26996

مدل‌ سازي شبكه عصبي جذب دي اكسيد كربن در مخلوط محلول‌ هاي آميني با ارتقاء دهنده‌هاي مختلف

كارشناسي ارشد

مهندسي شيمي

1398

1401/04/26

دكتر شاهرخ شاه حسيني

دكتر احد قائمي

مهندسي شيمي، نفت و گاز

در اين تحقيق با بررسي آخرين تحقيقات انجام¬شده در اين زمينه، به مرور آزمايش¬هاي جذب CO¬2¬ با استفاده از حلال¬هاي آميني داراي ارتقاءدهنده مانند آمين‌هاي نوع اول، دوم، سوم، آمين‌هاي داراي گروه عاملي، مايعات يوني و جاذب‌هاي فيزيكي و مقايسۀ عملكرد آن¬ها پرداخته شده است؛ سپس با توجه به دقت و سرعت بالاي شبكه‌هاي عصبي مصنوعي به عنوان يك روش جديد مدل‌سازي، اين شبكه‌ها براي اين تحقيق به كار رفته و مدل¬هاي شبكه عصبي ساخته شده براي اين نوع از آزمايش¬ها بررسي شده است. همچنين براي اولين بار از مدل¬سازي شبكۀ عصبي با دو ساختار MLP و RBF براي پيش¬بيني نتايج جذب CO¬2 در محلول¬هاي مختلف آبي با حلال آمين-پايه و ارتقاءدهنده‌هاي فوق‌الذكر استفاده شده-است. براي اين امر تعدادي از آزمايش¬هاي مرتبط موجود در منابع كه از نظر شرايط عملياتي و دستگاه آزمايش مشابه بوده¬اند انتخاب شده و با دسته¬بندي 1073 دادۀ تجربي جمع¬آوري¬شده از اين تحقيقات به دسته¬هاي مختلف آموزشي و آزمايشي، شبكه¬هاي مختلفي با توجه به تعداد لايه¬ها، نورون¬ها و توابع فعال-سازي ساخته و نتايج آن گزارش شده¬است. دما، درصد وزني اجزاي محلول (به غير از آب)، فشار جزئي CO2 و وزن مولكولي محلول به عنوان پارامترهاي ورودي و بارگذاري CO2 در محلول به عنوان خروجي شبكه انتخاب شده¬اند. وزن مولكولي محلول به عنوان شاخصي براي نوع حلال موجود در محلول به كار رفته است. معيارهاي MSE، AARD% و R¬2¬ كه براي مقايسۀ اين شبكه¬ها بررسي شدند براي MLP به ترتيب برابر با 4/65 ×10¬-5، 0/67 و 0/999 و براي RBF به ترتيب برابر با 3/61 ×10¬-5، 0/47 و 0/998 رسيدند. بدين ترتيب اين شبكه¬ها با دقت بالايي توانسته¬اند نتايج آزمايش¬ها را پيش¬بيني نمايند. بهترين شبكۀ MLP داراي دو لايۀ مخفي به ترتيب با 20 و 10 نورون، الگوريتم آموزشي L-M و توابع فعال¬سازي تانژانتي سيگموئيدي براي لايه¬هاي مياني و خطي در لايۀ خروجي است. همچنين بهترين شبكۀ RBF داراي عرض 2/2 و 700 نورون (تكرار) با استفاده از تابع فعال¬سازي گاوسي بوده است.

1401/06/27

Neural Network Modeling of CO2 absorption into mixture of amine solutions with different promoters

7/17/2023 12:00:00 AM

In the present study, through exploring recent studies in this field, experiments of CO¬2¬ absorption using amine-based (e.g., primary, secondary, tertiary, sterically hindered) solutions with promoters (such as functionalized amines, ionic liquids, and physical absorbents) are reviewed, and their performance is compared. Afterward, due to this study's goal, which is to utilize neural networks due to their accuracy and speed, a modeling method with neural networks (MLP and RBF) is used to predict CO¬2 ¬absorption in amine mixtures with promoters using experimental data from the literature. Also, MLP and RBF neural networks are used to predict CO2 absorption in the aforementioned solvents in a collected dataset. For this purpose, several related studies with similar experimental conditions were chosen, from which ¬1073 ¬collection of data was selected for the modeling. This dataset was further divided into training and test divisions, and numerous networks were created and explored regarding the number of layers, neurons, and type of activation functions. Temperature, mass percent concentration of components of solutions (excluding water), the apparent molecular weight of the solution, and partial pressure of CO2 were selected as inputs, and CO2 loading was assigned as the output of the ANN. MSE, AARD%, and R2 were the criteria for choosing the most suitable network. MSE, AARD%, and R2 for the selected MLP network were ¬0.000046, 0.67, ¬and ¬0.999, ¬respectively. In addition, these parameters for RBF were -3.61¬E-¬05, 0.47, ¬and ¬0.998, ¬respectively. It can be concluded that these networks have predicted the results of actual experiments with high accuracy. The best MLP network has two hidden layers with ¬20¬ and ¬10¬ neurons, respectively, utilizing L-M for training, tansig and purelin activation functions for hidden layers and output, respectively. Also, the best RBF network was created using a spread of ¬2.2 ¬with ¬700 ¬neurons (epochs) using Gaussian activation function.

جذب , دي اكسيد كربن , آمين , هوش مصنوعي , شبكه عصبي

absorption , CO2 , amine , artificial intelligence , neural network

Arman Hasanzadeh

Dr. Shahrokh Shahhosseini