پيش بيني قطر متوسط قطرات ( قطر ساتر) در برج هاي استخراج ضرباني با سيني هاي غربالي، با استفاده از شبكه عصبي مصنوعي

Prediction of the average diameter of drops (Sauter diameter) in pulsating extraction towers with sieve trays, using artificial neural network

قطر متوسط قطرات، پارامتري اساسي براي محاسبات هيدروديناميكي برج هاي استخراج است و پارامترهاي مهم ديگري از جمله: حداكثر بار برج، نقطه طغيان و مقدار انتقال جرم را تعييين مي كند. روابط تجربي ارائه شده، در بردارنده تمامي متغيرهاي تاثيرگذار بر اين پارامتر نيست. به همين دليل، نتايج حاصل از اين روابط خطاي زيادي دارد. از سوي ديگر شبكه عصبي در حل مسائلي كه به دليل در دسترس نبودن اطلاعات مربوط به تمامي عوامل تاثيرگذار و يا وجود رابطه اي بسيار پيچيده بين داده ها، مدل سازي رياضي در مورد آنها ممكن و يا عملي نيست، توانايي بالايي دارد. در اين تحقيق، قطر متوسط ( قطر ساتر) در برج هاي ضرباني با سيني هاي غربالي با استفاده از شبكه عصبي مصنوعي پيش بيني شد. براي مدل سازي از شبكه پرسپترون چند لايه با الگوريتم آموزش لونبرگ – ماركوآرت استفاده گرديد. تعداد بهينه لايه ها و نرون-هاي لايه مخفي با حدس و خطا تعيين و نتايج مدل سازي با نتايج مدل تجربي و مقادير آزمايشگاهي مقايسه شد. نتايج، معرف تطابق عالي بين مقادير آزمايشگاهي و نتايج پيش بيني شده شبكه عصبي با ضريب همبستگي (9963/0R2=) و خطاي بسيار پايين بود. بنابراين مي توان بيان نمود كه شبكه عصبي مصنوعي يك روش قوي براي پيش بيني قطر ساتر در برج هاي استخراج ضرباني با سيني هاي غربالي با دقت بالا است.

The average droplet diameter is a basic parameter for hydrodynamic calculations of extraction towers and determines other important parameters such as: the maximum load of the tower, the overflow point and the amount of mass transfer. The presented empirical relationships do not include all variables affecting this parameter. For this reason, the results of these relationships have a lot of errors. On the other hand, the neural network has a high ability in solving problems that mathematical modeling is not possible or practical due to the unavailability of information related to all the influencing factors or the existence of a very complex relationship between the data. In this research, the average diameter (Sauter diameter) in pulsating towers with sieve trays was predicted using artificial neural network. Multi-layer perceptron network with Levenberg-Marquardt training algorithm was used for modeling. The optimal number of layers and neurons of the hidden layer was determined by guess and error, and the modeling results were compared with the results of the empirical model and experimental values. The results showed an excellent agreement between the experimental values and the predicted results of the neural network with a correlation coefficient (R2=0.9963) and a very low error. Therefore, it can be stated that the artificial neural network is a powerful method for predicting the sauter diameter in pulsating extraction towers with high precision.