توسعه شبكه عصبي با دقت بالا براي تخمين خصوصيات زئوليت سنتزي H-ZSM-5

high accurate neural network development for prediction of synthesized H-ZSM-5 properties

زئوليت ها يكي از پركاربردترين مواد در صنايع پتروشيمي هستند كه اكثرا به صورت كاتاليست يا جاذب استفاده مي شوند. در اين مقاله، زئوليت H-ZSM-5 به روش هيدروترمال در شرايط مختلف سنتز تهيه گرديده است. اندازه كريستال و كريستالينيته زئوليت ها با استفاده از آناليز XRD‌ محاسبه شدند. با استفاده از نتايج تجربي، شبكه هاي عصبي مختلفي داراي انواع ساختار، الگوريتم آموزش و توابع انتقال براي تخمين اندازه كريستال و كريستالينيته زئوليت H-ZSM-5 مورد ارزيابي قرار گرفت. دو شبكه عصبي با ساختار (1-15-5) و (1-50-5) به ترتيب بهترين تخمين را براي تخمين اندازه كريستال و كريستالينيته ارائه كردند بطوريكه با نتايج تجربي مطابقت بالايي حاصل شد (R2=0.96). براي شبكه هاي بهينه، الگوريتم آموزش Levenberg-Marquardt بوده است توابع انتقال مناسب براي تخمين اندازه كريستال و كريستالينيه به ترتيب TS-PL و LS-PL‌ بدست آمد. نتايج نشانگر پتانسيل بالاي شبكه عصبي در زمينه تخمين خصوصيات زئوليت هاي سنتزي مي باشد كه مي تواند منجر به كاهش هزينه و زمان در تهيه زئوليت مناسب گردد.

Zeolites are one of the most widely used materials in the petrochemical industry, which are often used as catalysts or adsorbents. In this paper, H-ZSM-5 zeolite was synthesized by hydrothermal method under different conditions. Crystallite size and crystallinity of zeolites were calculated by XRD analysis. Considering the experimental results, different neural networks have different types of structure, training algorithm and transfer functions for estimating the crystalline size and crystallinity of H-ZSM-5 zeolite. The two neural networks with structure (5-15-1) and (5-50-1) were presented the best estimates for crystallinity and crystallite size, respectively, which can be corresponded to the experimental results (R2 = 0.96). For optimum networks, the Levenberg-Marquardt training algorithm has been used. The best transfer functions were obtained for estimating the crystallinity and crystallite size of TS-PL and LS-PL, respectively. The results indicated that the neural network has high potential in estimating the properties of synthetic zeolites, which can reduce the cost and time of preparing the appropriate zeolite type