بهینه سازی فرایند جداسازی گازی با استفاده از غشا پلیمری اصلاح شده بر پایه الگوریتم ژنتیک و شبکه عصبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی شیمی، دانشکده فنی مهندسی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

2 آزمایشگاه نفت و گاز، گروه مهندسی نفت، دانشکده نفت و مهندسی شیمی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

10.22078/pr.2020.4134.2877

چکیده

افزودن نانوذرات به ماتریس پلیمری منجر به افزایش عملکرد غشا در فرایند جداسازی گازی می شود. در تحقیق جاری، هدف یافتن نقطه بهینه عملیاتی جداسازی گازی برای غشای پلیمری اصلاح شده با نانوذرات می باشد. متغیرهای عملیاتی مورد بررسی نوع نانوذره، غلظت نانوذره اضافه شده و اختلاف فشار عملیاتی در دوسوی غشا می باشد. نانوذرات AL2O3 ، ZnO و TiO2 در این تحقیق مورد استفاده قرار گرفتند. همچنین غلظت نانوذره و اختلاف فشار عملیاتی به ترتیب در محدوده 5/2 تا 15 درصد و 2 تا 25 بار مورد بررسی قرار گرفتند. یکی از الزامات بهینه سازی فرایند، توسعه یک مدل قوی و کارآمد است. بدین منظور ابتدا یک مدل قدرتمند با استفاده از شبکه عصبی مصنوعی توسعه پیدا کرد که قادر به پیش بینی میزان تراوش پذیری گازهای اکسیژن، نیتروژن، متان و دی اکسید کربن می باشد. مدل هایی بر اساس انواع شبکه های عصبی پیشخور توسعه داده شدند که R2 بزرگتر از 9/0 داشتند. سپس با استفاده از الگوریتم ژنتیک شرایط بهینه عملیاتی برای هر یک از گازهای مورد بررسی با در نظر گرفتن چهار هدف و استراتژی استخراج شدند. نتایج بهنیه سازی نشان دادند که مقدار تراوش پذیری بیشینه برای گازهای اکسیژن، نیتروژن، متان و دی اکسید کربن به ترتیب برابر با 7/334، 9/779، 7/902 و 4/270 می باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Genetic-neural network based optimization of gas separation process using modified polymeric membrane

نویسندگان [English]

  • Amin Hedayati Moghaddam 1
  • Seyed Amin Mirmohammadi 1
  • Afshar Alihosseini 1
  • Farhad Amanizadeh Fini 2
2 Islamic Azad University
چکیده [English]

Addition of nanoparticles to a polymeric matrix leads to enhance the performance of membrane gas separation. In this study, the aim is to find the optimum operative point of polymeric membrane modified by adding nanoparticles in gas separation. The assessed factors are type of nanoparticle, percentage of added nanoparticle, and cross membrane pressure. Nanoparticles of AL2O3, ZnO, and TiO2 were used. Further, the ranges of nanoparticle concentration and operative cross membrane pressure were 2.5 to 15% and 2 to 25 bar, respectively. To optimize a process, developing a robust model is necessary. So, First, a powerful model based on artificial neural network was developed that was able to predict the values of permeability of oxygen, nitrogen, methane, and carbon dioxide. Neural networks model were developed with R2 greater than 0.9. Next, the optimum operative conditions for assessed gases were found using methodology based on genetic algorithm and considering four strategies. The results of optimization show that the maximum values of permeability for oxygen, nitrogen, methane, and carbon dioxide are 334.7, 779.9, 902.7, and 270.4, respectively.

کلیدواژه‌ها [English]

  • Polymeric Membrane
  • Permeability
  • Artificial Neural Network
  • Genetic Algorithm