به كارگيري شبكه عصبي در پيش بيني رفتار فرايند آلكيلاسيون متاكروزل با ايزوپروپانول و بهينه سازي بازده فرايند با الگوريتم كلوني زنبورهاي عسل

Applying Artificial Neural Network in Prediction Behavior of Alkylation of m-Cresol with Isopropanol Process and Yield Optimization by Bee Colony Algorithm

موضوع تحقيق در ده هاي اخير روش هاي بهينه سازي مبتني بر پديده هاي طبيعي به دليل عدم نياز به انجام محاسبات سنگين رياضي، عدم وابستگي به نقاط انتخابي اوليه و قابليت بهينه سازي نسبت به ساير روش ها، در زمينه بهينه سازي تركيبي جايگاه ويژه اي پيدا كرده است. علاوه بر اين شبكه عصبي مصنوعي به عنوان يكي از ابزار قدرتمند هوش مصنوعي در شبيه سازي فرايندها به كار برده مي شود. به كارگيري شبكه عصبي براي مدل سازي فرايند آلكيلاسيون متاكروزل با ايزوپروپانول و روش فرا ابتكاري در به دست آوردن شرايط بهينه براي كاتاليست و واكنش مي تواند گام موثري، در جهت انجام فرايند با بازده بالا فراهم سازد. روش تحقيق در اين پژوهش شبكه عصبي براي پيش بيني فرايند آلكيلاسيون متاكروزل با ايزوپروپانول و الگوريتم كلوني زنبورهاي عسل به منظور بهينه سازي بازده فرايند به كار گرفته شد. شبكه عصبي طراحي شده داراي 5 نرون در لايه پنهان مي باشد. به منظور بررسي عملكرد الگوريتم پيشنهادي، شبكه عصبي مصنوعي براي پيش بيني تبديل متاكروزل و گزينش پذيري آن به تيمول در فرايند آلكيلاسيون متاكروزل با ايزوپروپانول 120 داده استفاده شد. در اين فرايند، سرعت فضايي (WHSV)، فشار و دما، به عنوان متغيرهاي ورودي و تبديل متاكروزل و گزينش پذيري تيمول به عنوان متغيرهاي خروجي شبكه عصبي در نظر گرفته شده است. نتايج اصلي سيستم شبيه سازي طراحي شده با ضريب رگرسيون (R2) بالاتر از %97.5، نشان دهنده دقت بالاي شبكه عصبي طراحي شده براي اين فرايند مي باشد. ميزان بيشينه بازده اين فرايند با استفاده از الگوريتم كلوني زنبورهاي عسل 28.9% با متغيرهاي قابل تنظيم h-10.062 WHSV=، فشار bar1.5 و دماي C 300 حاصل شد. هم چنين براي دستيابي به كارايي بهتر الگوريتم بهينه سازي، مقادير مطلوب ضريب شتاب و جمعيت زنبورها با آزمون سعي و خطا 100 و 10حاصل شد.

Research subject: In recent decades, hybrid optimizations methods based on natural phenomenon have placed special position according to their capabilities in finding optimal solutions without expensive computational loads and disassociation on choosing initial points. Artificial Neural Network is used as one of the powerful tools of Artificial Intelligence for process simulation. The employment of the neural network in the modeling of m-Cresol alkylation process of with isopropanol as well as meta-heuristic methods in obtaining the optimal conditions for the catalyst and the reaction can prepare an effective step towards a high efficiency process. Research approach: In the present study, the artificial neural network is applied to model alkylation of m‐Cresol with isopropanol process. In addition, the bee colony is employed in order to optimize the process yield. To verify its performance, the proposed method is used in prediction of the m‐Cresol conversion and thymol selectivity of the alkylation process with isopropanol 120 data. In this process, the input variables are Weight Hourly Space Velocity (WHSV), pressure and temperature; m-Cresol conversion and thymol selectivity are considered as the output variables of the neural network. Five hidden neurons are considered for the proposed neural network. 120 data is used to train the neural network. The meta-heuristic approach based on bee colony (BC) is applied to maximize the yield of the process. Main results: The results confirm that the proposed method develops the accurate model with an R2 value of greater than 97.5%. The maximum yield is obtained 28.9% by bee colony algorithm with adjustable variables that are WHSV of 0.062 hr-1, the pressure of 1.5 bar and the temperature of 300 °C. In addition, in order to achieve the better performance of the optimization algorithm, the appropriate values of acceleration coefficient and population size are chosen 100 and 10 during the trial-and-error phase.