استفاده از شبکه عصبی ANFIS و MLP در پیش‌بینی استخراج ترکیبات آروماتیکی از ترکیبات آلیفاتیکی توسط مایعات یونی

نوع مقاله: علمی-پژوهشی

نویسندگان

1 گروه مهندسی شیمی، دانشکده فنی، دانشگاه گیلان، رشت، ایران

2 عضو هیات علمی

چکیده

یکی از فرآیند‌های اصلی در صنایع پالایشی صنعت نفت، استخراج هیدروکربن‌های آروماتیک از هیدروکربن‌های آلیفاتیک است. بر این اساس پیش‌بینی دقیق رفتار فازی این سیستم‌ها می‌تواند باعث بهبود استخراج مایع-مایع شود. در این مطالعه، رفتار ترمودینامیکی فازی سیستم سه‌جزئی هیدروکربن‌های آلیفاتیک و آروماتیک به همراه مایعات یونی توسط سیستم استنتاجی فازی-عصبی تطبیقی (ANFIS) و شبکه عصبی پرسپترون چند لایه (MLP) پیش‌بینی می‌شود. ورودی‌های مدل در مدل‌سازی سیستم استخراج مایع-مایع، نسبت مولی ترکیبات آلیفاتیک، آروماتیک و مایعات یونی در خوراک و همچنین جرم مولکولی آنها و دمای سیستم استخراج در نظر گرفته شد و همچنین خروجی مدل نیز نسبت مولی ترکیبات آلیفاتیک و آروماتیک در فاز غنی از آلکان و نسبت مولی ترکیبات آروماتیک و مایعات یونی در فاز غنی از مایعات یونی در نظر گرفته شد. پارامترهای طراحی این شبکه‌های عصبی ازجمله تعداد نرون و شعاع خوشه‌چینی شبکه‌های MLP و ANFIS به منظور بهتر شدن دقت پیش‌بینی آنها، با روش بهینه‌سازی تکاملی الگوریتم ژنتیک (GA) بهینه شدند. مقایسه دقت پیش‌بینی شبکه‌های ANFIS و MLP با داده‌های آزمایش بر اساس پارامترهای آماری R2 ، RMSD و MAD برای مدل ANFIS به ترتیب 9996/0، 0190/0 و0129/0 و برای مدل شبکه عصبی MLP به ترتیب 9996/0، 0204/0 و0127/0 به‌دست آمد. همچنین مقایسه‌ای بین دقت پیش‌بینی شبکه‌های ANFIS و MLP با مدل ترمودینامیکی NRTL برای دو سیستم مختلف استخراج مایع-مایع انجام شد، میانگین RMSD آن‌ها برای دو سیستم استخراج به ترتیب 0093/0، 0110/0 و 0113/0به‌دست آمد. نتایج پارامترهای آماری حاکی از این است که این شبکه‌ها در پیش‌بینی رفتار ترمودینامیکی تعادل مایع-مایع دقت نسبتاً مناسبی دارند و روش موثری هستند.

کلیدواژه‌ها

موضوعات