تخمين نفت زيستي حاصل از پيروليز مواد زائد: رويكرد شبكه عصبي

A Neural Network Model for Estimating the Bio-oil from the Pyrolysis of Waste

هدف اين مطالعه، تخمين نفت زيستي حاصل از فرايند پيروليز مواد زائد بر حسب رطوبت، كربن ثابت، مواد فرار و خاكستر است. از نتايج آزمايشگاهي 41 مطالعه مختلف براي مدل سازي استفاده شد. از مدل شبكه عصبي به عنوان يك ابزار سياستگذاري در ارزيابي و پيش‌بيني مقدار درصد نفت زيستي حاصل از مواد زائد طي فرايند پيروليز استفاده شد. مقادير بهينه پارامترهاي شبكه عصبي به روش آماري تخمين زده شد. نتايج مقايسات در دو شبكه عصبي پرسپترون چند لايه و شبكه عصبي تابع شعاعي نشان داد كه شبكه عصبي تابع شعاعي داراي توانايي بيشتري در تخمين نفت زيستي مي‌باشد. مقدار ضريب تبيين بين درصد نفت زيستي برآورد شده توسط شبكه عصبي تابع شعاعي و مقدار آزمايشگاهي آنها برابر با 0/99 شد. نتايج ارزيابي شبكه عصبي نشان داد كه آن را مي‌توان به عنوان يك ابزار در برآورد درصد توليد نفت زيستي به كار برد و از آن در تصميم‌گيري‌هاي مديريتي توليد نفت زيستي بهره برد.

The purpose of this study is to estimate the bio-oil from the pyrolysis process of waste products in terms of moisture, constant carbon, volatile matter and ash. The results of 41 different studies were used to modeling. We use the neural network model as a policy tool in the evaluation and prediction bio-oil from the pyrolysis process of waste products. Statistical method was used to determine the optimal values of the neural network parameters. The results of comparisons between two Multi- Layer Perceptron (MLP) and Radial Basis Function (RBF) neural networks showed that the RBF has a high ability to estimate the bio-oil. The value of correlation coefficient between experimental and predicted bio-oil by RBF was equal to 0.99. The neural network evaluation results showed that it can be used as a tool to estimate the production of bio-oil and it has been used in bio-oil production management decisions.