی و ترمودینامیکی و تنها به کمک شهود متخصص و برخی داده های موجود، مدلسازی انجام گرفت. همچنین، ساختار مدلهای فازی با هدف بهبود دقت عملکرد و بر اساس تحلیل نتایج اولیه بهینه شد. توسعه مدلها نیازی به تعداد بالای داده های ازمایشگاهی نداشت. این ویژگی، به خصوص برای شرایطی که دسترسی به داده های آزمایشگاهی هزینه بر است و یا داده ها از دقت کافی برخوردار نیستند، مورد توجه است.
نتایج اصلی
دقت کلی و ویژگیهای سه روش مدلسازی با هم مقایسه شد و مورد بحث قرار گرفت. مدل فازی ممدانی نوع2 به دلیل ویژگی های منحصر به فرد آن بهترین عملکرد را از خود نشان داد و سه متغیر درصد تبدیل متانول، بازده هیدروژن و منوکسیدکربن را به ترتیب با دقت 67%، 91% و 83% پیش بینی کرد.
در این مطالعه، به کمک های روش های مختلف مبتنی بر هوش مصنوعی، عملکرد فرآیند ریفورمینگ متانول با بخار آب بر حسب دما، فشار و نسبت بخار به متانول در خوراک ورودی مورد ارزیابی قرار گرفت.
روش تحقیق
در ابتدا، کاتالیست های Cu-Zn/ZrO2 با استفاده از روش همرسوبی سنتز شدند و آزمایش های واکنش ریفورمینگ متانول با بخار آب در شرایط عملیاتی مختلف در محدوده 180- 500 درجه سانتی گراد ،1-11 بار و نسبت بخار آب به متانول در خوراک ورودی 75/0 – 75/3 در یک راکتور بستر ثابت انجام گرفت. سه روش فازی ممدانی نوع1، فازی ممدانی نوع2 و فازی سوگنو به کار گرفته شده است که به کمک آنها بدون نیاز به دانستن پارامترها و روابط پیچیده سینتیکی و ترمودینامیکی و تنها به کمک شهود متخصص و برخی داده های موجود، مدلسازی انجام گرفت. همچنین، ساختار مدلهای فازی با هدف بهبود دقت عملکرد و بر اساس تحلیل نتایج اولیه بهینه شد. توسعه مدلها نیازی به تعداد بالای داده های ازمایشگاهی نداشت. این ویژگی، به خصوص برای شرایطی که دسترسی به داده های آزمایشگاهی هزینه بر است و یا داده ها از دقت کافی برخوردار نیستند، مورد توجه است.
نتایج اصلی
دقت کلی و ویژگیهای سه روش مدلسازی با هم مقایسه شد و مورد بحث قرار گرفت. مدل فازی ممدانی نوع2 به دلیل ویژگی های منحصر به فرد آن بهترین عملکرد را از خود نشان داد و سه متغیر درصد تبدیل متانول، بازده هیدروژن و منوکسیدکربن را به ترتیب با دقت 67%، 91% و 83% پیش بینی کرد.
نوع مقاله: پژوهشی اصیل |
موضوع مقاله:
نانوکاتالیزور
دریافت: 1401/6/23 | پذیرش: 1401/10/10 | انتشار: 1401/10/10
دریافت: 1401/6/23 | پذیرش: 1401/10/10 | انتشار: 1401/10/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |