مدل سازي هوش مصنوعي جداسازي تركيب هاي گوگردي از ديزل توسط فرايند تراوش تبخيري

Prediction of Desulfurization from Diesel of Isfahan Refinery by Membrane Method Using Intelligent Approach

در اين پژوهش، به مدل سازي و بررسي فرايند گوگردزدايي با روش غشايي از تركيب ديزل موجود در پالايشگاه اصفهان با استفاده از فرايند غشايي پرداخته شد. براي مدل سازي پارامترهاي فشار خوراك ورودي به ماژول غشايي (5تا 9 بار)، ميزان مصرفي عامل اتصال عرضي (1/5تا 3 درصد وزني TMOS)، دماي اتصال عرضي (65تا °C 85) و زمان اتصال عرضي (0.5تا 2/5 ساعت) به عنوان پارامترهاي ورودي و ميزان گوگردزدايي از تركيب خوراك ورودي به ماژول غشايي (ديزل با ميزان گوگرد ppm 6380) به عنوان پارامتر خروجي در نظر گرفته شد. در اين مطالعه 4 نوع غشا شامل پلي دي متيل سيلوكسان، پلي اتيلن گلايكول، پلي اترسولفون و پلي اكريل نيتريل موردبررسي قرار گرفت. براي مدل سازي فرايند تراوش تبخيري، از ابزار شبكه عصبي و برنامه نويسي ژنتيكي استفاده شد. براي پيدا كردن شرايط بهينه مدل سازي با شبكه عصبي الگوريتم آموزشي لونبرگ ماركواردت با يك لايه استفاده شد و تعداد نرون ها تغيير داده شد تا شرايط بهينه پيدا شود. بيشينه مقدار R2 (0/9341) براي شبكه عصبي با الگوريتم آموزشي لونبرگ ماركواردت با 6 نرون در لايه مخفي به دست آمد. بيشينه مقدار R2 (0/8997) براي برنامه نويسي ژنتيكي به دست آمد. مدل رياضي برنامه نويسي ژنتيكي را به خوبي مي توان براي پيش بيني مقدار گوگرد خروجي در هر شرايطي استفاده نمود. نتيجه هاي گوگردزدايي با فرايند غشايي آشكار كرد كه با افزايش فشار ماژول ميزان گوگرد موجود در تركيب ديزل كاهش يافت. بيش ترين تاثير پمپ فشار ماژول غشايي بر كاهش گوگرد در جريان ديزل ، در تركيب PDMS و پليمر PEG براي ساخت غشاها ديده شد.

In this study, modeling and investigation of desulfurization of diesel Isfahan Oil Refinery Company were performed using membrane process. The total sulfur of diesel as feed to membrane module is 6380ppm. In the research, four kinds of membrane including Polydimethylsiloxane, blend of Polydimethylsiloxane with Polyethylene glycol, blend of Polydimethylsiloxane with Polyethersulfone and blend of Polydimethylsiloxane with Polyacrylonitrile are used. The process variables in this research are pump pressure of membrane module (5-9 bar), crosslinking agent concentration (1.5 and 3 wt. %), crosslinking temperature (65-85°ċ), and crosslinking time (0.5-2.5 h). In the modeling procedure, Artificial Neural Network (ANN) and genetic programming (GP) were employed. The Levenberg-Marquardt training algorithm was used to train the ANN. ANN architecture with 6 neurons was determined as optimal architecture. ANN and GP are beneficial tools for predicting the performance of RO with high accuracy (R2=0.93 and 0.89 respectively).