مدل‌سازی فرایند تبدیل خشک متان به‌کمک پلاسما با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک

محورهای موضوعی : شیمی تجزیه

سیدمرتضی فاضلی ¹ (دانشجوی دکتری شیمی‌فیزیک، دانشکده شیمی، دانشگاه پیام‌نور، تهران، ایران)
فاطمه راوری ² (استادیار شیمی‌فیزیک، دانشکده شیمی، دانشگاه پیام‌نور، تهران، ایران)
حمیدرضا بزرگ زاده ³ (دانشیار، شیمی‌فیزیک، پژوهشگاه صنعت نفت، تهران، ایران)
جعفر صادق زاده اهری ⁴ (استادیار، مهندسی شیمی، پژوهشگاه صنعت نفت، تهران، ایران)

تاریخ دریافت : 1395/07/16 تاریخ پذیرش : 1395/09/16 تاریخ انتشار : 1396/06/01

کلید واژه: بهینه‌سازی, شبکه عصبی مصنوعی, مدل‌سازی, پلاسما, تبدیل خشک متان,

چکیده مقاله :

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.

منابع و مأخذ:

[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.