استفاده از شبکه عصبی anfis و mlp در پیش‌بینی استخراج ترکیب های آروماتیکی از ترکیب های آلیفاتیکی توسط مایع‌های یونی

یکی از فرایند‌های اصلی در صنایع پالایشی صنعت نفت، استخراج هیدروکربن‌های آروماتیک از هیدروکربن‌های آلیفاتیک است. بر این اساس پیش‌بینی دقیق رفتار فازی این سامانه‌ها می‌تواند باعث بهبود استخراج مایع مایع شود.  در این مطالعه، رفتار ترمودینامیکی فازی سامانه سه‌جزئی هیدروکربن‌های آلیفاتیک و آروماتیک به همراه مایع های یونی توسط سامانه استنتاجی فازی عصبی تطبیقی (anfis) و شبکه عصبی پرسپترون چند لایه (mlp) پیش‌بینی ‌شد.  ورودی‌های مدل در مدل‌سازی سامانه استخراج مایع   مایع،  نسبت مولی ترکیب های آلیفاتیک، آروماتیک و مایع های یونی در خوراک و هم چنین جرم مولکولی آ ن ها و دمای سامانه استخراج در نظر گرفته شد و همچنین خروجی مدل نیز نسبت مولی ترکیب های آلیفاتیک و آروماتیک در فاز غنی از آلکان و نسبت مولی ترکیب های آروماتیک و مایع های یونی در فاز غنی از مایع های یونی در نظر گرفته شد. پارامترهای طراحی این شبکه‌های عصبی ازجمله تعداد نرون و شعاع خوشه‌چینی شبکه‌های mlp و anfis به منظور بهتر شدن دقت پیش‌بینی آن ها، با روش بهینه‌سازی تکاملی الگوریتم ژنتیک (ga) بهینه شدند. مقایسه دقت پیش‌بینی شبکه‌های anfis و mlp با داده‌های آزمایش بر اساس پارامترهای آماری r2 ، rmsd و mad برای مدل anfis به ترتیب 0.9996، 0.0190 و0.0129 و برای مدل شبکه عصبی mlp به ترتیب 0.9996، 0.0204 و0.0127 به‌دست آمد. همچنین مقایسه‌ای بین دقت پیش‌بینی شبکه‌های anfis و mlp با مدل ترمودینامیکی nrtl برای دو سامانه گوناگون استخراج مایع مایع انجام شد، میانگین rmsd  آن‌ها برای دو سامانه استخراج به ترتیب 0.0093، 0.0110 و 0.0113 به‌دست آمد. نتیجه های پارامترهای آماری نشان دهنده این است که این شبکه‌ها در پیش‌بینی رفتار ترمودینامیکی تعادل مایع  مایع با دقت به نسبت مناسبی دارند و روش موثری هستند.

Using ANFIS and MLP Neural Networks in Predicting the Extraction of Aromatic Compounds from Aliphatic Compounds by Ionic Liquids

One of the main processes in the refining industries of the oil industry is the extraction of aromatic hydrocarbons from aliphatic hydrocarbons. Accordingly, accurate prediction of the phase behavior of these systems can improve liquidliquid extraction.  In this study, the phase thermodynamic behavior of the ternary system of aliphatic and aromatic hydrocarbons with ionic liquids is predicted by the Adaptive NeuroFuzzy Inference System (ANFIS) and the Multilayer Perceptron (MLP)neural network. The model inputs were considered in modeling the liquidliquid extraction system, the molar ratio of aliphatic, aromatic, and ionic compounds in the feed, as well as the molecular mass of the ions and the temperature of the extraction system, and the model output was the molar ratio. Aliphatic and aromatic compounds in the alkanerich phase and molar ratio of aromatic compounds and ionic liquids in the ironrich phase were considered. The design parameters of these neural networks, including the number of neurons and the clustering radius of the MLP and ANFIS networks, were optimized by the genetic algorithm evolution method (GA) in order to improve their prediction accuracy. Comparison of prediction accuracy of ANFIS and MLP networks with experimental data based on statistical parameters R2, RMSD, and MAD for ANFIS model was calculated 0.9999, 0.0190, and 0.0129 respectively and for MLP neural network model was 0.996, 0.0204, and 0.0127 respectively. Also, a comparison was made between the prediction accuracy of ANFIS, MLP networks and the NRTL thermodynamic model for two different liquidliquid extraction systems, their RMSD for the two extraction systems were 0.0093, 0.0110, and 0.0113, respectively. The results of statistical parameters show that these networks have relatively good accuracy in predicting the thermodynamic behavior of liquidliquid equilibrium and are an effective method.