شبيه سازي رياضي و شبكه عصبي مصنوعي كاهش كاتاليستي انتخابي ناكس در يك راكتور مونوليتي

گسترش صنايع و افزايش مصرف انرژي در جهان، سبب افزايش انتشار آلاينده اكسيدهاي نيتروژن، ناكس، شده است. بنابراين حذف ناكس از اهميت بسياري برخوردار است. در اين مطالعه، مدل‌سازي و شبيه‌سازي كاهش كاتاليستي انتخابي ناكس توسط آمونياك در يك راكتور كاتاليستي مونوليتي در دو حالت پايا و ديناميك انجام گرديد. نتايج حالت پايا نشان داد كه به دليل اثر شديد دما بر تبديل ناكس و رقابت واكنش اصلي با اكسيداسيون آمونياك، تبديل ناكس نياز به فيلتر كاتاليستي در محدوده 300 تا 350 درجه سانتي‌گراد دارد. نتايج نشان داد كه تبديل اكسيد نيتروژن با كاهش سرعت فضايي گاز و افزايش غلظت اكسيد نيتروژن ورودي افزايش مي‌يابد. در حالت ديناميك اثر تغييرات پارامترهاي مؤثر شامل سرعت فضايي گاز، غلظت اكسيد نيتروژن و نسبت مولي آمونياك به اكسيد نيتروژن ورودي مورد بررسي قرار گرفت. همچنين شبيه‌سازي حالت پاياي فرايند با شبكه عصبي مصنوعي انجام گرفت و مقادير تبديل اكسيد نيتروژن و آمونياك به عنوان تابعي از سرعت فضايي گاز، دماي راكتور و غلظت اكسيد نيتروژن تخمين زده شدند. 96 شبكه با تعداد نرون‌هاي مختلف و دو تابع فعا لسازي مختلف در لايه مخفي آموزش داده شدند. شبكه بهينه بيشينه خطاي مربعي حدود 01 / 0 نسبت به نتايج مدل‌سازي رياضي نشان داد كه حاكي از كارآيي بالاي شبكه عصبي در پيش‌بيني عملكرد فرايند مي‌باشد.