• شماره ركورد
    34215
  • پديد آورنده

    محمد ابوالفتحي

  • عنوان
    مدل سازي و بهينه سازي توليد متانول از گازسازي دايجستيت
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    مهندسي مكانيك_تبديل انرژي
  • سال تحصيل
    1401
  • تاريخ دفاع
    1404/7/22
  • استاد راهنما
    دكتر سپهر صنايع
  • استاد مشاور
    دكتر سپهر صنايع
  • دانشكده
    مهندسي مكانيك
  • چكيده
    توليد متانول از لجن فاضلاب يك استراتژي نوآورانه براي مديريت پسماند، توليد سوخت پايدار و تأمين آب شيرين در مناطق با كمبود آب ارائه مي‌دهد. اين مطالعه با بكارگيري پيشرفته شبكه‌هاي عصبي مبتني بر فيزيك (PINN) براي مدل‌سازي فرآيندهاي پيچيده تبديل لجن به متانول، تركيب منحصر به فردي از قوانين فيزيكي و داده‌هاي تجربي را ارائه مي‌دهد. سيستم يكپارچه پيشنهادي شامل گازسازي پلاسما، سنتز متانول و آب‌شيرين‌كن تقطيري چندمرحله‌اي (MED) است. نوآوري‌هاي كليدي اين پژوهش شامل توسعه چارچوب جامع تحليل 4E (انرژي، اگزرژي، اقتصادي و زيست‌محيطي) و پياده‌سازي بهينه‌سازي دوهدفه با الگوريتم MOEA/D براي حداكثرسازي همزمان بازده اگزرژي و حداقل‌سازي دوره بازگشت سرمايه است. رويكرد نوآورانه اتصال نرم‌افزار Aspen Plus به MATLAB و استفاده از داده‌هاي حاصل براي آموزش PINN، دقت بالاتر و قابليت تعميم بهتر نسبت به روش‌هاي سنتي را فراهم مي‌كند. مطالعه موردي در بندر لنگه، ايران، نتايج قابل توجهي نشان مي‌دهد: بازده اگزرژي 66%، كاهش 60% انتشار گازهاي گلخانه‌اي (2000 تن در سال) كه به عنوان محصول جانبي به فروش مي‌رسد، هزينه توليد رقابتي 220 دلار به ازاي هر تن متانول، و توليد روزانه 30 مترمكعب آب شيرين. اين رويكرد چندوجهي با تبديل مشكل زيست‌محيطي به فرصت اقتصادي، راه‌حلي پايدار براي مديريت پسماند، توليد انرژي پاك و امنيت آبي ارائه مي‌دهد كه قابليت كاربرد جهاني در مناطق ساحلي دارد.
  • تاريخ ورود اطلاعات
    1404/09/25
  • عنوان به انگليسي
    Modeling an‎d optimization of methanol production from sewege sludge digestate gasificaton
  • تاريخ بهره برداري
    10/14/2026 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    محمد ابوالفتحي

  • چكيده به لاتين
    Utilization of sewage sludges for production of methanol can serve as a novel, integral concept to simultaneously provide waste reduction treatment, sustainable fuel production an‎d freshwater supply in water-limited areas. In this work, we demonstrate that, by using advanced physics-informed neural network (PINN) approach, calling for simultaneous tractability with possible superior prediction accuracy, the complex processes of sludge-to-methanol conversion are modeled with empirical information aggregated with the deep understan‎ding of physical laws. The proposed system integrates plasma gasification, methanol synthesis an‎d multi-effect distillation (MED) ciężsalination in a synergistic way, an‎d a detailed 4E analysis (energy, exergy, economic an‎d environmental) is incorporated into the system to holistically eva‎luate system viability. A bi-objective weighting scheme based on a multi-objective evolutionary algorithm for distribution (MOEA/D) algorithm is applied to maximize of the exergy efficiency an‎d minimize the payback period, to improve the technical feasibility an‎d economic feasibility. A new computational framework connects Aspen Plus an‎d Matlab, during which high-fidelity simulation data is used to train PINN models that surpass typical approaches by the outperformance of their accuracy an‎d overall generalization capabilities. In a case study done in Ban‎dar Lengeh, Iran, some encouraging results were obtained indicated that an exergy efficiency of 66% can be reached with reduction of GHG emissions of about 60% (around 2000 tonnes per year), with sales-able by-products an‎d competitive methanol production cost of USD 220 per tonne, an‎d daily freshwater production of 30 cu. m. This multi-pronged approach turns an environmental problem into a lucrative opportunity, offering a scalable, sustainable, an‎d sustainable solution an‎d approach to waste management, clean energy generation an‎d water security suitable for coastal areas everywhere on the planet.
  • كليدواژه هاي فارسي
    توليد متانول , گازساز پلاسما , آب شيرين كن حرارتي , شبكه عصبي فيزيك آگاه , بهينه سازي مبتني بر تجزيه
  • كليدواژه هاي لاتين
    Methanol production , Plasma gasification , Thermal desalination , Physics informed neural network , MOEA/D
  • Author
    Mohammad Abolfathi
  • SuperVisor
    Sepehr Sanaye