مدل‌سازی هوش مصنوعی جداسازی ترکیب های گوگردی از دیزل توسط فرایند تراوش تبخیری

در این پژوهش، به مدل‌سازی و بررسی فرایند گوگردزدایی  با روش غشایی از ترکیب دیزل موجود در پالایشگاه اصفهان با استفاده از فرایند غشایی پرداخته ‌شد. برای مدل‌سازی پارامترهای فشار خوراک ورودی به ماژول غشایی (5تا 9 بار)، میزان مصرفی عامل اتصال عرضی (1.5تا 3 درصد وزنی tmos)، دمای اتصال عرضی (65تا °c 85) و زمان اتصال عرضی (0.5تا 2.5 ساعت) به‌عنوان پارامترهای ورودی و میزان گوگردزدایی  از ترکیب خوراک ورودی به ماژول غشایی (دیزل با میزان گوگرد ppm 6380) به‌عنوان پارامتر خروجی در نظر گرفته شد. در این مطالعه 4 نوع غشا شامل پلی‌دی‌متیل‌سیلوکسان، پلی‌اتیلن‌گلایکول، پلی‌اترسولفون و پلی‌اکریل‌نیتریل موردبررسی قرار گرفت. برای  مدل‌سازی فرایند تراوش تبخیری، از ابزار شبکه عصبی و برنامه‌نویسی ژنتیکی استفاده شد. برای پیدا کردن شرایط بهینه مدل‌سازی با شبکه عصبی الگوریتم آموزشی لونبرگ مارکواردت با یک‌لایه استفاده شد و تعداد نرون ها تغییر داده شد تا شرایط بهینه پیدا شود. بیشینه مقدار r2 (0.9341) برای شبکه عصبی با الگوریتم آموزشی لونبرگ مارکواردت با 6 نرون در لایه مخفی به دست آمد. بیشینه مقدار r2 (0.8997) برای برنامه‌نویسی ژنتیکی به دست آمد. مدل ریاضی برنامه‌نویسی ژنتیکی را به‌خوبی می‌توان برای پیش‌بینی مقدار گوگرد خروجی در هر شرایطی استفاده نمود. نتیجه های گوگردزدایی با فرایند غشایی آشکار کرد که با افزایش فشار ماژول میزان گوگرد موجود در ترکیب دیزل کاهش یافت. بیش ترین تاثیر پمپ فشار ماژول غشایی بر کاهش گوگرد در جریان دیزل ، در ترکیب pdms و پلیمر peg برای ساخت غشاها دیده شد.

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

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 (59 bar), crosslinking agent concentration (1.5 and 3 wt. %), crosslinking temperature (6585°ċ), and crosslinking time (0.52.5 h). In the modeling procedure, Artificial Neural Network (ANN) and genetic programming (GP) were employed. The LevenbergMarquardt 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).