27181

استفاده از شبكه‌هاي عصبي جهت مدل‌سازي شبيه‌سازي فرآيند جذب ‌دي‌اكسيد‌كربن با محلول‌هاي تركيبي آميني

كارشناسي ارشد

مهندسي شيمي

1398

1401/07/06

اميد وحيدي

دانشكده مهندسي شيمي، نفت و گاز

يكي از گزينه‌ها براي كاهش انتشار دي‌اكسيدكربن از جريان‌هاي گازي استفاده از حلال‌هاي آمين واكنش‌پذير است كه به عنوان يكي از مهمترين تكنولوژي‌هاي حذف دي‌اكسيدكربن در نظر گرفته شده‌است. از تركيب آمين‌ها با هم در فرآيند جذب آلاينده‌هايي چون دي‌اكسيد‌كربن استفاده شده‌است. در پژوهش‌هاي انجام شده عمدتا محققان به بررسي تجربي حلاليت دي‌اكسيدكربن در حلال‌هاي آميني و همچنين بررسي سينتيك اين سيستم‌ها براي محدودهاي از دما و ميزان بارگذاري پرداختند و متأسفانه تاكنون مدل‌هاي دقيق يا معادلات دقيق براي محاسبه شار انتقال جرم در سيستم‌هاي جذب واكنش‌دار ارائه نشده‌است. در اين پژوهش هدف بررسي پارامتر‌هاي تاثيرگذار بر روي محاسبه شار انتقال جرم اجزاء فاز گاز به فاز مايع است. براي اين منظور، پارامترهاي موثر دو سيستم MEA-PZ ، MDEA-PZ بر شار انتقال جرم ‌دي‌اكسيد كربن بررسي شده و با استفاده از قضيه پاي-باكينگهام متغيرهاي موثر به صورت پارامتر بدون بعد استخراج شد. سپس جهت بررسي كارايي شبكه‌هاي عصبي مصنوعي در سيستم‌هاي انتقال جرمي از اين شبكه جهت استفاده شد. اعداد بدون بعد بدست آمده از روش باكينگهام به عنوان ورودي هاي شبكه و شار انتقال جرم بعنوان خروجي شبكه انتخاب شدند. در اين پژوهش از شبكه عصبي MLP و RBF و روش سطح پاسخ(RSM) استفاده شد. نتايج پيش‌بيني شبكه MLP براي سيستم MDEA-PZ و MEA-PZ نشان داده شد، كه R^2 هر دو سيستم به ترتيب برابر 0.992 و 0.9991 مي‌باشد و R^2 در شبكه RBF براي هر دو سيستم به‌ترتيب برابر 0.9992 و 0.998 بدست آمده است. بنابراين، شبكه عصبي توسعه‌يافته را مي‌توان به طور مناسب براي پيشبيني شار انتقال جرم دي‌اكسيد‌كربن‌ در محدوده وسيعي از شرايط تجربي مورد استفاده قرار داد. براي هر دو سيستم مي‌توان گفت كه مطابقت خوبي بين پيشبيني‌هاي ANN و مقادير تجربي حاصل شده‌است. نتايج نشان داد كه شار انتقال جرم با افزايش نسبت ضرايب نفوذ فازها و كاهش بارگذاري افزايش مي‌يابد. متوسط قدر مطلق خطاي بدست آمده براي رابطه ارائه شده در محلول MDEA-PZ و MEA-PZ به ترتيب 3.5% و 4.2% بوده كه حاكي از دقت بالاي اين رابطه مي‌باشد. با استفاده از نمودار‌هاي سه بعدي بدست‌امده از شبكه‌هاي عصبي و RSM توانستيم تاثير هر كدام از پارامتر‌هاي را بر روي شار انتقال جرم بررسي كنيم و با بررسي پارامتر فيلمي در اين پژوهش ميزان پارامتر فيلمي به صورت MEA-PZ˃MDEA-PZ است.

1401/07/23

Using neural networks for modeling and simulating the absorption of carbon dioxide with mixed amine

9/28/2023 12:00:00 AM

One of the options for reducing carbon dioxide emissions from gas streams is the use of reactive amine solvents, which are considered as the most important technologies for removing carbon dioxide. The combination of amines together has been used in the process of absorbing pollutants such as carbon dioxide. In this research, the aim is to investigate the influencing parameters on the calculation of the mass transfer flux of components from the gas phase to the liquid phase. For this purpose, the effective parameters of MEA-PZ and MDEA-PZ systems on carbon dioxide mass transfer flux were investigated and the effective variables were extracted as dimensionless parameters using the Pai-Buckingham theorem. Then this network was used to check the efficiency of artificial neural networks in mass transfer systems. Dimensionless numbers obtained from Buckingham's method were selected as network inputs and mass transfer flux as network output. In this research, MLP and RBF neural network and response surface method (RSM) were used. The prediction results of MLP network for MDEA-PZ and MEA-PZ system were shown, that R^2 of both systems is equal to 0.992 and 0.9991, respectively, and R^2 in RBF network for both systems is equal to 0.9992 and 0.998, respectively. For both systems, it can be said that a good match between ANN predictions and experimental values has been obtained. The results showed that the mass transfer flux increases with the increase in the ratio of the penetration coefficients of the phases and the decrease in loading. The average absolute value of the error obtained for the relationship presented in MDEA-PZ and MEA-PZ solution was 3.5% and 4.2%, respectively, which indicates the high accuracy of this relationship. Using the three-dimensional graphs obtained from neural networks and RSM, we were able to check the effect of each parameter on the mass transfer flux, and by checking the film parameter in this research, the amount of the film parameter is MEA-PZ˃MDEA-PZ.

آمين تركيبي , قضيه پاي باكينگهام , شبكه عصبي , روش سطح پاسخ

Amine mixture , Buckingham pi-theorem , Neural network , Response surface methodology

pedram zafari zafarabad

ahad ghaemi