30046

بررسي عوامل موثر بر ساخت كاتاليزگر رس فعال به كاررفته در كاهش و حذف تركيبات غيراشباع الفيني از خوراك‌هاي آروماتيكي و بهينه‌سازي آن به كمك فرآيند يادگيري ماشين

كارشناسي ارشد

مهندسي مواد و ماتلورژي گرايش سراميك

1400

1402/07/09

دكتر هاجر قنبري، دكتر حسين سرپولكي

__

مواد و متالورژي

براي حذف تركيبات غير اشباع الفيني از خوراك‌هاي آروماتيكي، از كاتاليزگر رس فعال‌شده به روش اسيدي استفاده مي‌شود كه در آن معمولاً، بنتونيت خام در زمان و دماي مشخص در تماس با اسيد رقيق‌شده قرار مي‌گيرد. يكي از مشخصه‌هاي مهم تعيين كيفيت كاتاليزگر، يعني سطح ويژه‌ي آن، متأثر از عوامل مختلفي از جمله، ويژگي‌هاي خاك اوليه و عوامل متعدد فرآيندي است؛ به همين دليل در اين پژوهش، از روش يادگيري ماشين، به دليل دقت و تعميم‌پذيري نسبي بالا و صرفه‌جويي در زمان و هزينه بهره‌گرفته‌شد. مدل يادگيري ماشين در ابتدا، به كمك 463 نمونه‌ي آزمايشگاهي و جمع‌آوري‌شده از منابع (19 ستون شامل مشخصات خاك اوليه، عوامل فرآيندي، سطح ويژه‌ي نهايي)، آموزش داده‌شد و مهم‌ترين عوامل و محدوده‌ي بهينه‌ي آن‌ها به‌دست آمد. سپس با توجه به اين مقادير بهينه، طراحي آزمايش تاگوچي براي پنج عامل در سه سطح و در 27 گام آزمايشگاهي انجام گرفت. مدل‌يادگيري ماشين، به كمك داده‌هاي جديد آموزش داده‌شد. از ميان مدل‌هاي يادگيري ماشين خطي، درختي و دسته‌جمعي، مدل «ارتقاء گراديان» بهترين عملكرد را در پيش‌بيني سطح ويژه با دقت نهايي %74‌ داشت. با تحليل مدل، عوامل «غلظت اسيد»، «زمان»، «دما» و «نسبت وزن رس به حجم اسيد» به ترتيب مؤثرترين عوامل فرآيندي و ويژگي‌هاي «مجموع فلزات ساختار هشت‌وجهي»، «فاصله‌ي صفحات»، «نسبت سيليكا به آلومينا» و «سطح اوليه» به ترتيب مؤثرترين ويژگي‌هاي رس اوليه در تعيين سطح ويژه‌ي رس فعال بودند. يك نمونه رس فعال، براساس مقادير بهينه‌ي عوامل، به‌دست‌آمده از مدل ارتقاء گراديان، توليد و آناليزهاي سطح ويژه‌ي BET، اسيديته‌ي TPD، FTIR، AAS، XRD و FESEM از نمونه به عمل آمد. در نهايت سطح ويژه‌ي نمونه‌ي بهينه برابر m2/g 204 اندازه‌گيري شد كه در محدوده‌ي پيش‌بيني مدل يادگيري ماشين (19 ± 205) قرار داشت. حجم كل تخلخل‌هاي نمونه‌ي بهينه برابر cm3/g 28/0 اندازه‌گيري شد. مجموع اكسيد فلزات ساختار هشت‌وجهي در آناليز عنصري طيف جذب اتمي برابر % .wt 4/13 و اسيديته‌ي كل نمونه‌ي بهينه در آناليز NH3-TPD برابر mmol NH3/g 9/1 به‌دست آمد. در نهايت نتايج آناليزهاي طيف‌سنجي FTIR، الگوي XRD و تصويربرداري FESEM تخريب ساختار رس را نشان دادند.

1402/08/08

Investigation of Factors Influencing the Fabrication of Active Bentonite Catalyst for Reduction and Removal of Unsaturated Aliphatic Compounds from Aromatic Feedstocks and Its Optimization Using Machine Learning

9/30/2024 12:00:00 AM

To remove unsaturated aliphatic compounds from aromatic feedstocks, a catalytic method utilizing acid-activated clay as a catalyst is commonly employed. In this process, raw bentonite clay is typically activated using dilute acid under specific conditions of temperature and time. One of the key determinants of catalyst quality, is its specific surface area, is influenced by various factors, including the characteristics of the initial clay and multiple process variables. in this study, a machine learning approach was adopted due to its relatively high accuracy, generalizability, and efficiency in terms of time and cost savings. The machine learning model was initially trained using 463 samples collected from diverse sources, encompassing 19 variables comprising initial clay properties, process factors, and the final specific surface area. The most effective factors and their optimal ranges were determined. Subsequently, based on these optimal values, a Taguchi experimental design was conducted with five factors at three levels, resulting in a total of 27 runs. The machine learning model was further trained using new data. Among the linear, tree-based, and ensemble machine learning models, the "Gradient Boosting" model exhibited the best performance, achieving a final prediction accuracy of 74%. Model analysis revealed that the "acid concentration," "time," "temperature," and "weight ratio of clay to acid volume" were the most important process factors, while the properties of "octahedral metal content sum", "interlayer distance" , "silica-to-alumina ratio", and "initial surface area" were the most influential characteristics of the initial bentonite clay in determining the specific surface area of the activated clay. An activated clay sample was produced based on the optimal factor values obtained from the Gradient Boosting model, and its specific surface area was measured as 204 m²/g, which is within the predicted range of the machine learning model (205 ± 19). The total pore volume of the optimal sample was measured as 0.28 cm³/g. The total content of octahedral sheet metal oxides was found to be 13.4 % .wt in atomic absorption spectroscopy analysis, and the total acidity of the optimal sample in NH3-TPD analysis was determined as 9.1 mmol NH3/g. Finally, results from FTIR, XRD, and FESEM analyses indicated structural alteration in the clay during the activation process.

رس فعال , كاتاليزگر , روش اسيدي , يادگيري ماشين

active clay , catalyst , acid activation , machine learning

Mina Gholami

Hajar Ghanbari