پيش‌بيني توزيع فرآورده‌هاي سنتز فيشر-تروپش در حضور كاتاليست Ni/HZSM-5 با شبكه عصبي-فازي برپايه الگوريتم ژنتيك و اجتماع ذرات

Prediction of Fischer-Tropsch synthesis products distribution in the presence of Ni/HZSM-5 catalyst using neural/fuzzy networks based on hybrid of genetic algorithm and swarm of particles

در اين پژوهش، كاتاليست‌هاي نانوساختار Ni/HZSM-5 با روش ريزناميزه معكوس تهيه شدند. از مزيت‌هاي قابل توجه اين روش، مي‌توان به پراكندگي مناسب ذرات، سطح ويژه و كاهش بالاتر نمونه اشاره كرد. آزمايش‌هاي سنتز فيشر-تروپش در حضور كاتاليست Ni/HZSM-5 در گستره شرايط عملياتي شامل دماي 220 تاC°240، فشار 15 تا 25 بار و سرعت فضايي گاز 900 تا 1/ 2300h انجام شد. هدف از آموزش شبكه عصبي-فازي تطبيقي، يافتن اندازه وزن‌ها و باياس‌ها به نحوي است كه خطاي داده‌هاي آموزش را به حداقل برساند. بنابراين، آموزش شبكه‌هاي عصبي- فازي تطبيقي را مي‌توان دربردارنده يك مسئله بهينه‌سازي دانست كه هدف آن بهينه‌سازي شرايط وزني و باياس‌ها براي دستيابي به حداقل خطاي آموزش است. بدين‌منظور براي بهينه‌سازي مدل عصبي- فازي، از الگوريتم ژنتيك و الگوريتم اجتماع ذرات استفاده شد كه منجر به پيش‌بيني توزيع فراورده‌هاي سنتز فيشر تروپش با شبكه‌هاي ANFIS، GA_ANFIS و PSO_ANFIS شد. براي مدل‌سازي فرايند از 17 داده آزمايشگاهي استفاده شد كه از اين 17 داده، 80 درصد براي آموزش و بقيه براي تعيين اعتبار مدل استفاده شد. همه مدل‌هاي آورده شده داراي ضريب همبستگي بالاتر از 0/97 بودند كه نشان‌دهنده دقت مدل‌سازي است. و با توجه به ضريب همبستگي و خطاهاي ARE، AARE و SD بهترين شبكه مورد نظر براي مدل‌سازي فرايند مورد نظر، PSO_ANFIS است.

In this study, Ni/HZSM-5 nano-structure catalysts were synthesized through reverse microemulsion method. The main advantages of this synthesis method compared to other typical methods are better control on particle size distribution, favorable dispersion, surface area, and reducibility.The experiments of Fischer-Tropsch synthesis in the presence of Ni/HZSM-5 catalyst were conducted under operating conditions (i.e., temperature 493-513 K, pressure 15-25 bar, and gas hourly space velocity 900-2300 1/h).The purpose of training the adaptive neuro-fuzzy network is to find the size of the weights and biases in such a way as to minimize the error of the training data. To optimize the neuro-fuzzy model, Genetic Algorithm and Particle Swarm optimization were used to predict the product distribution of Fischer-Tropsch synthesis products using ANFIS, GA-ANFIS and PSO-ANFIS networks. For modeling, 17 experimental data were used, of which 80% were for training and the rest for model validation. All presented models have a correlation coefficient (R2) higher than 0.97 which indicates the accuracy of modeling. Regarding the correlation coefficient and ARE, AARE and SD errors are the best networks for modeling the desired process of PSO-ANFIS.