پیش‌بینی توزیع فرآورده‌های سنتز فیشر-تروپش در حضور کاتالیست Ni/HZSM-5 با شبکه عصبی-فازی برپایه الگوریتم ژنتیک و اجتماع ذرات

محورهای موضوعی : شیمی تجزیه

مرتضی اسفندیاری ¹ (استادیار گروه مهندسی شیمی، دانشگاه بجنورد، بجنورد، ایران)
امیر مصیبی ² (استادیار گروه مهندسی شیمی، دانشگاه تفرش، تفرش، ایران)
رضا عابدینی ³ (استادیار دانشکده مهندسی شیمی، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران)

تاریخ دریافت : 1398/02/01 تاریخ پذیرش : 1398/05/01 تاریخ انتشار : 1398/12/01

کلید واژه: الگوریتم ژنتیک, فرایند فیشر- تروپش, کاتالیست Ni/HZSM-5, عصبی-فازی, الگوریتم اجتماع پرندگان,

چکیده مقاله :

در این پژوهش، کاتالیست‌های نانوساختار Ni/HZSM-5 با روش ریزنامیزه معکوس تهیه شدند. از مزیت‌های قابل توجه این روش، می‌توان به پراکندگی مناسب ذرات، سطح ویژه و کاهش بالاتر نمونه اشاره کرد. آزمایش‌های سنتز فیشر-تروپش در حضور کاتالیست Ni/HZSM-5 در گستره شرایط عملیاتی شامل دمای 220 تاC°۲۴۰، فشار ۱۵ تا ۲۵ بار و سرعت فضایی گاز 900 تا 1/۲۳۰۰h انجام شد. هدف از آموزش شبکه عصبی-فازی تطبیقی، یافتن اندازه وزن‌ها و بایاس‌ها به نحوی است که خطای داده‌های آموزش را به حداقل برساند. بنابراین، آموزش شبکه‌های عصبی- فازی تطبیقی را می‌توان دربردارنده یک مسئله بهینه‌سازی دانست که هدف آن بهینه‌سازی شرایط وزنی و بایاس‌ها برای دستیابی به حداقل خطای آموزش است. بدین‌منظور برای بهینه‌سازی مدل عصبی- فازی، از الگوریتم ژنتیک و الگوریتم اجتماع ذرات استفاده شد که منجر به پیش‌بینی توزیع فراورده‌های سنتز فیشر تروپش با شبکه‌های ANFIS، GA_ANFIS و PSO_ANFIS شد. برای مدل‌سازی فرایند از 17 داده آزمایشگاهی استفاده شد که از این 17 داده، 80 درصد برای آموزش و بقیه برای تعیین اعتبار مدل استفاده شد. همه مدل‌های آورده شده دارای ضریب همبستگی بالاتر از 0/97 بودند که نشان‌دهنده دقت مدل‌سازی است. و با توجه به ضریب همبستگی و خطاهای ARE، AARE و SD بهترین شبکه مورد نظر برای مدل‌سازی فرایند مورد نظر، PSO_ANFIS است.

منابع و مأخذ:

[1] Mosayebi, A.; Haghtalab, A.; Chem. Eng. J. 259, 191-204, 2015.
[2] Haghtalab, A.; Mosayebi, A.; Int. J. Hydrogen. Energy 39, 18882-18893, 2014.
[3] Irankhah, A.; Haghtalab, A.; Chem. Eng. Tech. 31, 525-536, 2008.
[4] Freitez, A.; Pabst, K.; Kraushaar-Czarnetzki, B.;Schaub, G.; Ind. Eng. Chem. Res. 50, 13732-13741, 2011.
[5] Zhang, X.; Yang, L.; Giuging, L.; Kai, T.; Quan, J., Fanzhi, M.; Ding, W.; Tsubaki, N.; Fuel 92, 122-129, 2012.
[6] Li, X.; Luo,M.; Asami, K.; Catal. Today 89, 439-446, 2004.
[7] Kang, S.H.; Bae, J.W.; Hoo, K.J.; Jun, K.W.; Fuel. Process. Technol. 108, 597-603, 2010.
[8] Wang, S.; Yin, Q.; Guo, J.; Ru, B.; Zhu, L.; Fuel 108, 597-603, 2013.
[9] Yang, G.; Xing, C.; Hiroham, W.; Jin, Y.; Zeng, C.; Suehiro, Y.; Catal. Today. 215, 29-35, 2013.
[10] Tanhaei, B.; Esfandyari, M.; Ayati, A.; Sillanpaa, M.; J. Nano. Chem.7, 29-36, 2017.
[11] Jang, J.S.; IEEE transac. systems. man.cybernetics. 23, 665-685, 1993.
[12] Abedini, R.; Esfandyari, M.; Nezhadmoghadam, A.; Rahmanian, B.; Petrol. Sci. Technol. 30, 2008-2021, 2012.
[13] Rahmanian, B.; Pakizeh, M.; Ali, S.; Maskooki A.; J. Taiwan. Inst. Chem. Eng. 43, 558-565, 2012.
[14]. Salahshoor, K.; Hamzehnejad, M.; Zakeri, S.; Appl. Math.Model. 36, 5534-5554, 2012.
[15]. Salehi, H.; Zeinali-Heris, S.; Esfandyari, M.; Koolivand, M.; Heat. Mass. Transfer. 49, 575-583, 2013.
[16] Esfandyari, M.; Fanaei, M.A.; Gheshlaghi, R.; Mahdavi, M.A.; J. Taiwan. Ins. Chem. Eng. 58, 84-91, 2016.
[17] Booker, L.B.; Goldberg, D.E.; Holland, J.H.; Artificial. Intelligence. 40, 235-282, 1989.
[18] Houck, C.R.; Joines, J.; Kay, M.G.; Ncsu-ie. Tr. 95, 1-10, 1995.
[19] Esfandyari, M.; Jafari, D.; Petrol.Sci. Technol. 36, 1-7, 2018.
[20] Dabiri-Atashbeyk, M.; Iran. J. Oil. Gas. Sci. Technol. 7, 60-69, 2018.

_||_