مدل سازی تبدیل گاز سنتز و بررسی درصد تبدیل هیدروژن و منوکسیدکربن توسط شبکه عصبی براساس آزمایشات تجربی در راکتور بستر ثابت
محل انتشار: مجله پژوهش نفت، دوره: 27، شماره: 6
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 48
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_PRRIP-27-6_007
تاریخ نمایه سازی: 6 دی 1402
چکیده مقاله:
در این پژوهش، براساس داده ها و آزمایشات تجربی به بررسی درصد تبدیل هیدروژن و منوکسیدکربن و طراحی مدل آنها براساس طراحی آزمایش و شبکه عصبی پرداخته شد. داده های آزمایشگاهی براساس پنج متغیر ورودیو براساس طراحی مکعب مرکزی تعیین گردید. این پنج متغیر موثر عبارتند از: دما، فشار راکتور، نسبت هیدروژن به منوکسید کربن در خوراک، فشار جزئی هیدروژن و منوکسید کربن در راکتور. شرایط عملیاتی راکتور، دما ( oC۳۴۰-۳۲۰)، فشار (bar gauge ۸-۲)، نسبت هیدروژن به منوکسیدکربن (۲/۲- ۸/۰)، فشار جزئی منوکسیدکربن (bar gauge ۷/۲-۳/۰) و فشار جزئی هیدروژن (bar gauge ۵/۲-۳/۰) می باشد. برای بررسی و به دست آوردن مدل درصد تبدیل ها، از دو روش پاسخ سطح و شبکه عصبی استفاده گردید. برای بررسی توانمندی هر دو روش، دو پارامتر مهم خطای آماری شامل مجذور میانگین خطا و انحراف نسبی میانگین مطلق محاسبه شد. نتایج به دست آمده از هر دو مدل پاسخ سطح و شبکه عصبی با نتایج تجربی مقایسه شد. مشاهده گردید که هر دو مدل تطابق خوبی با داده های تجربی دارند. برای محاسبه بیشینه درصد تبدیل برای هر دو مدل، شبکه عصبی با الگوریتم ژنتیک مدل شده و نقاط بیشینه هر دو مدل غیرخطی به دست آمد. در پایان، مدل های حاصله تحلیل شده و نقاط بیشینه مورد بررسی قرار گرفت. همچنین این مدل می تواند برای به دست آوردن محصولات انتخابی با ارزش افزوده بالا نیز به کار گرفته شود.
کلیدواژه ها:
نویسندگان
افشین رزمجویی
دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران
حسین آتشی
دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران
فرهاد شهرکی
دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران
مهدی شیوا
گروه مهندسی شیمی، دانشگاه صنعتی بیرجند، بیرجند، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :