شبکه عصبی برای جداسازی کربن دی‌اکسید از مخلوط‌های گازی گوناگون با استفاده از هیدرات‌های نیمه گازی در حضور بهبوددهنده‌ها

انتشار بیش از حد کربن دی‌اکسید از سامانه های گوناگون مانند زیست گاز (ch4+co2)، سوخت گازی (h2+co2) و گازدودکش (n2+co2)، یکی از دلیل های اصلی گرمایش زمین و مشکل های زیست‌محیطی می باشد. در سال های اخیر، فرایند جداسازی برمبنای هیدرات گازی توجه های ویژه ای را به خود اختصاص داده است. در این کار تلاش شده است یک مدل جامع هوشمند شبکه عصبی، برای پیش بینی شرایط تشکیل هیدرات از سامانه های گوناگون و در حضور بهبود دهنده های متفاوت از خانواده نمک های چهار جزیی آمونیوم و فسفنیم به منظور جداسازی co2 از سامانه های گوناگون ارایه شود. سرانجام داده های آزمایشگاهی با داده های پیش بینی شده مقایسه شدند،و مدل شبکه عصبی توانایی پیش بینی شرایط تشکیل هیدرات را با دقت قابل پذیرشی (0.98~r2) دارد. سایر نتیجه های آنالیز خطا برای داده های آزمون شبکه (0.24mse = و 7.19meae %=) نیز نشان دهنده عملکرد قابل پذیرش مدل ارایه شده می باشد.

Neural Network to Separate Carbon Dioxide from different Gas Mixtures Using SemiClathrate Hydrates in the Presence of Promoters

Excessive carbon dioxide (CO2) emission from various systems such as biogas (CH4+CO2), fuel gas (H2+CO2), and flue gas (N2+CO2) is one of the main reasons of global warming and environmental problems. In recent years, special attention devoted to the hydrate based gas separation (HBGS) processes. This study attempts to propose a comprehensive neural network intelligent model, to predict hydrate formation conditions in various systems and in the presence of different promoters of quaternary ammonium and Phosphonium salts to separate CO2 from various systems. Finally, experimental data compared with predicted data, which neural network model has hydrate conditions prediction capability with acceptable accuracy (R2~0.98). Other error analysis results for network training dataset (MSE=0.24 and MEAE%=7.19), indicate the acceptable performance of the proposed model.