مدل سازی هیبریدی شبکه عصبی– الگوریتم ژنتیک برای جداسازی پارافین های خطی و شاخه ای به وسیله فرایند جذب به منظور ارتقای عدد اکتان بنزین

پس از شناخت تاثیرات سمی و سرطان زایی ترکیبات آلی سرب، تولید ترکیبات مانند متیل ترشری بوتیل اتر، به عنوان افزودنی برای بنزین های هیدروکربنی معمولی، مطرح گردید؛ در نتیجه، توسعه فرایندی جدید برای تولید بنزین با اکتان بالا از ترکیبات پیچیده مقطرهای سبک نفتی، به اجرا درآمد. این روش، مبتنی بر جداسازی آلکان های خطی و شاخه ای C۵-C۸ براساس خواص جذبی آنها، طول زنجیره و تعداد شاخه ها می باشد. در این پژوهش، مدل شبکه عصبی هیبریدی برمبنای داده های تجربی موجود در بانک اطلاعاتی، به عنوان مدلی جایگزین برای پیش بینی میزان جداسازی پارافین های خطی و شاخه ای توسط فرایند جذب استفاده شده است. دمای جذب، زمان جذب، عدد اکتان و چگالی هیدروکربن ها به عنوان چهار پارامتر ورودی و همچنین نسبت غلظت پارافین خطی به کل، به عنوان پارامتر خروجی شبکه عصبی در نظر گرفته شد. پایگاه داده آزمایشگاهی، مدل شبکه عصبی را با موفقیت تعلیم داد و سپس به کمک داده های تست، بررسی کرد. نتایج مدل سازی برای داده های تست، نشان از موفقیت آمیز بودن مدل شبکه های عصبی در پیش بینی میزان جداسازی پارافین های خطی از غیرخطی دارد؛ از این رو مدل شبکه عصبی مصنوعی توسعه داده شده می تواند برای تعیین مطمئن C/C۰ در فرایند جذب به کار رود. طبق نتایج به دست آمده برای داده تست، کمترین خطای میانگین مربعات، برابر با ۰/۰۵۱۸ به دست آمد که این میزان، رضایت بخش است. داده های مد ل سازی با داده های تجربی مقایسه گردید و ضریب رگرسیون برابر ۰/۹۹ حاکی از تطابق خوب نتایج تجربی و مدل سازی می باشد.

مدل سازی هیبریدی شبکه عصبی– الگوریتم ژنتیک برای جداسازی پارافین های خطی و شاخه ای به وسیله فرایند جذب به منظور ارتقای عدد اکتان بنزین Keywords:

بنزین , عدد اکتان , الگوریتم ژنتیک , شبکه عصبی