شبيه سازي داده هاي آزمايشگاهي مربوط به جذب دي اكسيد كربن از هوا با حلال سود به كمك شبكه‌هاي عصبي مصنوعي

Simulations of Experimental Data of CO2 Absorption from Air by NaOH Solutions in a Packed Column Using Artificial Neural Network

در اين مقاله عملكرد تعميم شبكه هاي عصبي مصنوعي RBF و MLP به كمك مجموعه داده هاي تجربي به دست آمده از يك برج جذب آكنده در مقياس آزمايشگاهي، مقايسه گرديدند. داده هاي آزمايشگاهي از يك برج آكنده به قطر 11 سانتي متر و به طول 8/1 متر كه از حلقه هاي راشيگ 25/0 اينچي پر شده، به دست آمده است. در اين سيستم جذب، براي جداسازي دي اكسيد كربن از هوا از دبي ها و غلظت‌هاي مختلف سود (NaOH)به عنوان حلال بهره گرفته شده است. جهت آموزش شبكه هاي عصبي، از دو شيوه نوين و مطمين كه در مقالات قبلي توسط مولفين ارايه گرديده اند، استفاده شده است [1-2]. در مقالات مذكور، روش جامعي جهت محاسبه مقدار بهينه گستردگي توابع گاوسين آيزوتروپيك همراه با الگوريتم ويژه اي براي آموزش شبكه هاي MLP ارايه شده اند. نتايج اين مطالعه مشخص مي نمايد كه شبكه‌هاي عصبي RBF به دليل دارا بودن مباني علمي مستحكم‌تر و هم‌چنين قابليت فيلتر نمودن نويز، از عملكرد مناسب تري برخوردار هستند. اگرچه بسياري از نتايج به دست آمده از داده هاي آزمايشي مطابق روند معمول و قابل انتظار مي باشد، اما در برخي موارد نيز نتايج به دست آمده از آزمايشات كمي غير منتظره بودند كه با توجه به تكرار پديده هاي مربوطه در شرايط مختلف، به نظر نمي رسد كه اين گونه نتايج ناشي از خطاي آزمايشات باشند. براي مثال ميزان درصد جذب دي اكسيد كربن به گونه هاي متفاوتي در نرماليته هاي مختلف حلال عمل مي نمايد كه مي تواند از حيث برخي كاربردهاي عملي بسيار مورد توجه قرار گيرد.

The generalization performances of the Back Propagation Multi-Layer Perceptron (BPMLP) and the Radial Basis Function (RBF) neural networks were compared together by resorting to several sets of the experimental data collected from a pilot scale packed absorption column. The experimental data were obtained from an 11cm diameter packed tower filled with 1.8 meter ʹA inch ceramic Rashig rings. The column was used for separation of carbon dioxide from air using various concentrations and flow rates of NaOH solution. Two efficient and reliable in-house algorithms were employed for optimal training of both neural networks. A robust procedure was exploited in these articles to predict the optimal widths of isotropic Gaussian basis functions for RBF networks [1]. Another in-house algorithm was also used to train the MLP networks more rapidly and efficiently in comparison with the conventional procedures [2]. The simulation results indicated that the RBF networks can perform more adequately than MLP networks on filtering out the noise and provide more reliable generalization performances because of their more solid theoretical background. Although most of the collected experimental results were just as we expected them, however, some results were out of the traditional trend. The numerous repetitions of these measurements prove that they can not occur due to random measurement errors. For example, absorbed percentage of carbon dioxide in various caustic solutions with different normality followed a peculiar trend which may prove fruitful in some special application.