مدل‌سازی هوش مصنوعی جداسازی ترکیب های گوگردی از دیزل توسط فرایند تراوش تبخیری

نوع مقاله : علمی-پژوهشی

نویسندگان

1 دانشکده مهندسی، دانشگاه کاشان، کاشان، ایران

2 دانشکده مهندسی شیمی و مواد، دانشگاه صنعتی شاهرود، شاهرود، ایران

3 گروه مهندسی شیمی، دانشکده مهندسی، دانشگاه گلستان، گرگان، ایران

چکیده

در این پژوهش، به مدل‌سازی و بررسی فرایند گوگردزدایی  با روش غشایی از ترکیب دیزل موجود در پالایشگاه اصفهان با استفاده از فرایند غشایی پرداخته ‌شد. برای مدل‌سازی پارامترهای فشار خوراک ورودی به ماژول غشایی (5تا 9 بار)، میزان مصرفی عامل اتصال عرضی (5/1تا 3 درصد وزنی TMOS)، دمای اتصال عرضی (65تا °C 85) و زمان اتصال عرضی (5/0تا 5/2 ساعت) به‌عنوان پارامترهای ورودی و میزان گوگردزدایی  از ترکیب خوراک ورودی به ماژول غشایی (دیزل با میزان گوگرد ppm 6380) به‌عنوان پارامتر خروجی در نظر گرفته شد. در این مطالعه 4 نوع غشا شامل پلی‌دی‌متیل‌سیلوکسان، پلی‌اتیلن‌گلایکول، پلی‌اترسولفون و پلی‌اکریل‌نیتریل موردبررسی قرار گرفت. برای  مدل‌سازی فرایند تراوش تبخیری، از ابزار شبکه عصبی و برنامه‌نویسی ژنتیکی استفاده شد. برای پیدا کردن شرایط بهینه مدل‌سازی با شبکه عصبی الگوریتم آموزشی لونبرگ ـ مارکواردت با یک‌لایه استفاده شد و تعداد نرون ها تغییر داده شد تا شرایط بهینه پیدا شود. بیشینه مقدار R2 (9341/0) برای شبکه عصبی با الگوریتم آموزشی لونبرگ ـ مارکواردت با 6 نرون در لایه مخفی به دست آمد. بیشینه مقدار R2 (8997/0) برای برنامه‌نویسی ژنتیکی به دست آمد. مدل ریاضی برنامه‌نویسی ژنتیکی را به‌خوبی می‌توان برای پیش‌بینی مقدار گوگرد خروجی در هر شرایطی استفاده نمود. نتیجه­ های گوگردزدایی با فرایند غشایی آشکار کرد که با افزایش فشار ماژول میزان گوگرد موجود در ترکیب دیزل کاهش یافت. بیش­ترین تأثیر پمپ فشار ماژول غشایی بر کاهش گوگرد در جریان دیزل ، در ترکیب PDMS و پلیمر PEG برای ساخت غشاها دیده شد.

کلیدواژه‌ها

موضوعات


[1] شفقت قائدیان.، محرابی امین.، کاهش گوگرد گازوییل به کمک امواج اولتراسونیک، پژوهش نفت، 24: 85 تا 95 (1393).
[3] Bhutto A.W., Abro R., Gao S., Abbas T., Chen X., Yu G., Oxidative Desulfurization of Fuel Oils Using Ionic Liquids: A Review, Journal of the Taiwan Institute of Chemical Engineers, 62: 84-97 (2016).
[4] Gao S., Yu G., Abro R., Abdeltawab A.A., Al-Deyab S.S., Chen X., Desulfurization of Fuel Oils: Mutual Solubility of Ionic Liquids and Fuel Oil, Fuel, 173: 164-171 (2016).
[5] Dharaskar S.A., Wasewar K.L., Varma M.N., Shende D.Z., Yoo C., Synthesis, Characterization and Application of 1-Butyl-3-Methylimidazolium Tetrafluoroborate for Extractive Desulfurization of Liquid Fuel, Arabian Journal of Chemistry, 9: 578-587 (2016).
[6] Khaled M.M., Nazal M.K., Atieh M.A., Method for Desulfurizing Diesel Fuel, in, Google Patents, (2018).
[7] Qi R., Wang Y., Chen J., Li J., Zhu S., Removing Thiophenes from N-Octane Using PDMS–AgY Zeolite Mixed Matrix Membranes, Journal of Membrane Science, 295: 114-120 (2007).
[8]Padaki M., Murali R.S., Abdullah M.S., Misdan N., Moslehyani A., Kassim M., N., Hilal Ismail A., Membrane Technology Enhancement in Oil–Water Separation. A Review, Desalination, 357: 197-207 (2015).
[9] Nath K., “Membrane Separation Processes”, PHI Learning Pvt. Ltd., (2017).
[10] Rezakazemi Marjani, S. Shirazian M. A., Organic Solvent Removal by Pervaporation Membrane Technology: Experimental and Simulation, Environmental Science and Pollution Research, 20: 1-8 (2018) .
[12] Jain M., Attarde D., Gupta S.K., Influence of Hydrocarbon Species on the Removal of Thiophene from FCC Gasoline by Using a Spiral Wound Pervaporation Module, Journal of Membrane Science, 507: 43-54 (2016).
[13] Zhang Q.G., Fan B.C., Liu Q.L., Zhu A.M., Shi F.F., A Novel Poly (Dimethyl Siloxane)/Poly (Oligosilsesquioxanes) Composite Membrane for Pervaporation Desulfurization, Journal of Membrane Science, 366: 335-341(2011).
[14] Sobana S., Panda R.C., Identification, Modelling, and Control of Continuous Reverse Osmosis Desalination System: A Review, Separation Science and Technology, 46: 551-560 (2011).
[15] Rezakazemi M., Dashti A., Asghari M., Shirazian S., H2-Selective Mixed Matrix Membranes Modeling using ANFIS, PSO-ANFIS, GA-ANFIS, International Journal of Hydrogen Energy, 42: 15211-15225 (2017).
[16] Rezakazemi M., Azarafza A., Dashti A., Shirazian S., Development of Hybrid Models for Prediction of Gas Permeation Through FS/POSS/PDMS Nanocomposite Membranes, International Journal of Hydrogen Energy, 43: 17283-17294 (2018).
[17] Lee T.-M., Oh H., Choung Y.-K., Oh S., Jeon M., Kim J.H., Nam S.H., Lee S., Prediction of Membrane Fouling in the Pilot-Scale Microfiltration System Using Genetic Programming, Desalination, 247: 285-294 (2009).
[18] Shokrkar H., Salahi A., Kasiri N., Mohammadi T., Prediction of Permeation Flux Decline During MF of Oily Wastewater Using Genetic Programming, Chemical Engineering Research and Design, 90: 846-853 (2012).
[19] Sharma S., Sandal K., Garg P., Sharma S.D., Performance Analysis of Window Functions for Exon Prediction in DNA Sequences, in  Computing, Communication and Automation (ICCCA), 2017 International Conference, IEEE 283-286 (2017).
[20] Sarkar B., Sengupta A., De S., DasGupta S., Prediction of Permeate Flux During Electric Field Enhanced Cross-Flow Ultrafiltration—a Neural Network Approach, Separation and Purification Technology, 65: 260-268 (2009).
[21] Farno E., Rezakazemi M., Mohammadi T., Kasiri N., Ternary Gas Permeation Through Synthesized Pdms Membranes: Experimental and CFD Simulation Based on Sorption‐Dependent System Using Neural Network Model, Polymer Engineering & Science, 54: 215-226 (2014).
[22] Prochazka A., Kingsbury N., Payner P., Uhlir J., “Signal Analysis and Prediction”, Springer Science & Business Media, (2013).
[23] Koza J.R., ‘Genetic Programming II, Automatic Discovery of Reusable Subprograms”, MIT Press, Cambridge, MA, (1992).
[25] Grosman B., Lewin D.R., Automated Nonlinear Model Predictive Control using Genetic Programming, Computers & Chemical Engineering, 26: 631-640 (2002).
[26] Das A., Abdel-Aty M., A Genetic Programming Approach to Explore the Crash Severity on Multi-Lane Roads, Accident Analysis & Prevention, 42: 548-557 (2010).
[27] Lin L., Kong Y., Zhang Y., Sorption and Transport Behavior of Gasoline Components in Polyethylene Glycol Membranes, Journal of Membrane Science, 325: 438-445 (2008).
[28] Lin L., Wang G., Qu H., Yang J., Wang Y., Shi D., Kong Y., Pervaporation Performance of Crosslinked Polyethylene Glycol Membranes for Deep Desulfurization of FCC Gasoline, Journal of Membrane Science, 280: 651-658 (2006).