مدل‌سازي فرايند تبديل خشك متان به‌كمك پلاسما با استفاده از شبكه عصبي مصنوعي و الگوريتم ژنتيك

پيش‌بيني فراورده‌هاي (هيدروژن و كربن مونوكسيد) تبديل خشك متان به‌كمك پلاسما در فشار جوي با استفاده از شبكه عصبي مصنوعي شبيه‌سازي شد. داده‌هاي تجربي موردنياز براي مدل‌سازي شبكه عصبي مصنوعي از يك واكنشگاه پلاسمايي تخليه كرونا جمع‌آوري شد. اثر عامل‌هاي فرايندي (توان تخليه پلاسما، دبي خوراك ورودي) بر كارايي تبديل متان و گزينش‌پذيري نسبت به فراورده‌هاي مورد بررسي قرار گرفتند. شبكه پيش‌خور با الگوريتم پس انتشار خطا، تابع آموزش انتشار رو به عقب لونبرگ ماركوارت، تابع فعال‌سازي سيگموئيدي براي لايه مخفي و تابع فعال‌سازي خطي براي لايه خروجي، مناسب‌ترين شبكه عصبي به‌دست آمده در اين پژوهش است. براي مثال، مدل شبكه عصبي مصنوعي تبديل متان 25/12% و گزينش پذيري نسبت به هيدروژن و كربن‌مونوكسيد به ترتيب 71/15% و 74/85% را در توان تخليه 4 وات پيش‌بيني كرد كه مقادير خطاي مدل براي درصد تبديل متان، گزينش‌پذيري نسبت به هيدروژن و كربن‌مونوكسيد به ترتيب برابر 0/47%،1/2% و 0/2% است. براي رسيدن به شرايط بهينه عملياتي در فرايند تبديل از تركيب الگوريتم ژنتيك و شبكه عصبي مصنوعي استفاده شد. نتيجه‌ها نشان دادند كه شدت‌جريان خو.راك ورودي بهينه 175 ميلي‌ليتر بر دقيقه و توان تخليه بهينه 6 وات بود. در اين شرايط درصد تبديل متان 25/85% و گزينش‌پذيري نسبت به هيدروژن برابر 65/15% به‌دست آمد. اختلاف كوچك در شرايط عملياتي بهينه بين مقادير پيش‌بيني شده و تجربي، تأييد مي‌كند كه مدل شبكه عصبي مصنوعي تركيب شده با الگوريتم ژنتيك، ابزاري مناسب براي مدل‌سازي و بهينه‌سازي فرايند تبديل خشك متان به‌كمك پلاسماست.