مدلسازي هيبريدي شبكه عصبي- الگوريتم ژنتيك براي جداسازي پارافينهاي خطي و شاخه اي به وسيله فرآيند جذب به منظور ارتقاي عدد اكتان بنزين

Hybrid Neural Network-GA Modeling for Separation of Linear and Branched Paraffins by Adsorption Process for Gasoline Octane Number Improvemente

پس از شناخت اثرات سمي و سرطان زايي تركيبات آلي سرب، توليد تركيبات مانند متيل ترشري بوتيل اتر، به عنوان افزودني براي بنزين هاي هيدروكربني معمولي، مطرح گرديد؛ در نتيجه، توسعه فرايندي جديد براي توليد بنزين با اكتان بالا از تركيبات پيچيده مقطرهاي سبك نفتي، به اجرا درآمد. اين روش، مبتني بر جداسازي آلكان هاي خطي و شاخه اي C5-C8 براساس خواص جذبي آنها، طول زنجيره و تعداد شاخه ها مي باشد. در اين پژوهش، مدل شبكه عصبي هيبريدي برمبناي داده هاي تجربي موجود در بانك اطلاعاتي، به عنوان مدلي جايگزين براي پيش بيني ميزان جداسازي پارافين هاي خطي و شاخه اي توسط فرايند جذب استفاده شده است. دماي جذب، زمان جذب، عدد اكتان و چگالي هيدروكربن ها به عنوان چهار پارامتر ورودي و همچنين نسبت غلظت پارافين خطي به كل، به عنوان پارامتر خروجي شبكه عصبي در نظر گرفته شد. پايگاه داده آزمايشگاهي، مدل شبكه عصبي را با موفقيت تعليم داد و سپس به كمك داده هاي تست، بررسي كرد. نتايج مدل سازي براي داده هاي تست، نشان از موفقيت آميز بودن مدل شبكه هاي عصبي در پيش بيني ميزان جداسازي پارافين هاي خطي از غيرخطي دارد؛ از اين رو مدل شبكه عصبي مصنوعي توسعه داده شده مي تواند براي تعيين مطمئن C/C0 در فرايند جذب به كار رود. طبق نتايج به دست آمده براي داده تست، كمترين خطاي ميانگين مربعات، برابر با 0/0518 به دست آمد كه اين ميزان، رضايت بخش است. داده هاي مد ل سازي با داده هاي تجربي مقايسه گرديد و ضريب رگرسيون برابر 0/99 حاكي از تطابق خوب نتايج تجربي و مدل سازي مي باشد.

After recognizing the toxic and carcinogenic effects of Lead organic compounds, production of compounds such as Methyl tertiary butyl ether as an additive to ordinary hydro carbonate gases was proposed. As a result, development of a new process for producing gas with high octane from complex compounds of light petroleum distillates was initiated. This method is based on separating C5-C8 linear and branched alkanes according to their absorption properties, chain length and the number of branches. In this study, the hybrid neural network model based on experimental data in the database has been used as an alternative model for predicting the separation rate of linear and branched paraffin through absorption process. Absorption temperature, absorption time, hydrocarbons’ octane number, and hydrocarbon density are considered as four input parameters, and the ratio of linear paraffin concentration to total as the output parameter of neural network. The neural network model was successfully generalized by experimental database and then was investigated with the help of test data. The results of modeling for the test data indicated the success of neural network model in predicting the rate of linear paraffin separation from non-linear ones. Therefore, the developed neural network model can be used for determining the C/C0 with confidence in absorption process. According the obtained results for test data, the minimum mean squared error is 0/0518, which is a satisfactory measure. The model and experimental data were compared and regression coefficient 0.990 shows good matching between modeling results and experimental results.