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

روند تغییرات تکنولوژیکی تولید سوخت در جهت جلوگیری از آلودگیهای زیست محیطی در آب و خاک و هوا می باشد. پس از شناخت اثرات سمی و سرطانزائی ترکیبات آلی سرب، تولید ترکیبات مانند متیل ترشیاری بوتیل اتر به عنوان افزودنی برای بنزین های هیدروکربنی معمولی مطرح گردید. اینگونه ترکیبات (متیل ترشیاری بوتیل اتر) نیز به هر نحوی وارد محیط زیست انسان میگردند. در نتیجه توسعه فرآیندی جدید برای تولید بنزین با اکتان بالا از ترکیبات پیچیده مقطرهای سبک نفتی به اجرا درآمد. این روش مبتنی بر جداسازی آلکانهای خطی و شاخهای C5-C8 براساس خواص جذبی آنها، طول زنجیره و تعداد شاخه ها میباشد. دراین پژوهش مدل شبکه عصبی هیبریدی بر مبنای داده های تجربی موجود در بانک اطلاعاتی، به عنوان مدلی جایگزین برای پیشبینی میزان جداسازی پارافینهای خطی و شاخهای توسط فرآیند جذب استفاده شده است. دمای جذب، زمان جذب، عدد اکتان و چگالی هیدروکربنها به عنوان چهار پارامتر ورودی و همچنین نسبت غلظت پارافین خطی به کل به عنوان پارامتر خروجی شبکه عصبی در نظر گرفته شد. مدل شبکه عصبی با موفقیت توسط پایگاه داده آزمایشگاهی تعلیم داده شد و سپس به کمک داده های تست مورد بررسی قرار گرفت. نتایج مدلسازی برای داده های تست نشان از موفقیت آمیز بودن مدل شبکه های عصبی در پیش بینی میزان جداسازی پارافینهای خطی از غیر خطی دارد از این رو مدل شبکه عصبی مصنوعی توسعه داده شده میتواند برای تعیین مطمئن C/C0در فرآیند جذب به کار رود. طبق نتایج به دست آمده برای داده تست، کمترین خطای میانگین مربعات، برابر با 0/0518 بدست آمد. که این میزان رضایت بخش است. داده های مدلسازی با داده های تجربی مقایسه گردید و ضریب رگرسیون برابر 0/99 حاکی ازتطابق خوب نتایج تجربی و مدلسازی میباشد.

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

بنزین , عدد اکتان , الگوریتم ژنتیک , شبکه عصبی.