بهینه‎سازی گوگردزدایی استخراجی نمونه سوخت با یک حلال یوتکتیک عمیق جدید سبز با استفاده از الگوریتم ژنتیک- شبکه عصبی

در این مطالعه سولفورزدایی استخراجی دی بنزوتیوفن از نرمال هگزان به‎عنوان مدل سوخت با استفاده از ۱ و ۱۰- فنانترولین ۲ و ۹- دی کربوکسامید- کلرید آهن بر پایه کولین کلرید به‎عنوان حلال یوتکتیک عمیق سبز، جدید و کارا مورد بررسی قرار گرفت. حلال یوتکتیک عمیق سنتز شده با تکنیک‎های اسپکتروسکوپی مادون قرمز (FT-IR) و رزوناس مغناطیسی هسته هیدروژن و کربن (۱H NMR, ۱۳C NMR) مشخصه‎یابی شد. اثر پارامترهای موثر بر فرآیند شامل نسبت جرمی نمونه سوخت به حلال یوتکتیک، دما، و زمان مورد بررسی قرار گرفتند و در شرایط بهینه برای cc ۱۰ محلول mg/L ۵۰۰ دی بنزوتیوفن در نرمال هگزان، در نسبت جرمی نمونه سوخت به حلال یوتکتیک ۵/۳۳، دمای ۲۵ºC و زمان min ۱۵ ماکزیمم درصد گوگردزدایی ۵/۰ ± ۵/۹۳ به‎دست آمد. مد‎ ‎ل‎سازی نتایج تجربی به‎دست آمده به‎وسیله الگوریتم ژنتیک بر پایه شبکه عصبی مصنوعی پیش‎بینی و بهینه‎سازی شدند. با به‎کارگیری ژنتیک الگوریتم مقادیر بهینه ۴/۳۴، ۳۳ºC/۲۷، و min ۹۹/۱۶ به‎ترتیب برای نسبت جرمی نمونه سوخت به حلال یوتکتیک، دما و زمان به‎دست آمد که بیانگر پتانسیل و توانایی بالای مدل به‎کار رفته در بهینه‎سازی روش پیشنهادی است.

Keywords:

سولفورزدایی استخراجی , حلال یوتکتیک عمیق , بهینه‎سازی , الگوریتم ژنتیک- شبکه عصبی , فرآیند سبز