31039

مدلسازي رياضي، شبكه عصبي مصنوعي و روش پاسخ سطح فرايند توليد دي متيل اتر از گاز سنتز در رآكتور بستر ثابت غشايي

كارشناسي ارشد

مهندسي شيمي

1400

1403/4/4

دكتر نوراله كثيري

دكتر اميرحسين خليلي گرگاني

مهندسي شيمي، نفت و گاز

فرايند توليد دي‌متيل‌اتر پايدار شامل استفاده بهينه از كربن¬دي¬اكسيد است و آن را به روشي جذاب براي كاهش آلاينده¬هاي مخرب براي محيط‌زيست تبديل كرده است. رآكتور توليد دي متيل اتر، يك سيستم جريان همسو لوله‌اي بستر ثابت با ديواره‌هاي غشايي، براي حذف آب از محيط واكنش است و تبديل كربن‌دي‌اكسيد را افزايش مي‌دهد. در اين تحقيق يك مدل رياضي ايجاد شده و معادلات انرژي، جرم و مومنتوم هم‌زمان با استفاده از تكنيك رانگ كوتا (4،5) حل شد. اعتبارسنجي مدل باتوجه‌به مطالعات قبلي تأييد شد. پس از تأييد صحت سنجي با بررسي بين معادلات ترموديناميكي مختلف نشان داده شد كه معادله حالت سوآو-بنديكت-وب-رابين (SBWR) مناسب¬ترين براي انجام مدل‌سازي مي¬باشد. سپس با افزودن غشاي آب، غشاي هيدروژن و يك‌بار هر دو غشا به‌صورت هم زمان، نتايج نشان‌دهنده اين بود كه كسر مولي دي‌متيل‌اتر در رآكتور غشايي انتخاب پذير آب (WMR)، نفوذدهنده هيدروژن (HMR) و تركيب دو غشا (WHMR) به ترتيب در مقايسه با راكتور معمولي (CR) %64/13، %86/8 و %33/23 افزايش پيدا كرده است. همچنين، روش¬هاي مدل جعبه سياه، روش‌شناسي سطح پاسخ (RSM) و شبكه‌هاي عصبي مصنوعي (ANN) شامل شبكه‌هاي عصبي پرسپترون چندلايه (MLP) و تابع پايه شعاعي (RBF)، براي بررسي جامع روابط بين پارامترها كليدي مورداستفاده قرار گرفتند. پارامترهاي ورودي سرعت فضايي گاز (GHSV)، فشار، دما، نسبت طول به قطر رآكتور، نسبت‌ مولي هيدروژن به اكسيدهاي كربن (كربن‌دي‌اكسيد و كربن‌مونوكسيد)، و ضريب نفوذ كلي غشا و پارامترهاي خروجي كسر مولي دي‌متيل‌اتر، كربن‌دي‌اكسيد، و كربن مونوكسيد خروجي از رآكتور در نظر گرفته شدند. مدل شبكه عصبي پرسپترون تك‌لايه (SLP) كه ابتدا با بهينه‌سازي هايپرپارامترها براي مدل‌سازي مجموعه‌داده‌ها استفاده گرديد با بررسي آن مشخص شد كه با ضريب تشخيص (R2) 9998/0 و ميانگين مربع¬ها خطاها ×10-557/1 (MSE) عملكرد بسيار خوبي را نشان داد. مدل بهينه RSM، رگرسيون درجه دوم (quardatic)، شناسايي شده است كه به R2ave 9949/0 و MSEave ×10-214/1 مي‌رسد. همچنين نمودارهاي سه‌بعدي براي نشان‌دادن اثرات پارامترهاي مختلف بر روي خروجي استفاده شد. علاوه بر اين، سه معادله كه تابعي از شش پارامتر كليدي هست با استفاده از RSM براي تسهيل در محاسبه كسر مولي خروجي¬هاي رآكتور و صرفه¬جويي در زمان به دست آمد.

1403/04/20

Mathematical modeling, artificial neural network and surface response method of dimethyl ether production process from synthesis gas in membrane fixed bed reactor

1/1/1900 12:00:00 AM

The sustainable production process of dimethyl ether includes the optimal use of carbon dioxide and makes it an attractive way to reduce environmental pollutants. The dimethyl ether production reactor is a fixed-bed tubular cocurrent flow system with membrane walls to remove water from the reaction medium and increase carbon dioxide conversion. In this research, a mathematical model was created and the equations of energy, mass and organ were solved simultaneously using the Rangkota technique (4,5). Validation of the model was confirmed according to three previous studies. After verifying the validation, it was shown that the SBWR state equation is the most suitable for modeling by adding water membrane, hydrogen membrane and one charge of both membranes at the same time. In addition, the results showed that the molar fraction of dimethyl ether in the membrane reactor WMR, HMR and WHMR increased by 13.64%, 8.86% and 23.33%, respectively, compared to CR. Also, black box model methods, response surface methodology (RSM) and artificial neural networks (ANN), including multilayer perceptron (MLP) and radial basis function (RBF) neural networks, were used to comprehensively investigate the relationships between key parameters. Input parameters such as gas-hour space velocity (GHSV), pressure, temperature, length-to-diameter ratio, mole ratios of hydrogen to carbon oxides, and overall membrane permeation with outputs being the mole fractions of dimethyl ether, carbon dioxide, and carbon monoxide, in were considered. Exceptional performance was shown by SLP model through hyperparameter optimization and neural network modeling, achieving R2 0.9998 and MSE 1.57×10-5. The optimal RSM model, quadratic regression, has been identified, which reaches R2ave 0.9949 and MSEave 1.14×10-2. 3D diagrams were used to show the effects of different parameters on the output. In addition, three functional equations of six key parameters were obtained using RSM to facilitate output generation.

توليد دي متيل اتر , راكتور غشايي , تبديل كربن دي اكسيد , شبكه عصبي مصنوعي , روش پاسخ سطح

DME production , Membrane reactor , CO2 utilization , ANN , RSM

Ali imani

Norollah kasiri