22222

بهينه سازي فرآيند جدايش مايع-مايع با استفاده از شبيه سازي شبكه عصبي

كارشناسي ارشد

شناسايي و انتخاب مواد مهندسي

1399/3/21

دكتر ماندانا عادلي - دكتر محمدرضا ابوطالبي

مواد و متالورژي

استخراج حلالي يك فرايند جداسازي است كه بطور گسترده¬اي در توليد مواد خلوص بالا براي كاربردهاي هسته¬اي و تكنولوژي بالا استفاده مي¬شود. اين فرآيند عمدتا شامل استخراج انتخابي فلز مورد علاقه از محلول آبي خود به يك فاز آلي است. توسعه فرآيند، تجزيه و تحليل، بهينه¬سازي و كنترل عناصر در اين روش، يك كار پيچيده است. شبيه¬سازي كامپيوتري ابزار مفيد در اين زمينه را فراهم مي¬كند. استفاده از شبكه¬هاي عصبي مصنوعي براي شبيه¬سازي داده¬هاي تعادلي فرآيندهايي مانند استخراج مايع-مايع در عناصر مي¬تواند ابزاري مفيد و كارآمد باشد. در اين تحقيق ابتدا آزمايش¬هاي مختلفي براي بررسي تاثير پارامترهاي مختلف از جمله pH محلول، غلظت استخراج¬كننده (C_e)، نوع محلول (نيتريكي يا سولفوريكي)، نوع استخراج¬كننده (D2EHPA يا PC88A)، دما، نسبت استخراج¬كننده¬ها (در هم¬افزايي استخراج كننده¬ها) بر راندمان استخراج ساماريم و لوتتيم انجام شده و سپس براي بهينه¬سازي راندمان استخراج عناصر ساماريم و لوتتيم از شبيه¬سازي شبكه عصبي استفاده شده است كه در اين شبيه¬سازي از داده¬هاي آزمايش¬هاي تجربي انجام شده براي آموزش و امتحان شبكه عصبي طراحي شده استفاده شده است. براساس آزمايش¬هاي اوليه، شش متغير از جمله pH محلول، غلظت استخراج¬كننده، نوع محلول، نوع استخراج¬كننده، دما و نسبت استخراج¬كننده¬ها به عنوان پارامترهاي ورودي شبكه عصبي براي ساماريم و خروجي شبكه عصبي راندمان استخراج ساماريم در نظر گرفته شد و چهار متغير از جمله pH محلول، غلظت استخراج¬كننده، نوع محلول و نوع استخراج¬كننده براي ورودي شبكه عصبي لوتتيم و راندمان استخراج لوتتيم به عنوان خروجي شبكه عصبي انتخاب شدند. در اين تحقيق از مدل پس انتشار شبكه عصبي و تابع آموزش لونبرگ-ماركوارت استفاده شده است و براي شبكه عصبي ساماريم سه لايه پنهان با تابع انتقال logsig و يك تابع انتقال purelin در لايه خروجي استفاده شد و براي شبكه لوتتيم دو لايه پنهان با تابع انتقال logsig و يك تابع انتقال purelin در لايه خروجي استفاده شد. براساس نتايج به دست آمده مشاهده شد كه پيش¬بيني¬هاي شبكه عصبي به نتايج تجربي خيلي نزديك بوده و ميزان خطاي شبكه عصبي كم بوده و همچنين ميزان رگرسيون براي امتحان شبكه عصبي براي ساماريم 99/0 R^2= و ميانگين مربعات خطا 35/0= MSE و براي لوتتيم 99/0 R^2= و 05/5= MSE به دست آمد.

1399/06/30

Optimizing the liquid-liquid separation process using neural network simulation

6/10/2020 12:00:00 AM

Solvent extraction is a separation process that is widely used in the production of high purity materials for nuclear applications and high technology. This process mainly involves selectively extracting the preferred metal from its aqueous solution to an organic phase. Process development, analysis, optimization and control of elements in this method is a intricate complicated task. Computer simulation provides useful tools in this area. The use of artificial neural networks to simulate equilibrium data processes such as liquid-liquid extraction in elements can be a useful and efficient tool. In this study, first, different experiments to investigate the effect of different parameters such as pH of solution, extractor concentration ("C" _"e" ), solution type (nitric or sulfuric), extractor type (D2EHPA or PC88A), temperature, extractor ratio the Samarium and lutetium extraction efficiency has been performed (in mixing extractors) and then the neural network simulation has been used to optimize the efficiency of samarium and lutetium extraction, which used experimental data to train and test the designed neural network. Based on preliminary experiments, six variables including pH of solution, extractor concentration, solution type, extractor type, temperature and ratio of extractors as neural network input parameters for samarium and neural network output samarium extraction efficiency four variables were considered, including solution pH of solution , extractor concentration, solution type and extractor type for lutetium neural network input and neural network output lutetium extraction efficiency was selected. In this study, neural network backpropagation model and Levenberg–Marquardt training function were used. For samarium neural network, three hidden layers with logsig transfer function and a purelin transfer function was used in the output layer and for lutetium network, two hidden layers with transfer function were used logsig and a pureline transfer function were used in the output layer. Based on the results, it was observed that the neural network predictions are very close to the experimental results and the error rate of the neural network is low and the results are acceptable, Also, the regression rate for neural network test was obtained for samarium is R^2= 0.99 and the mean error squares were MSE = 0.355, and for lutetium was R^2= 0.99 and MSE = 5.05.