آرمان شاهنظری - Ferdowsi University of Mashhad
عباس روحانی - Ferdowsi University of Mashhad
محمدحسین آق خانی - Ferdowsi University of Mashhad
محمدعلی ابراهیمی نیک - Ferdowsi University of Mashhad

هدف این مطالعه، تخمین نفت زیستی حاصل از فرایند پیرولیز مواد زائد بر حسب رطوبت، کربن ثابت، مواد فرار و خاکستر  است. از نتایج آزمایشگاهی ۴۱ مطالعه مختلف برای مدل سازی استفاده شد. از مدل شبکه عصبی به عنوان یک ابزار سیاستگذاری در ارزیابی  و پیش بینی مقدار درصد نفت زیستی حاصل از مواد زائد طی فرایند پیرولیز استفاده شد. مقادیر بهینه پارامترهای شبکه عصبی به روش آماری تخمین زده شد. نتایج مقایسات در دو شبکه عصبی پرسپترون چند لایه و شبکه عصبی تابع شعاعی نشان داد که شبکه عصبی تابع شعاعی دارای توانایی بیشتری در تخمین نفت زیستی می باشد. مقدار ضریب تبیین  بین درصد نفت زیستی برآورد شده توسط شبکه عصبی تابع شعاعی و مقدار آزمایشگاهی آنها برابر با ۹۹/۰ شد. نتایج ارزیابی شبکه عصبی نشان داد که آن را می توان به عنوان یک ابزار در برآورد درصد تولید نفت زیستی به کار برد و از آن در تصمیم گیری های مدیریتی تولید نفت زیستی بهره برد.    

Neural network, Bio-oil, Waste, Multi-Layer Perceptron (MLP), Radial Basis Function (RBF), شبکه عصبی, نفت زیستی, مواد زائد, پرسپتون چند لایه, تابع شعاعی