27253

مدلسازي جذب دي اكسيد كربن با استفاده از جاذب آلوميناي اصلاح يافته با پيپرازين

كارشناسي ارشد

مهندسي شيمي

1398

1401/05/29

شاهرخ شاه حسيني

احد قائمي

مهندسي شيمي، نفت و گاز

گاز دياكسيد كربن بهعنوان يكي از عمده گازهاي گلخانهاي، موجب پديدهي زمينگرمايي شده است. افزايش چشمگير ميزان اين گاز در اتمسفر، موجب نگراني در دهههاي اخير شدهاست. فرآيندهاي مختلفي در جهت جذب گاز دياكسيد كربن توسعه داده شدهاست. وليكن كمتر به مدلسازي اين فرايندها پرداخته شده است. در اين تحقيق به بررسي اجمالي اين فرآيندها و مدلسازي فرايندها توسط شبكههاي عصبي و مدلسازي سطح پاسخ پرداخته شدهاست. مشاهده شد كه مدلسازيهاي انجام گرفته در زمينهي جذب با جاذبهاي بر پايهي آلومينا كمتر مورد بررسي قرار گرفته است. پس 626 داده تجربي فرايند جذب گاز دياكسيد كربن توسط جاذب آلوميناي اصالح يافته با پيپرازين مورد مدلسازي قرار گرفت. از دو رويكرد شبكه عصبي مصنوعي و مدلسازي سطح-پاسخ)RSM )براي مدلسازي و تخمين دو پارامتر ظرفيت جذب دياكسيد كربن و فشار نهايي استفاده شد. سه از پارامتر دادههاي پنجسطحي عبارت از زمان )s 1800-0:t ،)دماي ورودي به راكتور) 80-20:Tin °C( و فشار ورودي به راكتور )bar 088.10-067.2:Pin )بهعنوان متغيرهاي مستقل درنظر گرفته شدند. الگوريتم بايسين براي شبكه عصبي پرسپترون چنداليه)MLP )با دواليهي نهان )به ترتيب شامل 11 و 16 نورون( بهعنوان شبكهي بهينه يافت شد. در اين شبكه، توابع انتقال logsig ،tansig و purelin براي اليهي نهان اول، دوم و اليهي خروجي عملكرد بهتري از خود نشان دادند. همينين اين دادهها با شبكه عصبي توابع پايه شعاعي)RBF )مدلسازي شدند و مقدار بهينه براي spread و تعداد نورونها بهترتيب 5،6 و 166 بهدست 16×12،1 4 -آمد. بهترين مقدار ميانگين مربعات خطا و ضريب تعيين براي شبكهي MLP بهترتيب 889،6 و 5 -و براي شبكهيRBF بهترتيب 888،6 و 16×29،9 پيدا شد. همينين RSM در شرايط مدل cubic و لگاريتم درمبناي ده براي تابع انتقال بهينهسازي شد. بهترين مقدار ميانگين مربعات خطا و ضريب تعيين 846،6 و -3 16×54/4 بهدست آمد. هر سه مدل تخمين قابل قبولي از خود نشان دادند؛ هرچند كه شبكههاي عصبي دقت بهتري را ارائه كردند

1401/08/04

Modelling of CO2 capture by alumina modified with piperazine

8/20/2023 12:00:00 AM

Carbon dioxide (CO2) is a major greenhouse gas that leads to global warming. Many processes have been developed for CO2 capture. This study aims at potential of three methods for modeling CO2 adsorption capacity from 626 experimental data of CO2 capture by piperazinemodified activated alumina. Two modeling approaches of artificial neural networks (ANNs) and response surface methodology (RSM) were employed to estimate CO2 adsorption capacity. Three independent factors of experimental data including time (t: 0-1800 s), input temperature (Tin: 20-80 ℃), and input pressure (Pin: 2.067-10.088 bar) of the batch reactor used as independent variables. Among 243 different structures, Bayesian regularization back propagation algorithm and two hidden layers with 17 and 16 neurons were obtained for the optimized multilayer perceptron (MLP) network. Logsig, Tansing, and Purelin transfer functions performed better for the first hidden layer, second hidden layer, and output layer, respectively. Then it was modeled with a Radial basis function (RBF) network. Between 367 structures, values of the spread and the number of neurons were optimized at 0.5 and 100, respectively. For MLP and RBF, the best mean square error (MSE) was observed at 1.72E-04 and 8.28E-05, and the best coefficient of determination (R2) was obtained at 0.998 and 0.999, respectively. Moreover, the model with RSM was optimized in cubic model and logarithm with base 10 for transformation. The best MSE and R2 values were obtained at 0.00454 and 0.9462, respectively. All three models indicate an acceptable prediction; however, ANNs perform more accurately than RSM.

مدلسازي , شبكه عصبي مصنوعي , شبكه عصبي پرسپترون چندلايه , شبكه عصبي توابع پايه شعاعي , مدلسازي سطح پاسخ , جذب دي اكسيد كربن

Artificial neural networks , Artificial neural networks , MLP , Modified activated Alumina , RBF , RSM

Mohaddese Norozian

Dr. Shahrokh Shahhoseini & Dr. Ahad Ghaemi