كاربرد شبكه عصبي مصنوعي در مدلسازي فرآيند هاي فتوكاتاليستي جهت تصفيه پساب نفتي پالايشگاه

صنایع نفت به مقدار زیادي آب به منظور پالایش و فرآوري نیاز دارند و در نتیجه تولید حجم زیادي پساب در اثر فعالیت پالایشگاه ها، امري اجتناب ناپذیر است. پساب پالایشگاه ها در گروه پساب هاي ضعیف و پیچیده طبقه بندي می شود از این روتصفیه آن دشوار است. تركیبات آروماتیكی ازقبیل فنل، بنزن ،تولوئن وتركیبات مشتق شده ازآن درپساب خروجی ازصنایعی ازقبیل پالایش نفت وجوددارند.فرآیند فتوكاتالیستی یكی ازفرآیندهاي اكسیداسیون پیشرفته است ،كه توانایی آن براي حذف انواع تركیبات سمی وسخت تجزیه پذیر اثبات شده است به منظور صرفه جویی اقتصادي و جلوگیري از تكرار آزمایشات ، از مدلسازي فرآیند هاي فتوكاتالیستی می توان به عنوان ابزاري مطمئن استفاده نمود.از میان روش هاي مدلسازي، شبكه عصبی مصنوعی داراي دقت و كاربرد زیادي در فرآیند هاي بیوتكنولوژي میباشد. نتایج حاصل از این مطالعه نشان داد كه ضریب همبستگی بدست آمده ، به 1رسیده است، كه این بیانگر آن است كه تطابق خوبی بین داده هاي واقعی و مقادیر پیش بینی شده توسط مدلسازي وجود دارداز مجموع 30 داده موجود در این زمینه، دو سوم آن جهت آموزش شبكه و یك Purelin و تابع انتقال خروجی Tribas سوم باقیمانده به منظور ارزیابی دقت مدلسازي انتخاب گردید. در آموزش شبكه تابع انتقال میانی تعداد نورون ها 2 به عنوان بهترین پارامتر ها تعیین گردید. میزان خطاي آموزش شبكه 0.5724 و خطاي ارزیابی دقت شبكه 1.0874 بدست آمد

Oil industry needs lots of water for refining and processing. Thus, production of large volumes of wastewater is inevitabledue to the refinery operations. Refinery wastewater is classified into weak and complexwastewater group. Therefore, it is difficult to treat.There are aromatic compounds such as phenol, benzene, toluene and compounds derived from it in the effluents of industries such as oil refining. Photocatalytic process is one of the processes of advanced oxidation and its abilityhas been proven to remove a variety of toxic compounds or compounds that are hard to biodegrade. The modeling of photocatalytic processes can be used as a secure toolto save the economy and avoid repeated testing.Among the modeling techniques, artificial neural network is accurate and widely used in biotechnological processes. Results of the study showed that correlation coefficient reached ١ indicating that there is a good match between actual values and those predicted by the modeling. From a total of ٣٠ data, two-thirds of data was used to train the network and the remaining third was used to evaluate the modeling accuracy. The middle transition functionTribas, output transfer function purelin and the number of neurons (٢) were determined as the best parameters to train the network. Moreover, the error rate of network training was estimated to be ٠.٥٧٢٤ and error evaluation of the network accuracy was found to be ١.٠٨٧٤