مدلسازي رياضي و شبكه عصبي انتقال جرم در غشاهاي مايع آمين گلايكول براي جداسازي دي اكسيد كربن از هوا

ANN and Mathematical Mass Transfer Modeling of Glycol Amin Liquid Membranes for Separation of Carbon Dioxide from the Air

هدف اين پژوهش، مقايسه عملكرد شبكه عصبي مصنوعي و مدل رياضي انتقال جرم در پيش بيني غلظت دي اكسيد كربن در هواي خروجي از ماژول غشايي ساخته شده با استفاده از غشاي مايع گلايكول آمين است. براي حل مسئله با شبكه عصبي از توابع خط فرمان، داده­هاي مسئله شامل بردارهاي ورودي و هدف در فضاي كاري نرم افزار مطلب بارگذاري شده و يك شبكه پيش خور با تابع انتقال تانژانت-سيگموئيد در لايه­هاي مخفي و تابع انتقال خطي در لايه خروجي استفاده شد. سپس شبكه آموزش داده شده و از الگوريتم لونبرگ-ماركوارت به عنوان تابع آموزش استفاده شد. در اين كار از تعداد 74 داده ورودي شامل فشار هواي ورودي، شدت جريان هواي ورودي و ميزان بازيابي دي اكسيد كربن در طول فرآيند استفاده شد. داده هدف هم كسر مولي دي اكسيد كربن در هواي خروجي بود. داده­هاي تجربي مورد استفاده در سه بخش به صورت 70 درصد داده­ها براي آموزش، 15 درصد براي اعتبار سنجي و 15 درصد به تست شبكه اختصاص يافت. تعداد نورون­هاي بهينه لايه مخفي شبكه نيز با استفاده از سعي و خطا محاسبه شده و با 4 نورون در لايه مخفي، بهترين عملكرد شبكه بدست آمد. همچنين با استفاده از بهترين مدل موجود در پيش­بيني انتقال جرم غشاهاي مايع، ميزان دي اكسيد كربن عبوري از غشا مدل­سازي شد كه رفتاري نمايي را از خود نشان داد. نتايج حاصل از مدل و شبكه عصبي به صورت جداگانه با نتايج تجربي مقايسه گرديد و نشان داده شد كه شبكه­هاي عصبي توانايي بالايي در پيش بيني مقادير دارند. مقدار R-Value براي مدل رياضي انتقال جرم برابر با 9839/0 بدست آمد. همچنين، اين مقدار براي آموزش شبكه برابر با 9899/0، اعتبار سنجي شبكه 9910/0، تست داده ها 9975/0 و در حالت كلي برابر با 9899/0 شد كه نشان دهنده تقريب بسيار خوب داده­هاي تجربي با نتايج پيش بيني شده توسط شبكه عصبي است.

Aim of this investigation is comparison of mass transfer artificial neural network (ANN) and mathematical model to prediction of carbon dioxide concentration in the exhaust air from the constructed module using glycol-amine liquid membrane. For solving of problem with ANN, command prompt function in Mathlab software was used with following instruction. First, input vector and targets are loaded in Mathlab current directory and a feed-forward tangent sigmoid transfer function in hidden layers and a linear transfer function in output layer was used. Then, the network was trained and Levenberg–Marquardt algorithm was used as training function. For this purpose, 74 input data inclusive input air pressure, input air flow rate, recovery value of CO2 in process was used. The CO2 mole fraction in output air was selected as target. Experimental data was divided in three sectors: 70% for training data, 15% for validation data and 15% for testing network. The optimum number of neurons in the hidden layer network obtained with using try and error method and the best performance of network achieved with four neurons in the hidden layer. Also, the best available models was used to predict mass transfer in liquid membranes, and exponential behavior was seen in modeling of permeating CO2 from membrane. The results of the ANN model were compared with the experimental results and this results were shown that the neural network has great ability to predict values. R-Value for mathematical model obtained 0.9839. Also, R-Value for network training, validation and testing was 0.9899, 0.9910 and 0.9975, respectively. Also, overalls R-Value was 0.9899 that proved a very good validation. Â